在 WAIC 百度展台前站了十分钟。
俩数字人在那儿聊天；一个叫林深，人设是量化分析师；一个是甲子光年创始人甲小姐；聊的是：「扔掉旧地图，AI 见 FUTURE」，讲 AI 行业为什么都是 90 后上位。
画质不黑，皮肤纹理、光影、眼神，拉满了；一个抛梗，一个接；不过，我没听他们讲什么，一直在盯脸看，想找点儿什么东西；找了半天，没找出来。
01
然后，我想到另一件事：
上周跟一个朋友打电话，聊到一半问了个问题。那边顿了一下，说：行；就那一下，我就知道，对方可能有点勉强。
判断一个人真不真，你觉得靠什么？
试试。闭眼，想一下昨天同事的脸。想不起来对吧。人脸的细节谁记得住啊。但那个停顿，当场就用上了。都不用「记」。
那把尺子，量的根本不是长相，那量什么？答案答案在毫秒里。
讲过故事你就懂了：
2009 年，一个叫 Tanya Stivers 的学者干了件笨事。录了十种语言日常对话，从纳米比亚沙漠的猎人，到东京街头的上班族。
然后一帧一帧量：上一个人说完，到下一个人开口，中间隔多久；按常识，这里该有巨大的文化差异；北欧人慢，意大利人快，日本人客气。这是常识嘛。
结果？
十种语言，间隔全在 0 到 200 毫秒之间；分布形状几乎一样。日本人平均 7 毫秒，丹麦人四百多毫秒，听着差几十倍，但在人类反应的尺度上，这点差别可以忽略。
200 毫秒什么概念？你只说一个字的时间。
而且，这已经贴着生理极限了，心理学测反应速度的经典办法：发令枪一响你就按按钮，什么都不想，就按，人的极限就在这个量级。
可聊天不是按按钮，你得在他说完之前，听懂、判断、组织、成句。全干完，等他说完再想，200 毫秒早过去了。
每次聊天，都在拿人体反应的极限速度抢答案。
这还不是天生的，小孩接话要等一秒半到两秒。他得确认对方说完了，才敢开口；这个间隔要一直练，练到语言和社交能力都熟透了，才能压到纳米比亚沙漠里那个猎人的水平。
全球统一、误差以毫秒计、练十几年才达标，这就是那把尺子。
它比想的还细，我查了下，同一批数据里，Stivers 他们还发现：
所有语言里，「回答」都比「岔话题」快，「确认」都比「否认」快，翻译：你在反驳之前，会多犹豫几十毫秒。
全人类都这样，几十毫秒。你意识不到，对方也意识不到，这犹豫真存在，而且带着信息：你听懂了，你不同意，或者叫在斟酌怎么说。
所以，对话里的停顿是内容的一部分；停多久，取决于你在同意还是在反驳。
回头看以前的数字人，停顿都是排出来的；这句说完，停 0.3 秒，下一句进来，合情合理，听着也不别扭。
问题是，不管反驳还是同意，它都停 0.3 秒。
所以，每次看数字人，脑子里那把毫秒级的尺子都会报警：这人反驳得太快了，快得像没听懂就开始反对。
报警声递不到意识层面，就只丢上来一个结论：假。
今天在百度展台前，我站了十分钟，一直在等，就看他是不是特别套路，居然没有。
02
我听了讲解。把官方的技术表述剥开，就一个动作：把表情这件事，从「贴标签」改成了「排毫秒」。
先说以前怎么干的。
行业通行做法，给每句话打一个情绪标签。这句开心，脸上挂开心；下句转严肃，切成严肃。一句话三五秒，表情就以三五秒为单位换一次。
这套逻辑在口播里够用，一个人对着镜头念稿，观众注意力在内容上，脸不出戏就行。它有个先天问题：颗粒度太粗。
粗到什么程度？得拿人脸的真实参数来比。
心理学里管那种压都压不住、一闪而过的表情，叫微表情。
最早在一段抑郁症患者的访谈录像里发现的，患者聊着未来的打算，看起来一切正常；录像逐帧回放，才看到一个极痛苦的表情闪过。占两帧，1/12 秒。
后来的研究把区间定了下来：1/25 秒到 1/2 秒。
也就是说，人脸上最带信息量的那部分动作，整个生命周期不到半秒；而以前的数字人，表情三五秒才动一次。
在一个半秒的世界里，用五秒的颗粒度干活；拿分针当秒针使，钟走得再稳，也是坏的。
百度一镜这次动的，就是这两层；第一层，谁来决定脸上该发生什么？
现场听下来，官方讲法是：文心大模型不再给句子打「开心」「悲伤」的标签。
它像导演一样，按情绪、表情、动作、声音、人设、场景六个维度，给每一段戏出一套完整的表情规划。
规划细到什么级别？
Action Unit这名字不懂吧？简单讲，把脸拆成一个个独立的肌肉动作单元；眉毛内侧上抬是一个单元，嘴角单侧上提是另一个。
搞表情研究的人用它编码，用了好几十年了。
以前是「笑一下」，现在是眼神、嘴角、眉毛、面部肌肉分开下指令；官方给的说法更硬：微表情被拆成上百个可单独控制的单元。
第二层，规划出来了，脸跟不跟得上。
这是真难点。导演喊得再细，演员做不出来也白搭。官方给的数字：专精模型把表情控制的时间粒度压到了 1 秒以内，上百个微表情单元在空间上协同，表情、语音、动作在时间上对齐。
1 秒以内，这个数字得掰开看。
往前看，是个跨越；以前三五秒一动，现在压进 1 秒，颗粒度细了快一个数量级；微表情的上界是半秒，1 秒的控制粒度，是第一次真正够得着「微」这个字的边。
往后看，没到头。真人接话的间隔在 200 毫秒上下，反驳前的犹豫差是几十毫秒；1 秒的粒度，离那个世界还差着好几倍。
所以，我认为这次升级的分量在这儿：数字人第一次把手伸进了人类对话发生的那个时间尺度。伸进去了，还没摸到底。
现场有个能力，官方叫「自然插话」，对谈里一个数字人说着，另一个能在合适的点接进来，不是等你彻底说完再启动。
这意味着一件事：说话的人在表演的同时，听的那个人也在演；他的眉毛得在你说到第三句时先动一下，他得提前知道自己要插话、什么时候插。
这才是「排毫秒」和「贴标签」的分水岭。
贴标签的世界里，不说话的脸是待机的；排毫秒的世界里，沉默也是戏。
再看展台这个片子：
林深说话时，甲小姐在点头；说到点子上，她眼睛稍微一睁，眉毛跟着挑了半下；她不说话的那些时间，脸一直有戏；官方讲的微表情的细粒度规划，落在画面上，就是这种东西。
图释：现场实拍，甲子光年创始人甲小姐与量化师林深视频播客对话，二者均为数字人
还有插话。她要接话之前，会先顿那么半拍，不抢；就是真人开口前那种停顿。
最后一层，数据。
模型往哪个方向学，取决于喂了什么。官方说法是拿海量影视级素材做了精细处理；情绪、表情、动作、语音分层标注，再清洗训练。
这层听着最不性感，影视素材却藏着个别处没有的东西：专业演员的脸。
演员是全人类里最会用脸的一群人，一个迟疑、一个欲言又止，都是设计过又必须显得没设计过的；拿这个当教材，等于让数字人跟职业选手学节奏。
三层叠在一起看，解决方案思路是：
文心当导演，专精模型当演员，影视数据当教材，官方给这套东西起了个名字：数字人视频播客解决方案。
03
播客？这套毫秒级的功夫，拿去干什么不好；为什么偏偏选了播客这个场子首发？
因为播客对数字人来说，是所有内容形态里最凶险的一个。
想想数字人以前待的地方。
电商直播间，有商品挡着；观众眼睛在货上、价格上，主播的脸就是个背景板，僵一点没人计较。
单人口播，有信息量兜底，观众是来听干货的。
播客什么都没有。
很多播客的信息浓度其实不高；观众来听的，就是两个人怎么想、怎么反应：一个抛出观点，另一个愣一下，或者笑一下，或者不客气地顶回去。
那些愣、笑、顶，就是产品本身。
片子里有个细节，我记得很清楚：甲小姐说姚顺雨高考的时候睡了一觉还考了700多分；林深听到睡了一觉时露出吃惊的表情，听到考了700多分时笑出声，回了句「我高考可不敢睡觉」。那半秒，我光顾着看那个笑了。
所以，别的场子考数字人的「说」，播客考「听」和「接」。恰好是它二十年来最不会的两样。
这个首发场子的选择，意思很直接。
自愿进考场；挑一个没地方藏拙的地方，把新功夫亮出来；过了，别的场子都是降维；没过，当场露馅。
再看它想抢的那门生意的账。
真人视频播客的成本结构挺畸形的，场地、设备、多机位，这些是死的。真正贵的是活的：嘉宾。
约一个够格的，档期、差旅、出场费，一样样谈下来；聊得不好还不能重来，人家没义务陪你再录一遍。
后期更磨人，两三个小时的素材剪成一小时，镜头切换、节奏取舍，全是人工。
这套账算下来，深度访谈类内容在视频行业里一直是个「叫好不叫量」的品类；单集品质可以很高，但没法工业化。
官方给的数：制作成本降 74%，平均播放时长涨 29%。官方实测口径，你打个折听。
方向倒不难理解；嘉宾不要钱，档期随便排，录砸了重生成；编剧、导演、剪辑三个 Agent 一条流水线，从脚本到成片，省掉的是整个剧组。
问题来了，剧组都省了，播客还剩什么？
我在WAIC 现场，看好几家都在暗暗较劲一个问题：数字人会不会成为内容创作的新基础设施？
我的看法是，得把「内容」拆开看。
一档播客里有两样东西。一样是节奏，机器正在学会，早晚比大多数真人稳；另一样是观点，那个让人愣一下的说法，那个没人这么想过的角度。
节奏可以从影视素材里学，观点从哪儿学？训练数据里只有说过的话。
所以，基础设施这个词，成立；但要按它的本义理解：基础设施是路，路修好了，运什么还得看开车的人。
离开展台时，又回头看了一眼那俩数字人。
他们还在聊；你来我往，眉眼有戏，比进场时看到的任何一版都更像两个活人在聊天。
热门跟贴