陳天橋旗下盛大AI東京研究院正式亮相，揭曉數(shù)字人和世界模型成果

機器之心發(fā)布

在 SIGGRAPH Asia 2025 期間，盛大集團（Shanda Group）旗下，盛大 AI 東京研究院（Shanda AI Research Tokyo）以展臺活動、BoF 學術討論與頂尖教授閉門交流等形式完成首次公開亮相，標志著盛大在數(shù)字人的 “交互智能(Interactive Intelligence)” 與世界模型的 “時空智能(Spatiotemporal Intelligence)” 等兩大方向的研究，正式登上國際頂級學術與產(chǎn)業(yè)舞臺。

這一全新范式是盛大集團創(chuàng)始人陳天橋長期愿景的直接體現(xiàn)。他多年來對腦科學與 AI 融合研究的戰(zhàn)略投入，以及在 TCCI 首屆 AI 驅(qū)動科學研討會（AIAS 2025）上系統(tǒng)闡述的 “發(fā)現(xiàn)式智能”（discovery intelligence）理念，共同強調(diào)了智能體認知基底的重要性。而「交互智能」的實現(xiàn)，也得益于盛大集團旗下 EverMind 團隊產(chǎn)品 EverMemOS 的能力互補，彰顯了集團內(nèi)部強大的技術協(xié)同生態(tài)。然而，在將這一宏大構想付諸現(xiàn)實的道路上，整個行業(yè)正面臨著深刻的共同挑戰(zhàn)。

圖 1 盛大集團創(chuàng)始人陳天橋闡述 “腦科學與 AI 融合” 的戰(zhàn)略愿景，強調(diào)智能體認知基底的重要性。

問題的核心：

為何當下的數(shù)字人交互缺乏 “靈魂”？

盡管當前的數(shù)字人技術已經(jīng)能夠創(chuàng)造出與真人無異的視覺形象，但用戶在與之互動時，普遍會感到一種難以言喻的 “空洞感” 或 “斷裂感”。這種交互上的 “靈魂缺失” 并非微不足道的瑕疵，而是導致數(shù)十億美元投資于視覺特效的數(shù)字資產(chǎn)，至今仍未能帶來真正有意義用戶粘性的根本原因。這種 “靈魂感” 的缺失，并非單一技術問題，而是源于三個層面的系統(tǒng)性挑戰(zhàn)：

長期記憶與人格一致性： 標準的通用大語言模型（LLM）在長時間對話中，往往難以維持穩(wěn)定的人格設定，出現(xiàn)所謂的 “人格漂移”（persona drift）現(xiàn)象，導致敘事邏輯前后矛盾。真正的 “記憶” 不僅是對過往事件的回溯，更是維持個性、習慣和世界觀連貫性的基石。缺乏這一能力，數(shù)字人便無法形成可信賴的、持續(xù)的身份認同。

圖 2 盛大 AI 首席科學家鄭波博士深入剖析數(shù)字人 “靈魂缺失” 的核心難題，并確立了以 “交互智能” 和 “時空智能” 為核心的研究目標。

多模態(tài)情感表達的缺失： “靈魂感” 很大程度上源于人類豐富的非語言交流。然而，目前的數(shù)字人普遍存在 “僵尸臉（zombie-face）” 現(xiàn)象 —— 在傾聽或思考時面部僵硬，缺乏自然的微表情和反應。真正的沉浸感來自于語音語調(diào)、面部表情、眼神乃至肢體動作的協(xié)同作用，它們共同構成了情感表達的完整層次，而這正是當前技術的薄弱環(huán)節(jié)。

缺乏自主進化的能力： 大多數(shù)數(shù)字人本質(zhì)上仍是一個被動的 “播放系統(tǒng)”，根據(jù)預設腳本或?qū)崟r指令做出反應，而不能從交互中學習和成長。它們無法自主適應用戶偏好、修正錯誤認知或發(fā)展出新的行為模式。這種自我進化的能力，是智能體從 “模仿” 走向真正 “智能” 的關鍵分水嶺。

這三大挑戰(zhàn)共同作用，導致了當前數(shù)字人交互體驗的淺層化和碎片化，使用戶難以建立真正的情感連接。如何系統(tǒng)性地攻克這些難題，不僅是技術上的挑戰(zhàn)，更需要頂層的戰(zhàn)略遠見。

圖 3 香港大學教授、SIGGRAPH Asia 大會主席 Taku Komura (左) 與早稻田大學教授 Shigeo Morishima (右) 在盛大 AI 閉門研討會上發(fā)表致辭。

業(yè)界共鳴：

SIGGRAPH Asia 閉門研討會的深刻洞見

陳天橋的遠見得到了行業(yè)的驗證。解決上述挑戰(zhàn)的緊迫性，并非盛大 AI 的內(nèi)部洞見，而是一個由行業(yè)頂尖頭腦共同鑄就的明確共識。2025 年 12 月 17 日，在香港 SIGGRAPH Asia 大會期間，恰逢其 Mio 技術報告于前一日（12 月 16 日）公開發(fā)布之際，盛大 AI 東京研究院（Shanda AI Research Tokyo）主辦了一場高端閉門晚宴及專題研討會。這場活動匯聚了來自學術界和產(chǎn)業(yè)界的頂尖專家，旨在通過思想的深度碰撞，共同擘畫數(shù)字人技術的未來藍圖，并即時探討 Mio 報告所帶來的突破性啟示。

與會的專家學者陣容強大，包括：

• Prof. Taku Komura (香港大學，Siggraph Asia 大會 General Chair)
• Prof. Shigeo Morishima (早稻田大學，日本數(shù)字人協(xié)會主席，真人自動化復刻到電影的第一人)
• Prof. Erwin Wu (東京科學大學)
• Prof. Xiangyu Yue (香港中文大學)
• Prof. Anyi Rao (香港科技大學)
• Prof. Yuan Liu (香港科技大學)
• Prof. Xiaoguang Han (香港中文大學)

圖 4 來自港大、港中大、港科大及東京科學大學的頂尖學者在 Panel 環(huán)節(jié)深度探討 “交互智能” 的未來。

在這場高水平的對話中，專家們達成了一個清晰的共識：當前數(shù)字人發(fā)展的瓶頸已從視覺表現(xiàn)力轉向了認知和交互邏輯。他們一致認為，未來數(shù)字人的核心競爭力將體現(xiàn)在其「交互智能」上，即必須具備長期記憶、多模態(tài)情感表達自主演進這三大關鍵能力。這三大支柱，由業(yè)界最敏銳的頭腦共同確立，正是 Mio 的核心模塊 —— 認知核心、多模態(tài)動畫師及自主演進框架 —— 被系統(tǒng)性地設計出來旨在解決的精確挑戰(zhàn)。

正是基于這樣的行業(yè)共識與自身長期的技術探索，盛大 AI 東京研究院系統(tǒng)性地推出了自己的解決方案。

Mio 的誕生：

盛大 AI 對「交互智能」的系統(tǒng)性解答

為了迎接這一行業(yè)共同的挑戰(zhàn)，盛大 AI 東京研究院正式推出了Mio（Multimodal Interactive Omni-Avatar）—— 一個旨在實現(xiàn)「交互智能」（Interactive Intelligence）的端到端系統(tǒng)性框架。Mio 的誕生標志著一個分水嶺時刻，其設計理念是將數(shù)字人從一個被動執(zhí)行指令的 “木偶”，轉變?yōu)橐粋€能夠自主思考、感知并與世界互動的智能伙伴。

圖 5 Mio 系統(tǒng)的端到端交互閉環(huán)演示 —— 從感知用戶情緒（User Input）到 Thinker 進行認知推理，再通過多模態(tài)模塊（Face/Body/Speech）生成撫慰性的反饋動作。

該框架由五個高度協(xié)同的核心模塊構成：

認知核心 (Thinker): 為克服標準 LLM 固有的 “失憶癥” 和人格漂移問題，Mio 的 “大腦”——Thinker 模塊 —— 采用了一種革命性的 “介于敘事時間的知識圖譜”（Diegetic Knowledge Graph）。該架構為每條信息標記了 “故事時間”，確保數(shù)字人絕不會 “劇透”。在 CharacterBox 基準測試中，其人格保真度超越了 GPT-4o，并在防止劇透測試中取得了近乎完美（超過 90%）的成績。同時，其 “無數(shù)據(jù)自訓練” 機制賦予了數(shù)字人通過自我博弈不斷進化的能力。

語音引擎 (Talker): 該模塊利用高效的離散化語音表征技術，能夠生成與當前情境、情緒和人格設定高度匹配的自然語音。它不僅保證了對話的流暢性，更是數(shù)字人情感表達的關鍵一環(huán)。

面部動畫師 (Facial Animator): 為徹底消除破壞沉浸感的 “僵尸臉” 現(xiàn)象，該模塊采用了一個統(tǒng)一的 “聽 - 說” 框架。無論是在說話還是傾聽，它都能生成生動、自然的微表情、眼神和頭部姿態(tài)。在用戶研究中，超過 90% 的參與者認為其傾聽反應優(yōu)于業(yè)界領先的競品。

身體動畫師 (Body Animator): 為擺脫笨拙的預設動作，身體動畫師采用新穎的流式擴散模型（Streaming Diffusion），實時地將認知意圖轉化為流暢、連貫的全身動作。這項技術實現(xiàn)了前所未有的突破：在保持實時性的同時，其運動質(zhì)量（FID 為 0.057）達到了與頂尖離線模型相媲美的水平。

渲染引擎 (Renderer): 作為最終的視覺呈現(xiàn)層，渲染引擎確保在任何動態(tài)和視角變化下，都能生成高保真且身份高度一致的視覺形象，將 “靈魂” 的內(nèi)在活動忠實地外化為可信的視覺表現(xiàn)。

Mio 框架通過將這五個模塊無縫融合，實現(xiàn)了從認知推理到實時多模態(tài)體現(xiàn)（embodiment）的完整閉環(huán)，這不只是一次技術的迭代，而是一種全新的架構哲學，標志著數(shù)字人技術從 “形似” 向 “神似” 的決定性跨越。

未來展望與行動號召

Mio 的誕生，標志著數(shù)字人發(fā)展的一次范式轉移 —— 行業(yè)的關注焦點正從靜態(tài)的、孤立的外觀逼真度，轉向動態(tài)的、有意義的交互智能。這并非一個概念上的飛躍，而是可以被量化的巨大進步。在嚴謹?shù)臏y試中，Mio 的整體交互智能分數(shù)（IIS）達到了 76.0，較之前的最優(yōu)技術水平提升了整整 8.4 分，為行業(yè)樹立了新的性能標桿。

圖 6 Mio (紅色) 在認知共鳴、面部同步、肢體流暢度等各項指標上全面超越現(xiàn)有最優(yōu)技術 (藍色)，IIS 總分達到 76.0。

可以預見，「交互智能」將為虛擬陪伴、互動敘事、沉浸式游戲等領域帶來革命性的變革。未來的數(shù)字人將不再是冰冷的程序，而是能夠與我們建立深層情感連接、共同成長的智能伙伴。被動、無聲的虛擬形象時代已經(jīng)結束。我們誠邀全球的研究者、開發(fā)者與創(chuàng)造者社區(qū)，與我們一道構建下一代擁有智能與靈魂的數(shù)字生命。現(xiàn)在，工具已在你們手中。

圖 7 盛大 AI 東京研究院團隊與全球頂尖學者在香港齊聚一堂，共同致力于構建下一代有靈魂的數(shù)字生命。

為了推動這一領域的共同進步，盛大 AI 東京研究院已將 Mio 項目的完整技術報告、預訓練模型和評估基準公開發(fā)布。

• 項目地址: https://shandaai.github.io/project_mio_page/