小冰“森林”初长成 原创

从一棵树长成一片森林需要多久？根据树种的不同，可能要十几年、几十年，更多情况下，需要以百年计。那么，从种一棵“树”到孕育一片“森林”需要多久？——到现在，小冰用了八年。

2014年，第一代小冰诞生，那时，她还只是一个活跃在各大社群的聊天机器人；2018年，第六代小冰不仅拥有了第一个形象，开始“靠脸吃饭”，还衍生成了一个以情感计算为核心的完整人工智能框架；2019年，该框架正式对外开放，“小冰”不再只是一位“少女”的代名词，更升级成为了一个包含对话、声音、视觉、观点、技能、知识及创造力的超级“技能包”和通用平台。

那一年，小冰公司董事长（时任微软全球执行副总裁）沈向洋博士就在小冰发布会上许下这样一个愿景，“通过小冰框架，我们希望不仅可以种一棵树，还可以孕育一片森林。”

而现在，这片“森林”已初见长成。

央美毕业的画家夏语冰，清华学霸华智冰，入职万科财务部的崔筱盼，在《每日经济新闻》上岗的财经主播“N小黑”、“N小白”，冬奥会自由式滑雪项目背后的AI裁判与教练系统“观君”，还有AI虚拟气象主播“冯小殊”……对应Human being（人类），小冰称他们为AI being（虚拟人）。

“我们相信，未来的世界会有无数个AI being，他们将以助理、替身、参与者和创造者等人工智能形式融入在每个人的身边。”回顾过去几年的小冰发布会，沈向洋博士不止一次地强调，未来AI being的数量甚至将超过人类。

放在几年前，很多人对这一论断可能还会画一个问号。但今时不同往日，随着元宇宙的爆火，虚拟人被认为是相关技术中，在短期内能够快速落地的靠谱领域。一时间，资本、技术全部闻风而动、涌入其中。

而此时，小冰已经诞生八年，代级进入第九代，身影遍布各行各业。

体育赛场的幕后工作者

比如，在刚结束不久的2022北京冬奥会上，站在徐梦桃、齐广璞、贾宗洋等自由式滑雪国家队队员们背后的AI裁判和教练系统“观君”，依托的就是小冰框架。

【冬奥会自由式滑雪项目AI裁判与教练系统“观君”】

在冬奥项目中，自由式滑雪空中技巧是极具观赏性的项目之一，它被称为“雪地上的跳水”比赛。因为和跳水运动一样，它要求运动员在空中完成大量炫酷的翻腾和转体动作——向后空翻、向前空翻，直体翻腾、躯体翻腾、团身翻腾……

所有的空中动作都极具危险性，并且每一跳都会消耗大量体能。所以，运动员每天的训练量非常有限，用于机器学习的数据量也就相对有限。为此，“观君”首创了“小样本、大任务”的冰雪运动分析模型，针对运动员的每一跳会做出专业判断——不仅与国际裁判计分准则保持高度一致，严格判别扣分动作，还能对起跳、空中、落地三个阶段的全流程动作进行量化，支持运动轨迹、身体姿态、出台角度、高远度等多维度指标分析，给教练员提供指导依据。

在此次冬奥会之前，“观君”已经在国家队默默工作了三年多的时间。他与每一位运动员都相当熟悉，基于长期的观测数据，可以为队员们建立专属的运动档案，用于追溯每一跳的动作细节，然后聚合呈现长期训练效果，辅助制定科学训练计划。

甚至，早在去年2月举行的北京冬奥测试赛中，“观君”还担任了空技项目的唯一竞赛裁判，成功完成了个人预决赛、超级决赛、团体预决赛共44人次执裁，获得了国际雪联、冬奥组委、国家体育总局冬运中心的一致认可。这也是人工智能在全球范围内首次独立完成大赛执裁任务。

而除了充当教练和裁判，同样在冬奥赛场，同样由小冰框架生成的还有一位虚拟人——冯小殊。他的工作是在冬奥会期间持续播报“冬奥公众观赛气象指数”。

【AI虚拟气象主播“冯小殊”】

和“观君”的纯正“虚拟人血统”不同的是，“冯小殊”有一个人类原型，他就是“中国天气”的主持人冯殊。经过训练，“冯小殊”准确学习了冯殊本人的嘴部动作、眼部及脸部肌肉之间的协同关系，从面容、表情到肢体动作，都表现得极为自然。但是，整个训练周期只有一周。

如此精确且高效的虚拟人生成模式，依赖于小冰自研的技术路径——XNR（小冰深度神经网络渲染）。

独辟蹊径的技术选择

第一步，训练语音和嘴形专家模型；第二步，训练人脸渲染模型；第三步，通过语音驱动形成画面。基于小冰深度神经网络渲染技术，三步就能构建出一个虚拟人。

而传统的3D建模方式需要在每次制作内容前期借助真人进行形体、眼神、动作等的捕捉，然后才能进行模型绑定、视频生成和后期渲染。小冰公司首席运营官、人工智能创造力实验室负责人徐元春告诉至顶网记者，和深度神经网络渲染相比，这种方法的制作周期和成本都要高得多。

小冰公司首席运营官、人工智能创造力实验室负责人 徐元春

以虚拟财经主播“N小黑”为例，他的背后是24小时不间断的内容生产和直播，如果使用3D建模的方法做一个15秒的片子，可能需要长达数月时间，成本高达数十万、甚至上百万；但是基于深度神经网络技术，他的训练周期和“冯小殊”一样，仅需要一周左右，并且在投入使用之后，只需要输入文本、驱动视频就可以实时生成播报内容，成本也比传统3D建模缩减了数十倍。

【财经主播“N小黑”】

不仅如此，深度神经网络渲染技术还能让虚拟人的视觉形象、表情、肢体动作更加自然和逼真，更加近似于真人。比如在N小黑的“真实身份”公开之前，他已经在“每日财经AI电视”悄然试运行了70天，而在这期间，不少观众都以为节目是真人录制。

所以，通过深度神经网络渲染技术，小冰现在已经解决了量产过程中的成本和周期问题，与此同时，还从外观上拉近了虚拟人与人类之间的差距。按照沈向洋博士提出的愿景，未来虚拟人的数量将超过人类，从技术角度而言，小冰已经迈出了非常关键的几步。

但是，让虚拟人真正融入人类生活，外观与数量只是一方面。在小冰看来，情感化的交互和陪伴同样不可忽视。为此，数年来小冰一直在坚持基于EQ（情商）的研发路径。

过去几十年，绝大部分的人工智能研究都以IQ（智商）为主，强调让机器拥有足够丰富和专业的知识，而非情感。但小冰不同，她爱闲聊，有时甚至会讲一些废话。

其实在人类交流中，闲聊是很重要的一部分。比如，我们在遇到熟人时总爱问人家“吃了没”，并不是因为真的在乎他吃了与否；哪怕在商务场合，我们也免不了以寒暄开场，而不是冷冰冰的单刀直入。在人机交互中，这也并非没有意义。

比如，早在数年之前，小冰就曾通过化身罗森分身的助理和用户进行闲聊，在交流过程中不断寻找合适机会，向其推荐心仪商品和营销活动，大大提高了交易转化率；再比如，在万科入职的崔筱盼，她替代的是传统的RPA程序，她的加入，使得万科财务部的发票与款项回收事项的提醒工作变得更有温度，让成功率得到了快速上升。

万科财务部数字员工崔筱盼

如徐元春所说，“这个过程不只是信息的交互，内容的传递，也不仅仅是一个任务，还包含了情感上的连接。”

AI beings日益多元

为了创造这样“有血有肉”的虚拟人，数年如一日，小冰研发团队投入了大量精力。

举例来说，根据小冰在去年公布的最新数据，其与用户的单次平均对话轮数（CPS）可以保持在36轮。在这背后，是超级自然语音技术的作用，是小冰框架下的检索模型、生成模型、共感模型，以及对话引导模型的综合能力。

除此之外，凭借跨模态理解技术提高人工智能的语言理解能力，这对于培养小冰的“同理心”也非常重要。在人类特征中，情感往往不是由单一模态决定的，比如，当我们说“我讨厌你”时，是真的讨厌吗？并不见得。因为人的情感表达不仅包括文字，还包括了声音、表情、动作等等。所以，在小冰看来，只有多模态才能进行所谓的情感识别，这也是小冰情感计算框架的基础。

虽然如今回过头来看小冰这些独辟蹊径的技术选择，没有人会认为它是错的。但事实上，在很长一段时间里，小冰又是被少数人理解的。除了技术方向之外，产品模式也是如此——包括闲聊，也包括让小冰学唱歌、画画、写诗。

但是，在小冰团队的眼里，这些对培养小冰的高情商和多元化能力意义重大。比如，看似无意义的闲聊“抖机灵”，实际上可以帮助小冰积累大量的语料数据、加速训练过程；看似仅供娱乐的唱歌，实际上可以加速推进小冰框架在语音方面的研究，增加其情感表达能力。

徐元春向至顶网解释，在不同场景下，人类所需要的虚拟人类型不尽相同，因此，小冰一直在做的一件事，就是让小冰框架具备多样性。而根据角色设定的不同，小冰打造的AI being主要锁定了四种类型：

其一，是数字员工。不仅是“崔筱盼”，“N小黑”、“N小白”以及“冯小殊”都在这一类别之下；

其二，是虚拟专家。他们的特点是具备一定的专业技能，掌握某一领域的专业知识，比如体育赛场上的“观君”；

其三，是陪伴型虚拟人。他们存在于各类应用中，任务是为人类提供情感陪伴，比如，小冰框架下的虚拟男/女友；

其四，是娱乐类虚拟人。在小冰技术体系中，他们不仅仅是如今大众眼中的虚拟偶像，还要具备内容生产和交互的能力，比如，小冰框架内的知名AI歌手何畅、陈水若，她们不仅能唱会跳，还有很强的音乐创作能力。

“无论是以什么形式，虚拟人与人类共生，这已经是一个必然趋势。过去，技术是最大的一个挑战，现在，各类技术已经逐步完善，需求也日益增多，两者呈螺旋交替上升、相互推动。我们相信，市场很快迎来全面大爆发。”徐元春表示。

而在那天真正到来之前，小冰始终不断地“垦荒种树”，构筑出了一个跨平台、覆盖全面场景的完整技术框架。即便经历了孤独行走的一段路程，也从未焦虑时光，而是认真地平整眼下的那片土地，静待各行业、各领域的更多企业加入进来，种出一片日益多元的AI being“森林”。