在 SIGGRAPH Asia 2025 期间，盛大集团（Shanda Group）旗下，盛大 AI 东京研究院（Shanda AI Research Tokyo）以展台活动、BoF 学术讨论与顶尖教授闭门交流等形式完成首次公开亮相，标志着盛大在数字人的 “交互智能 (Interactive Intelligence)” 与世界模型的 “时空智能 (Spatiotemporal Intelligence)” 等两大方向的研究，正式登上国际顶级学术与产业舞台。
这一全新范式是盛大集团创始人陈天桥长期愿景的直接体现。他多年来对脑科学与 AI 融合研究的战略投入，以及在 TCCI 首届 AI 驱动科学研讨会（AIAS 2025）上系统阐述的 “发现式智能”（discovery intelligence）理念，共同强调了智能体认知基底的重要性。而「交互智能」的实现，也得益于盛大集团旗下 EverMind 团队产品 EverMemOS 的能力互补，彰显了集团内部强大的技术协同生态。然而，在将这一宏大构想付诸现实的道路上，整个行业正面临着深刻的共同挑战。
图 1 盛大集团创始人陈天桥阐述 “脑科学与 AI 融合” 的战略愿景，强调智能体认知基底的重要性。
问题的核心：
为何当下的数字人交互缺乏 “灵魂”？
尽管当前的数字人技术已经能够创造出与真人无异的视觉形象，但用户在与之互动时，普遍会感到一种难以言喻的 “空洞感” 或 “断裂感”。这种交互上的 “灵魂缺失” 并非微不足道的瑕疵，而是导致数十亿美元投资于视觉特效的数字资产，至今仍未能带来真正有意义用户粘性的根本原因。这种 “灵魂感” 的缺失，并非单一技术问题，而是源于三个层面的系统性挑战：
长期记忆与人格一致性： 标准的通用大语言模型（LLM）在长时间对话中，往往难以维持稳定的人格设定，出现所谓的 “人格漂移”（persona drift）现象，导致叙事逻辑前后矛盾。真正的 “记忆” 不仅是对过往事件的回溯，更是维持个性、习惯和世界观连贯性的基石。缺乏这一能力，数字人便无法形成可信赖的、持续的身份认同。
图 2 盛大 AI 首席科学家郑波博士深入剖析数字人 “灵魂缺失” 的核心难题，并确立了以 “交互智能” 和 “时空智能” 为核心的研究目标。
多模态情感表达的缺失： “灵魂感” 很大程度上源于人类丰富的非语言交流。然而，目前的数字人普遍存在 “僵尸脸（zombie-face）” 现象 —— 在倾听或思考时面部僵硬，缺乏自然的微表情和反应。真正的沉浸感来自于语音语调、面部表情、眼神乃至肢体动作的协同作用，它们共同构成了情感表达的完整层次，而这正是当前技术的薄弱环节。
缺乏自主进化的能力： 大多数数字人本质上仍是一个被动的 “播放系统”，根据预设脚本或实时指令做出反应，而不能从交互中学习和成长。它们无法自主适应用户偏好、修正错误认知或发展出新的行为模式。这种自我进化的能力，是智能体从 “模仿” 走向真正 “智能” 的关键分水岭。
这三大挑战共同作用，导致了当前数字人交互体验的浅层化和碎片化，使用户难以建立真正的情感连接。如何系统性地攻克这些难题，不仅是技术上的挑战，更需要顶层的战略远见。
图 3 香港大学教授、SIGGRAPH Asia 大会主席 Taku Komura (左) 与早稻田大学教授 Shigeo Morishima (右) 在盛大 AI 闭门研讨会上发表致辞。
业界共鸣：
SIGGRAPH Asia 闭门研讨会的深刻洞见
陈天桥的远见得到了行业的验证。解决上述挑战的紧迫性，并非盛大 AI 的内部洞见，而是一个由行业顶尖头脑共同铸就的明确共识。2025 年 12 月 17 日，在香港 SIGGRAPH Asia 大会期间，恰逢其 Mio 技术报告于前一日（12 月 16 日）公开发布之际，盛大 AI 东京研究院（Shanda AI Research Tokyo）主办了一场高端闭门晚宴及专题研讨会。这场活动汇聚了来自学术界和产业界的顶尖专家，旨在通过思想的深度碰撞，共同擘画数字人技术的未来蓝图，并即时探讨 Mio 报告所带来的突破性启示。
与会的专家学者阵容强大，包括：
-
Prof. Taku Komura (香港大学，Siggraph Asia 大会 General Chair)
-
Prof. Shigeo Morishima (早稻田大学，日本数字人协会主席，真人自动化复刻到电影的第一人)
-
Prof. Erwin Wu (东京科学大学)
-
Prof. Xiangyu Yue (香港中文大学)
-
Prof. Anyi Rao (香港科技大学)
-
Prof. Yuan Liu (香港科技大学)
-
Prof. Xiaoguang Han (香港中文大学)
图 4 来自港大、港中大、港科大及东京科学大学的顶尖学者在 Panel 环节深度探讨 “交互智能” 的未来。
在这场高水平的对话中，专家们达成了一个清晰的共识：当前数字人发展的瓶颈已从视觉表现力转向了认知和交互逻辑。他们一致认为，未来数字人的核心竞争力将体现在其「交互智能」上，即必须具备长期记忆、多模态情感表达和自主演进这三大关键能力。这三大支柱，由业界最敏锐的头脑共同确立，正是 Mio 的核心模块 —— 认知核心、多模态动画师及自主演进框架 —— 被系统性地设计出来旨在解决的精确挑战。
正是基于这样的行业共识与自身长期的技术探索，盛大 AI 东京研究院系统性地推出了自己的解决方案。
Mio 的诞生：
盛大 AI 对「交互智能」的系统性解答
为了迎接这一行业共同的挑战，盛大 AI 东京研究院正式推出了 Mio（Multimodal Interactive Omni-Avatar）—— 一个旨在实现「交互智能」（Interactive Intelligence）的端到端系统性框架。Mio 的诞生标志着一个分水岭时刻，其设计理念是将数字人从一个被动执行指令的 “木偶”，转变为一个能够自主思考、感知并与世界互动的智能伙伴。
图 5 Mio 系统的端到端交互闭环演示 —— 从感知用户情绪（User Input）到 Thinker 进行认知推理，再通过多模态模块（Face/Body/Speech）生成抚慰性的反馈动作。
该框架由五个高度协同的核心模块构成：
认知核心 (Thinker): 为克服标准 LLM 固有的 “失忆症” 和人格漂移问题，Mio 的 “大脑”——Thinker 模块 —— 采用了一种革命性的 “介于叙事时间的知识图谱”（Diegetic Knowledge Graph）。该架构为每条信息标记了 “故事时间”，确保数字人绝不会 “剧透”。在 CharacterBox 基准测试中，其人格保真度超越了 GPT-4o，并在防止剧透测试中取得了近乎完美（超过 90%）的成绩。同时，其 “无数据自训练” 机制赋予了数字人通过自我博弈不断进化的能力。
语音引擎 (Talker): 该模块利用高效的离散化语音表征技术，能够生成与当前情境、情绪和人格设定高度匹配的自然语音。它不仅保证了对话的流畅性，更是数字人情感表达的关键一环。
面部动画师 (Facial Animator): 为彻底消除破坏沉浸感的 “僵尸脸” 现象，该模块采用了一个统一的 “听 - 说” 框架。无论是在说话还是倾听，它都能生成生动、自然的微表情、眼神和头部姿态。在用户研究中，超过 90% 的参与者认为其倾听反应优于业界领先的竞品。
身体动画师 (Body Animator): 为摆脱笨拙的预设动作，身体动画师采用新颖的流式扩散模型（Streaming Diffusion），实时地将认知意图转化为流畅、连贯的全身动作。这项技术实现了前所未有的突破：在保持实时性的同时，其运动质量（FID 为 0.057）达到了与顶尖离线模型相媲美的水平。
渲染引擎 (Renderer): 作为最终的视觉呈现层，渲染引擎确保在任何动态和视角变化下，都能生成高保真且身份高度一致的视觉形象，将 “灵魂” 的内在活动忠实地外化为可信的视觉表现。
Mio 框架通过将这五个模块无缝融合，实现了从认知推理到实时多模态体现（embodiment）的完整闭环，这不只是一次技术的迭代，而是一种全新的架构哲学，标志着数字人技术从 “形似” 向 “神似” 的决定性跨越。
未来展望与行动号召
Mio 的诞生，标志着数字人发展的一次范式转移 —— 行业的关注焦点正从静态的、孤立的外观逼真度，转向动态的、有意义的交互智能。这并非一个概念上的飞跃，而是可以被量化的巨大进步。在严谨的测试中，Mio 的整体交互智能分数（IIS）达到了 76.0，较之前的最优技术水平提升了整整 8.4 分，为行业树立了新的性能标杆。
图 6 Mio (红色) 在认知共鸣、面部同步、肢体流畅度等各项指标上全面超越现有最优技术 (蓝色)，IIS 总分达到 76.0。
可以预见，「交互智能」将为虚拟陪伴、互动叙事、沉浸式游戏等领域带来革命性的变革。未来的数字人将不再是冰冷的程序，而是能够与我们建立深层情感连接、共同成长的智能伙伴。被动、无声的虚拟形象时代已经结束。我们诚邀全球的研究者、开发者与创造者社区，与我们一道构建下一代拥有智能与灵魂的数字生命。现在，工具已在你们手中。
图 7 盛大 AI 东京研究院团队与全球顶尖学者在香港齐聚一堂，共同致力于构建下一代有灵魂的数字生命。
为了推动这一领域的共同进步，盛大 AI 东京研究院已将 Mio 项目的完整技术报告、预训练模型和评估基准公开发布。
-
项目地址: https://shandaai.github.io/project_mio_page/
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com
