獨家 | 對話百度副總裁平曉黎：深度復盤數(shù)字人業(yè)務邏輯

出品｜虎嗅科技組

作者｜苗正卿

題圖｜視覺中國

數(shù)字人正在被百度內部視為帶來增長的“關鍵武器”。

虎嗅獨家獲悉，百度內部預計將在2025年下半年加大對數(shù)字人項目的投入。內部針對數(shù)字人的評估與考核維度，主要以客戶量（使用數(shù)字人產(chǎn)品的B端用戶），用戶量（觀看百度數(shù)字人相關直播、短視頻等內容的C端用戶），以及由數(shù)字人帶來的廣告營銷收入三個方面為主。

目前，百度的數(shù)字人項目隸屬于百度電商業(yè)務（百度優(yōu)選），由百度副總裁、百度電商總經(jīng)理平曉黎為一號位。

另據(jù)虎嗅獨家掌握的信息，百度電商在2023年成為一級事業(yè)部后，目前保持了持續(xù)盈利，而數(shù)字人是其最重要的收入和利潤增長引擎之一，貢獻了收入增長的大頭。

百度副總裁、百度電商總經(jīng)理平曉黎

今年618期間，百度電商推出了羅永浩“數(shù)字人”，被內部視為2025年的關鍵動作。而此前，百度創(chuàng)始人李彥宏也曾親自體驗過百度數(shù)字人相關技術，并對業(yè)務線表達了信心，他在今年4月百度Create大會上表示：“2025年最令人激動的突破性應用之一，就是AI數(shù)字人”。

在今年WAIC上，百度正式發(fā)布了新一代數(shù)字人技術Nova，讓數(shù)字人進化成為一個多模協(xié)同且具備思考決策能力的AI應用。

近期，虎嗅就百度數(shù)字人業(yè)務發(fā)展的脈絡、內部對于數(shù)字人趨勢的判斷、與其他大廠的區(qū)別等問題，和平曉黎進行了深入溝通，下附溝通實錄（經(jīng)刪減編輯）：

虎嗅：百度整個數(shù)字人業(yè)務，是什么時候決定開始做的？你們內部怎么看待這幾年數(shù)字人的發(fā)展脈絡？

平曉黎：最早是2022年底，當時大模型還沒有出來。當時集團成立了電商事業(yè)部，讓我來負責。我此前負責百度APP，主要負責信息流產(chǎn)品，當時還管百家號、管新聞類內容生態(tài)創(chuàng)作。做這些內容向的業(yè)務時，我接觸了很多創(chuàng)作者，當時我就想，有沒有什么AI技術可以幫這些創(chuàng)作者做更好的內容。數(shù)字人技術，其實是這個時候關注到的。我當時看短視頻里面一些醫(yī)生、律師的節(jié)目，就在想用數(shù)字人替代這些真人可能是一種很不錯的方式。因為他們平時太忙了，不一定有足夠多時間來做視頻和直播。

2022年底，公司成立了電商事業(yè)部，讓我來負責。當時電商行業(yè)里，直播電商已經(jīng)非常火爆了。我當時就思考，數(shù)字人技術能不能來幫助直播。于是我讓團隊做了幾個試水。但礙于當時做出來的“數(shù)字人”更像是僵硬的紙片人，效果確實不太行，它只是具備了一個初級的人形樣子和TTS能力。

第一個轉機是2023年初，ChatGPT發(fā)布了，很快百度自己的文心大模型也發(fā)布了。我很快找到我們的模型團隊，請他們協(xié)助一起做數(shù)字人，希望大模型團隊幫我們解決三個主要的問題：第一是之前數(shù)字人都是人工寫腳本，現(xiàn)在希望靠大模型去生成腳本；第二是希望實現(xiàn)實時互動，數(shù)字人能和用戶去真實的互動；第三是升級數(shù)字人的視覺和語音表現(xiàn)力。

我把2023年起基于大模型完成關鍵進化的數(shù)字人歸類為2.0階段，我們叫超擬真數(shù)字人。當然它是一個持續(xù)進化過程，2023年到2024年，我們都在不斷完善：除了語言能力、互動能力、擬真聲音這些技術要素，也包括了成本的控制與降低。2024年，我們基于超擬真數(shù)字人發(fā)布了一鍵克隆的功能，通過一個5~10分鐘的視頻片段，就能生成一個超擬真數(shù)字人直播間。

從2024年下半年到今年，我們在進入一個新的階段，Robin定義其為“高說服力數(shù)字人”，這是數(shù)字人的3.0階段。這個版本的關鍵點在于數(shù)字人的智能化能力，它已經(jīng)是一個具備思考決策能力的超級智能體了。它的聲音、動作、形象、語言可以實現(xiàn)如真人的協(xié)同一致性，目前市面上絕大部分的數(shù)字人，都沒有完美做到，神形音容的匹配我們認為也是第三個階段的另外的核心特征之一，它已經(jīng)非常像真人了。

你看到的我們618羅永浩數(shù)字人，其實就屬于“高說服力數(shù)字人”范疇。它本身有帶貨能力、有自己的決策和思考鏈，而且從效果上，它的單場帶貨水平并不低于真人。

這里面關鍵的地方，就是感知決策，數(shù)字人可以通過感知到屏幕前用戶的反饋、信息，去實時決策、實時互動。我們這個羅永浩數(shù)字人推出后，很多人都覺得驚訝，覺得太逼真了。

但我覺得，這還不是技術和產(chǎn)品的終點。我們內部認為，數(shù)字人的技術能力還會進一步抬升，尤其是多模態(tài)大模型技術的發(fā)展，會繼續(xù)推動數(shù)字人進化。下一代，可能是超越真人的數(shù)字人。

虎嗅：我還是想再追問一個回溯問題，你接手百度電商后，當時為什么會把數(shù)字人當做一個關鍵方向？

平曉黎：第一個因素是2022年底，百度決定建立電商BU時，公司是思考過自己到底有什么差異化優(yōu)勢，尤其是百度面臨一個現(xiàn)狀“沒有特別多的直播生態(tài)”的前提下，我們的優(yōu)勢到底在哪？我們思考后認為，技術肯定是一個壁壘，因此當時就有一個明確的站位，要做“智能電商”。

這里有兩個切入角度，其一是希望通過AI幫助用戶更好的獲得購物體驗；其二是希望通過AI幫助商家降本增效，吸引商家用更低成本做更大量直播，從而豐富我們生態(tài)的供給。我們想做自己的電商閉環(huán)，讓更多商家包括大量的中小商家，進入我們的生態(tài)。

第二個因素是，2023年年初，我在好幾個產(chǎn)業(yè)帶去拜訪商家，我去看他們的直播間發(fā)現(xiàn)，這些商家的直播成本非常高，相比于傳統(tǒng)貨架電商，這些商家的運營成本增加了很多。這些交流和探訪，讓我很確信，用AI技術做低成本批量化是可以滿足市場剛需的。

虎嗅：你剛才提及2023年初大模型給你的數(shù)字人產(chǎn)品帶來了質變，當時你是怎么說服集團投入這些技術資源給你的？

平曉黎：我覺得這是百度一個特點，百度在做產(chǎn)品的時候是業(yè)務驅動。我們團隊當時先拿出來整個思路，包括產(chǎn)品、運營、客戶等等細節(jié)都想處理了，然后我去和集團匯報了想法，希望可以通過大模型技術推動數(shù)字人進化，從而帶動電商直播業(yè)務。在討論清楚市場需求和業(yè)務戰(zhàn)略后，集團同意了，而且以“高優(yōu)”模式支持了數(shù)字人項目。然后我們就跟集團的大模型技術團隊形成了一個協(xié)同模式。

虎嗅：其實有一些大廠在做數(shù)字人類產(chǎn)品時，是技術團隊牽頭業(yè)務協(xié)同，你們好像是反過來的？

平曉黎：我覺得業(yè)務牽引非常重要，產(chǎn)品終究是服務于市場、服務于用戶的，一定要從市場需求出發(fā)、從用戶痛點出發(fā)。純粹技術去牽引，他們可能會追求高精尖的技術，但高精尖的技術有時候不一定能解決真實業(yè)務場景的問題。

我團隊內，業(yè)務運營、產(chǎn)品經(jīng)理會成為整個數(shù)字人產(chǎn)品技術發(fā)展的牽引力，當然我會要求他們去知道技術的能力和邊界在哪。業(yè)務和產(chǎn)品經(jīng)理最大的價值是對于需求場景有深刻的理解，并基于這些理解去給出優(yōu)化方向。

舉個例子。之前我們和技術溝通，技術給出的技術方案是，要讓商家到“綠幕”里錄制，然后基于這個錄制樣片，去生成新的克隆體。技術覺得，這樣錄出來的底板最好用。但這顯然不是真實的業(yè)務場景。哪個商家會去給你找個綠幕錄制呢？這個門檻高到?jīng)]有人會用。于是我們的PM明確告訴技術，就是希望通過已經(jīng)播出過的直播畫面或者已有的畫面去生成。可以輸入一段5~10分鐘的“底板視頻”（直播回放），剩下的需要技術去搞定。

再比如，當時有技術反映說，這些底板視頻中，不能出現(xiàn)手遮擋嘴的畫面。這顯然也不現(xiàn)實，不能說手遮擋了一點嘴，你就生成不出視頻了。為什么我們堅持PM主導，就是為了站在商家和用戶視角去引導技術解決問題。

虎嗅：你們內部，業(yè)務說服技術是一件很輕松的事情？

平曉黎：倒也不是那么容易，但整體氛圍是好的。CEO希望大家開放共創(chuàng)，從我們實操角度，我覺得“講道理”是非常重要的，拿真實用戶場景事實或數(shù)據(jù)來說話，然后充分討論、達成共識。

比如這次羅永浩數(shù)字人直播的技術。這是我們3.0階段的技術，在研發(fā)這代數(shù)字人技術時，PM會先給出頂層設計框架，比如希望數(shù)字人語音和動作匹配、有AI大腦可以根據(jù)直播間實時信號決策、可以調度多智能體協(xié)同執(zhí)行任務等等。

比如我們希望這代數(shù)字人可以實現(xiàn)“神形音容一致”。技術看到我們這個框架后，最初說需要主播錄制一個時長1小時、涵蓋各種動作表情的視頻，作為輸入然后再根據(jù)新的劇本要求去生成。我們就告訴技術，這在實操上是不現(xiàn)實的，必須拋棄“傳統(tǒng)綠幕錄制”的思路。

我們講了一個很簡單的道理。綠幕錄制出的底板視頻，和真實的直播回放，其實是很不一樣的。真實直播，主播充滿激情、狀態(tài)特別好。在綠幕里錄制出來的，主播是完全沒有這樣的精氣神的。作為底板輸入，對主播的表現(xiàn)力也是有要求的，而只有真實環(huán)境下主播的表現(xiàn)力最好，作為下一步生成的輸入效果會更好，我們也據(jù)此做了AB數(shù)據(jù)驗證，證明了這個判斷。

當然，我覺得這里面還有一個關鍵點，就是業(yè)務不能拍腦袋提要求，你必須要理解技術的能力和邊界。但這可能需要一些小技巧，比如業(yè)務有時候要“逼”一下技術，才能真正了解到當下技術的邊界在哪。以及有的地方，并非靠技術而是要靠業(yè)務本身的運營能力和交付能力去彌補提高的。

虎嗅：能感覺出來，PM其實是你團隊里很重要的一撥人，你大概有多少PM參與到數(shù)字人里？

平曉黎：大約幾十個。這里面有一些核心是從2023年一路參與數(shù)字人項目成長起來的。

虎嗅：你們是怎么設定自己的目標的？百度內部是如何去評估數(shù)字人這個項目，它的評估維度是什么？

平曉黎：首先肯定是用戶量維度的，我們現(xiàn)在也不僅僅把數(shù)字人用到電商業(yè)務里，包括一些數(shù)字分身業(yè)務，數(shù)字人也在做。公司對數(shù)字人的期望，也是希望它能成為一個非常有影響力的AI應用，去服務全行業(yè)。

另外一個是收入相關的。數(shù)字人非常有力地推動了在線營銷廣告收入的增長。它現(xiàn)在起到的作用很明顯，公司對它的預期還是挺高的。

虎嗅：數(shù)字人這個項目的成本，是你團隊自己承擔還是？

平曉黎：對，它納入到電商業(yè)務事業(yè)部里面，電商業(yè)務事業(yè)部的收入、利潤都有明確的要求。我們數(shù)字人做訓練的卡、成本都是我們自己承擔的。我作為這個BU負責人，也會去跟公司財務對每個季度、年度的目標。BU是一直持續(xù)盈利的，可以覆蓋數(shù)字人的基本成本。

2024年Q3開始，數(shù)字人的收入增長就非常快了，當時我們發(fā)布低成本克隆這個功能，它的規(guī)模就起來了。這里面教育類、大健康類、水果生鮮類客戶都明顯增多。今年我們拓展到了汽車、醫(yī)生、律師這些場景。

虎嗅：那下半年，你們關于數(shù)字人會有什么新的目標或者考核維度嗎？

平曉黎：主要還是用戶量，這里面還有開播量，就是數(shù)字人商家的開播量；以及收入。我們還會增加一些用戶指標，比如說看播量等。

市場熱度起來后，我們今年重點肯定是要把新一代數(shù)字人技術Nova平臺化，并開放給全行業(yè)。其實今年年初，CEO對數(shù)字人的發(fā)展就提出了新的要求，我們希望讓盡可能多的人用我們數(shù)字人的技術、產(chǎn)品。我們整體上的判斷是，在一些場景和賽道上，數(shù)字人是可能超越真人的。我們今年其實整體的方向都是基于這個年初的判斷和規(guī)劃。

如對本稿件有異議或投訴，請聯(lián)系tougao@huxiu.com

End