陳天橋旗下盛大AI東京研究院正式亮相，揭曉數字人和世界模型成果

機器之心發布

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業舞臺。

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

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

問題的核心：

為何當下的數字人交互缺乏 “靈魂”？

盡管當前的數字人技術已經能夠創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，而是導致數十億美元投資于視覺特效的數字資產，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性挑戰：

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，往往難以維持穩定的人格設定，出現所謂的 “人格漂移”（persona drift）現象，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，數字人便無法形成可信賴的、持續的身份認同。

圖 2 盛大 AI 首席科學家鄭波博士深入剖析數字人 “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，目前的數字人普遍存在 “僵尸臉（zombie-face）” 現象 —— 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、面部表情、眼神乃至肢體動作的協同作用，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節。

缺乏自主進化的能力： 大多數數字人本質上仍是一個被動的 “播放系統”，根據預設腳本或實時指令做出反應，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。

這三大挑戰共同作用，導致了當前數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。如何系統性地攻克這些難題，不僅是技術上的挑戰，更需要頂層的戰略遠見。

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 閉門研討會上發表致辭。

業界共鳴：

SIGGRAPH Asia 閉門研討會的深刻洞見

陳天橋的遠見得到了行業的驗證。解決上述挑戰的緊迫性，并非盛大 AI 的內部洞見，而是一個由行業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業界的頂尖專家，旨在通過思想的深度碰撞，共同擘畫數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，日本數字人協會主席，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 環節深度探討 “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：當前數字人發展的瓶頸已從視覺表現力轉向了認知和交互邏輯。他們一致認為，未來數字人的核心競爭力將體現在其「交互智能」上，即必須具備長期記憶、多模態情感表達自主演進這三大關鍵能力。這三大支柱，由業界最敏銳的頭腦共同確立，正是 Mio 的核心模塊 —— 認知核心、多模態動畫師及自主演進框架 —— 被系統性地設計出來旨在解決的精確挑戰。

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

Mio 的誕生：

盛大 AI 對「交互智能」的系統性解答

為了迎接這一行業共同的挑戰，盛大 AI 東京研究院正式推出了Mio（Multimodal Interactive Omni-Avatar）—— 一個旨在實現「交互智能」（Interactive Intelligence）的端到端系統性框架。Mio 的誕生標志著一個分水嶺時刻，其設計理念是將數字人從一個被動執行指令的 “木偶”，轉變為一個能夠自主思考、感知并與世界互動的智能伙伴。

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

該框架由五個高度協同的核心模塊構成：

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 “無數據自訓練” 機制賦予了數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，更是數字人情感表達的關鍵一環。

面部動畫師 (Facial Animator): 為徹底消除破壞沉浸感的 “僵尸臉” 現象，該模塊采用了一個統一的 “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。在用戶研究中，超過 90% 的參與者認為其傾聽反應優于業界領先的競品。

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。這項技術實現了前所未有的突破：在保持實時性的同時，其運動質量（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層，渲染引擎確保在任何動態和視角變化下，都能生成高保真且身份高度一致的視覺形象，將 “靈魂” 的內在活動忠實地外化為可信的視覺表現。

Mio 框架通過將這五個模塊無縫融合，實現了從認知推理到實時多模態體現（embodiment）的完整閉環，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，標志著數字人發展的一次范式轉移 —— 行業的關注焦點正從靜態的、孤立的外觀逼真度，轉向動態的、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。在嚴謹的測試中，Mio 的整體交互智能分數（IIS）達到了 76.0，較之前的最優技術水平提升了整整 8.4 分，為行業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有最優技術 (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結束。我們誠邀全球的研究者、開發者與創造者社區，與我們一道構建下一代擁有智能與靈魂的數字生命。現在，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布。

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