人工智能何时才能真正投入实际工作？在今年的世界人工智能大会（WAIC）上，答案已经清晰呈现。

大会现场，60台人形机器人首次以“志愿者”身份正式上岗，在场馆内承担导览、问询等任务。而在去年，它们还只能在展台上奔跑、跳舞和打拳。

数字人领域的变革同样令人瞩目。虎牙发布的VAM 1.0实时多模态数字人，仅需一张照片，就能驱动一个7×24小时不间断直播互动、唱歌跳舞、游戏陪玩以及赛事解说的数字分身。

科大讯飞、商汤、Soul等展台上的数字人产品也集体完成迭代，越来越多的数字人正在走向各自的“工作岗位”。

机器人在展馆担任志愿者，数字人在直播间化身主播。这背后折射出整个行业的战略转向：AI的竞争焦点，正从比拼模型能力，转向比拼工程化落地能力。

模型差距逐渐收窄，工程差距正在拉大

今年WAIC上，一个共识逐渐明朗：获取AI时代门票的真正门槛，不在于模型本身，而在于将模型能力转化为实际生产力的工程化能力，以及基于具体场景的交付能力。

腾讯副总裁林松涛在会上直言：“当前模型能力的差距在收窄，但工程化的差距在拉开。”他认为，真实场景是AI价值实现的第一现场，而终端设备则是AI普及的最后一公里。

商汤CEO徐立也表达了类似观点：“未来的核心计费维度应当是任务完成的价格”——AI的衡量单位应从Token转向Task，从售卖算力转向售卖结果。

无论工程化还是“卖结果”，最终都必须落地到具体场景中。而场景恰恰无法速成。本届大会上表现领先的产品，几乎都源自各自深耕的场景生态。

虎牙的VAM 1.0背后是十多年的直播平台积累，弹幕、连麦、打赏等互动场景倒逼出了技术创新；科大讯飞的AI主播“小百惠”从媒体播报场景中生长出来，今年已能与真人主持同台对话；京东的言犀数字人，则依托于多年电商供应链的深厚积淀。

然而，将模型真正融入真实场景的每一步，都需要通过工程化手段精雕细琢。

例如，虎牙为VAM设计了三阶段训练流程：首先确保稳定性，故意输入模糊、抖动的劣化画面进行训练；然后追求真实感，利用偏好优化算法在唇形、表情、动作之间取得平衡；最后提升速度，将生成步骤从20步压缩至4步，并通过自我校验减少误差。

百度一镜则依靠编剧、导演、剪辑三个AI智能体以及80多个技能组件，将播客、带货视频的生产流程改造为流水线作业。

在大模型时代，只拥有技术的公司是“拿着技术找场景”；而拥有高频交互场景的公司则是“在场景里生长技术”。本届WAIC释放的信号表明，下半场或许属于后者。

稳、真、活：数字人必须跨越的三道工程难题

所谓“工程化”，并非简单的API调用，而是将模型能力与企业复杂的业务流程、私域数据、安全合规要求以及现有IT架构进行深度融合。它要求技术团队不仅要精通算法，更要理解业务，能够将抽象的模型能力转化为具体、可执行、可量化的生产工具。这正是虎牙强调的“真正将模型能力转化为企业生产力，放大模型效能的技术核心”。

以直播为例，AI生成长时间视频时会产生累积误差，运行久了容易出现五官偏移、动作撕裂。一个随时可能“脸崩”的主播，品牌方不敢使用，观众也无法留住。

虎牙基于DiT架构的VAM 1.0率先解决了这一难题。它生成的数字人能够在24小时实时直播中保持稳定，不崩坏、不变形，还能在直播间长时间唱歌、跳舞，即使换装也不会黑屏。通过DPO偏好优化算法，实现了高质量的唇形同步，声音具有独特辨识度，听声即可识“人”；生成的也不是一个漂浮的头像，而是会拂头发、做手势、抛硬币的完整身体。

除了“拟人”，还需要具备互动能力。在短视频赛道，百度一镜正尝试让数字人在访谈节目中像真人一样自然插话，与嘉宾进行深度对话。在社交赛道，Soul重点展示了基于自研交互大模型SoulX打造的实时数字人方案，可实现自然对话、表情动作同步生成，覆盖AI直播、内容创作等多种场景。

而在虎牙的直播间里，数字人的强互动能力显著提升了娱乐性。用户说话时数字人会点头，被夸奖时会露出愉悦表情。当每秒几十条弹幕和语音同时涌入时，VAM 1.0创造的数字人能像真人主播一样判断优先回应哪条——这正是全双工实时对话能力的体现。

稳、真、活构成了数字人行业的“不可能三角”：要么稳定但虚假，要么真实但缓慢，大多数方案只能兼顾其中一项，这是行业的真实现状。但虎牙、百度、Soul等平台展示的方案，至少证明这张“不可能”的考卷，是有解的。

以工程化为基石，推动AI成为普惠生产力

数字人正式上岗后，会发生什么？

从企业内部来看，这将带来成本结构的重塑。

以直播为例，其本质是“人力密集型生意”。新增一个直播间或延长一段直播时长，就需要对应增加一位主播和整套配套团队，长时间运营意味着高昂的追加成本。数字人正在改写这一等式。

这笔账同样会算到虎牙的主业上。虎牙正在打造一个规模化、7×24小时运转的数字人直播间网络。矩阵汇聚流量，流量再反哺游戏发行，发行业务的根基将越筑越牢。

但企业内部成本账算通之后，需求侧还剩下最关键的一关：账目必须算得平。

降本曲线已经持续运行了几年：近年来，模板化的2D数字人价格已下探至几百元档。如今，交互型数字人也开始跟上，按照虎牙公布的路线图，VAM 1.2版本的推理成本将再下降50%以上。

虎牙CEO黄俊洪表示：“直播平台的内容供给将从线性增长走向指数增长，内容的边际成本随规模持续下降，成本结构随之改善，利润空间自然打开。”

对数字人行业而言，这并非存量生意的改善，而是增量空间的拓展。过去只有大品牌才能负担的超写实数字人，正在下沉到中小商家的直播间；文旅、陪伴等那些“想要但算不过账”的长尾需求，也将一批批被激活。可以预见，数字人的下半场，将是由工程落地能力驱动的AI普惠生产力释放。谁的数字人更稳、更真、更活，谁的账目算得更平，谁就能拿下更多岗位。

这场大考没有终点，但答卷已经开始计分。