【环球网科技综合报道】7月18日消息,虎牙公司董事长林松涛在2026世界人工智能大会(WAIC)期间表示,真实场景是AI价值的第一现场,终端是AI普及的最后一公里。当前模型能力的差距在收窄,但工程化的差距在拉开;AI普惠的标志不是最强的人变得更强,而是普通人用AI不再普通。随后,虎牙公司CEO黄俊洪的演讲则为这一理念提供了来自游戏***景的具体注脚,虎牙自研的实时多模态数字人VAM1.0,正是在一个真实的、7×24小时运转的场景中生长出来的AI应用。
沙利文最新报告数据显示,中国数字人赛道年复合增长率达52%,约为全球增速的1.5至2倍,亚太是最大的增量市场。
此次亮相的VAM1.0,正是虎牙围绕上述行业痛点打造的最新技术成果。作为基于DiT架构的实时多模态数字人基础模型,黄俊洪一句话概括其能力:"给它一张静态照片,它还你一个能实时说话、实时聆听、实时反应的虚拟人。不是预渲染,不是录播,是每一帧都在线生成。"
VAM***用三段式训练体系,一阶让它稳,通过多参考帧加运动帧锚定形象;二阶让它真,利用偏好优化算法在多目标间找到平衡;三阶让它快,推理步骤大幅压缩并引入自纠错机制。"总结来说,就是让它不崩,让它好看,让它省钱",黄俊洪表示。性能方面,在同等推理集群下,VAM达到36.4帧每秒、首帧1.3秒,与八个主流模型对比,推理最快、延迟最低,四项核心指标全面领先且算力开销更低。
黄俊洪特别强调了VAM的交互特性,原生覆盖静默、聆听、说话三种状态。用户说话时数字人点头注视,停下来它自然接话,打断它立刻反应,弹幕和语音双通道驱动。在他看来,这是虎牙的场景优势:"大多数模型只学过怎么说,没学过怎么听。虎牙泡在直播间十几年,观众不会等你说完再发弹幕。场景,倒逼出了技术。"(旺旺)