11月7日消息，阿里巴巴多個(gè)團(tuán)隊(duì)正聯(lián)合研發(fā)由數(shù)字人全面接管的終端交互引擎。預(yù)計(jì)第一款“數(shù)字人+終端”產(chǎn)品將在2023年一季度讓用戶體驗(yàn)。

項(xiàng)目集合達(dá)摩院NLP、語音、視覺、3D構(gòu)建驅(qū)動(dòng)及大模型領(lǐng)域團(tuán)隊(duì)，和天貓精靈AliGenie交互系統(tǒng)專家。就像手指觸屏奠定智能手機(jī)交互，大模型數(shù)字人將接管未來智能交互。2022年開始，達(dá)摩院多模態(tài)大模型開始應(yīng)用于天貓精靈語音搜索與百科場景。各方目前將合作場景推向AliGenie交互的系統(tǒng)層和用戶感知層。

(資料圖片)

數(shù)字人領(lǐng)域正由喧囂轉(zhuǎn)向理性。雖然高精度高顏值的人偶形象不斷出現(xiàn)，但絕大部分場景缺乏與用戶的持續(xù)性、個(gè)性化互動(dòng)，進(jìn)而商業(yè)化規(guī)模有限。如，只能在短視頻和動(dòng)畫中存在的虛擬偶像。或只在單一設(shè)備或界面中面向大眾支持問答的虛擬員工，這些形態(tài)缺乏大模型訓(xùn)練和大規(guī)模交互，無法個(gè)性化學(xué)習(xí)升級，用戶感受就像“沒有靈魂”。

數(shù)字人Inside，接管終端——?jiǎng)t是阿里巴巴正在嘗試的新方式。云棲大會(huì)上，阿里巴巴集團(tuán)研究員李小龍透露列舉了達(dá)摩院積累的包括多模態(tài)大模型、語音、自然語言、3D構(gòu)建驅(qū)動(dòng)、各個(gè)領(lǐng)域近兩年百項(xiàng)專利與頂會(huì)論文，通過將這些成果，在諸多交互場景驗(yàn)證，一個(gè)多模態(tài)大模型為基礎(chǔ)的數(shù)字人的引擎已初顯雛形。

圖：李小龍介紹全新數(shù)字人引擎技術(shù)架構(gòu)

天貓精靈產(chǎn)品規(guī)劃負(fù)責(zé)人盧勇介紹，接入AliGenie系統(tǒng)的終端已覆蓋4000多萬家庭、包含1600多個(gè)品牌的4.6億已接入產(chǎn)品，能讓數(shù)字人在可持續(xù)、大規(guī)模、組合式的場景與用戶交互。AliGenie此前公布，僅智能音箱產(chǎn)品每月交互80億次以上，70%是主動(dòng)型服務(wù)。許多消費(fèi)硬件領(lǐng)域廠商，也迫切希望有超出單一連接、單一設(shè)備對話的智能體驗(yàn)。

以多模態(tài)大模型驅(qū)動(dòng)的智能化，理論上也非常適合缺乏數(shù)據(jù)、場景碎片化的智能終端場景。例如，由通義多模態(tài)大模型（BroadScope）訓(xùn)練的數(shù)字人，可以具備可泛化的認(rèn)知驅(qū)動(dòng)能力，數(shù)字人根據(jù)音樂進(jìn)行舞蹈、根據(jù)文字產(chǎn)生行動(dòng)，改變了過去完全要單一維度數(shù)據(jù)訓(xùn)練的模式，能夠讓數(shù)字人遷移場景進(jìn)行服務(wù)。

圖：大模型將提升數(shù)字人的自主對話能力

在云語音語義技術(shù)方面，Gartner 2022報(bào)告顯示，阿里綜合能力居全球第二。阿里團(tuán)隊(duì)還在Wizard of Wiki（知識對話）、Commonsense QA（常識問答）和VQA（視覺問答）三項(xiàng)全球評測中連續(xù)獲得冠軍，并超過人類能力基準(zhǔn)。

以天貓精靈日常對話場景為例，通過大模型底座進(jìn)一步訓(xùn)練的對話大模型mPLUG-dialog，將可能成為包含知識、情感、個(gè)性、記憶的全新交互系統(tǒng)。

在內(nèi)容上，不再是單純地按知識庫或搜索結(jié)構(gòu)在檢索和回答問題，而是綜合這四個(gè)維度，努力給出更有趣更有情商的回復(fù)，在聲音上，不再是字正腔圓的播報(bào)音，會(huì)包含更豐富更細(xì)膩的情緒。實(shí)時(shí)溝通時(shí)，AI不僅能被隨時(shí)打斷，也能穩(wěn)定接茬，還會(huì)主動(dòng)追問。

關(guān)鍵詞：