11月7日消息，阿里巴巴多個團隊正聯合研發由數字人全面接管的終端交互引擎。預計第一款“數字人+終端”產品將在2023年一季度讓用戶體驗。

項目集合達摩院NLP、語音、視覺、3D構建驅動及大模型領域團隊，和天貓精靈AliGenie交互系統專家。就像手指觸屏奠定智能手機交互，大模型數字人將接管未來智能交互。2022年開始，達摩院多模態大模型開始應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交互的系統層和用戶感知層。

(資料圖片)

數字人領域正由喧囂轉向理性。雖然高精度高顏值的人偶形象不斷出現，但絕大部分場景缺乏與用戶的持續性、個性化互動，進而商業化規模有限。如，只能在短視頻和動畫中存在的虛擬偶像。或只在單一設備或界面中面向大眾支持問答的虛擬員工，這些形態缺乏大模型訓練和大規模交互，無法個性化學習升級，用戶感受就像“沒有靈魂”。

數字人Inside，接管終端——則是阿里巴巴正在嘗試的新方式。云棲大會上，阿里巴巴集團研究員李小龍透露列舉了達摩院積累的包括多模態大模型、語音、自然語言、3D構建驅動、各個領域近兩年百項專利與頂會論文，通過將這些成果，在諸多交互場景驗證，一個多模態大模型為基礎的數字人的引擎已初顯雛形。

圖：李小龍介紹全新數字人引擎技術架構

天貓精靈產品規劃負責人盧勇介紹，接入AliGenie系統的終端已覆蓋4000多萬家庭、包含1600多個品牌的4.6億已接入產品，能讓數字人在可持續、大規模、組合式的場景與用戶交互。AliGenie此前公布，僅智能音箱產品每月交互80億次以上，70%是主動型服務。許多消費硬件領域廠商，也迫切希望有超出單一連接、單一設備對話的智能體驗。

以多模態大模型驅動的智能化，理論上也非常適合缺乏數據、場景碎片化的智能終端場景。例如，由通義多模態大模型（BroadScope）訓練的數字人，可以具備可泛化的認知驅動能力，數字人根據音樂進行舞蹈、根據文字產生行動，改變了過去完全要單一維度數據訓練的模式，能夠讓數字人遷移場景進行服務。

圖：大模型將提升數字人的自主對話能力

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

以天貓精靈日常對話場景為例，通過大模型底座進一步訓練的對話大模型mPLUG-dialog，將可能成為包含知識、情感、個性、記憶的全新交互系統。

在內容上，不再是單純地按知識庫或搜索結構在檢索和回答問題，而是綜合這四個維度，努力給出更有趣更有情商的回復，在聲音上，不再是字正腔圓的播報音，會包含更豐富更細膩的情緒。實時溝通時，AI不僅能被隨時打斷，也能穩定接茬，還會主動追問。

關鍵詞：