本文转载自：DoNews（ID：lovedonews），作者：李信马。猎云网已获授权。
刚刚过去的“618”，火了一群“AI主播”。
直接看战报吧，2024年“618”期间，京东直播订单量同比增长超200%。其中，京东云言犀数字人：
在超过5000个品牌直播间开播；
累计时长超过40万小时；
累计观看人次超过1亿；
互动频次超过500万次。
按照京东的统计，截至目前，言犀数字人已累计带动了超百亿的GMV（商品交易总额）。这个数字，放在今天的直播带货行业，实在不算个大数字。
据艾瑞咨询刚刚发布的《2023年中国直播电商行业研究报告》显示，2023年，我国直播电商市场规模高达4.9万亿人民币，增速达到35.2%，并预测未来三年还将保持18%的年复合增长率。100亿，甚至比不过头部达人的年度GMV。
不过，对京东来说，这算是很不错的成绩。在直播带货赛道如火如荼之际，老牌电商平台京东却掉了队，谈到直播带货达人，淘宝有李佳琦，抖音有疯狂小杨哥、罗永浩，快手有辛巴，而京东却让人想不到有可以相提并论的。
虽然近一年来，京东没少花心思做直播，但培养头部达人并不是个容易速成的事情。山不转水转，用AI数字人主播代替真人主播，成为一种“弯道超车”的选择。
从京东“618”战报来看，AI主播也算是小有成绩。只是，这样的成绩会是昙花一现，还是真的能走出一条通天大路？
01.日不落的直播间
前几天，“钟薛高老林”直播间发生了惊魂一幕，女主播在介绍产品时，突然身体开始摇晃，然后猛然摔倒，伴随着直播间里的尖叫声，话题也冲上热搜第一。
好在虚惊一场，女主播表示只是身体不适。不过，就此事而言，却体现了AI主播相比真人主播的优势之一：不会疲惫，也不需要休息。
DoNews联系了一位资深带货主播嘉琪，在我们和她讨论AI主播时，她的第一反应是，有了AI主播，直播间就可以“日不落”了。
“直播带货最少一个主播一个助播，还要有人投流，也就上班时间能凑一起，至于达人，更不可能一直播。”嘉琪目前每周单休一天，工作日每天直播4小时。而她所在的公司，同一个直播间会由三名主播早中晚三班轮班，一天播满12小时。
每天24小时，嘉琪所在的直播间只播一半，主要问题就是剩下的时间能够赚钱，但性价比不高。比如她们的最后一班是晚上7点半结束，之后到11点半的4小时，直播带货的效果不一定比白天好，但成本和麻烦程度只高不低，因此就被公司放弃了。
按嘉琪估计，她们直播间平均每天GMV在4万元左右，投流的成本大约是1万元，而主播的工资是200元每小时。“每个平台的投流不太一样，比如小红书是点进来（直播间）一次我们要给2块多，抖音是另一套规则，它们投流很细。”
因此，流量高的黄金时段，要直播而且要多投流；流量低的闲时，投流没意义，纯自然流量可能连人力成本都覆盖不了，就没必要直播了。
至于200元/小时的收入水平，在北京的直播带货圈子里算中等偏上，嘉琪介绍，不同平台、不同品类的直播间主播的收入水平会有所差异，此外还会有不同比例的提成点，“像是服饰类，提成可能在2%-5%，但像粮油这样的，可能就只有千分之几了。”
能有这样的待遇，是因为直播带货的确有其门槛，她们直播间表现最好的一天，GMV达到了25万，投流成本不到3万，除了运气和产品销售策略，主播的个人能力影响很大。
而且这也是“体力活”。“一场直播下来，可能就休息几分钟，去上一次洗手间，每天4小时感觉不多，但持续播一段时间就会很疲惫，嗓子也会难受。”嘉琪差不多一个月会请假一两次来休息，不请假的话“卷”两个月，她就要休息一个小长假才能恢复过来。
相比真人，AI主播的成本非常低廉，闲时也可以一直在线。比如京东，就表示言犀数字人直播成本仅为真人1/10，在今年4月，百度发布了曦灵数字人，采访中百度智能云副总裁喻友平也对DoNews表示，在不投流的情况下，6小时直播比对中，数字人的成本大概是真人的15%左右，GMV则是真人85%。
京东对使用数字人直播有三个阶段的目标，其中第一阶段是向真人看齐，可以和真人接力，在黄金时段之外带货。有AI主播做闲时补充，直播间可以24小时日不落，比如联想的京东直播间，据统计AI主播的每小时成交量，能达到真人的45%，成本只有10%；珠宝品牌潮宏基的AI主播平均每天播22小时，每月比真人10小时直播能省下两三万。
只是，如果AI主播止步于降本，那就不值得讨论了，因为直播带货行业还是销售为王。而从今年京东“618”来看，AI主播表现出来了更大的潜力——也许真的可以替代真人。
02.AI主播是怎样炼成的？
AI主播并不是新鲜事，2022年起，言犀虚拟主播就在青蛙王子、六神、同仁堂、百雀羚等上百家国货品牌直播间上岗，在去年的“618”，京东曾发布消息“开门红开启10分钟，言犀虚拟主播开播商家较去年11.11增幅近4倍”。
但以前没火起来，本质还是太“菜”了，完全比不上真人。
在百度发布曦灵数字人时，喻友平的描述就很谦虚：“未来要覆盖到更多原本都没有能力做直播的商家或者企业，让他们能够低成本的把直播用起来。虽然客观来说，肯定没法代替那些顶级的直播，没法达到他们那么高的水平，但是达到70%的水平，或者说我们随便找10个素人出来，肯定比他们水平高。”
而同一时间，京东却选择挑战高难度。在4月16日，京东直接做出了刘强东的AI数字人“采销东哥”，并亮相直播间开启了首场直播卖货。
直接上“老板”卖货，有魄力也很好玩，看一下销售数据：在42分钟的上播时间里，“东哥”讲解了13款产品（主要是家电），直播间的观看数量超过了2000万，创下了京东超市采销直播间开播以来观看人数的最高峰，最终订单数突破了10万，销售额超过了5000万元。
DoNews当时也特意观看了这场直播，说实话，前面一小段时间，真的没分辨出是不是真人，不止是长得像，一口宿迁味的普通话也颇具迷惑性。（也有原因是一开始的消息“京东创始人、董事局主席刘强东即将在京东APP上开启直播”中没有说是AI主播）看了一会，才隐约觉得表情和微动作有些重复和不自然。而多久能分辨出来是否是真人，就是京东对AI主播进行效果评判的核心指标。
京东云言犀负责人在第一次直播后的采访中说：“观众在进入直播间的前120秒，如果不觉得是数字人，就有可能跨过‘恐怖谷’效应，对主播产生信任感。这能大幅提高下单率。”
一旦跨越了这条鸿沟，AI主播就可以进入京东预期的第二阶段：媲美真人，能够承担一些重要独立的任务，比如重要时段的直播、讲解等。以“采销东哥”为起点，“618”的京东直播间里，冒出了不少“AI老板”，有格力董明珠、海信胡剑涌、LG李东善、名创优品叶国富、洁丽雅石展承等十几位企业总裁，也算是赶上了雷军、周鸿祎等商界大佬直播的热潮。
能达到这样的效果，不得不说，要感谢人工智能尤其是大模型技术的突飞猛进，我们现在管训练大模型叫炼丹，那京东的AI主播，就是主打一个“菜就多炼”。简单的说下，京东言犀数字人背后的技术。
建立数字人形象，主要分为外观和声音两部分。以“采销东哥”为例，在外观部分，言犀团队利用刘强东的高清视频，配合 3D Mesh 技术方案，快速建立拟真的真人形象，并支持数字人做出大姿态、有感染力的动作，比如挥舞手臂，或者侧脸看手机。简单理解，就是专精人物视频生成的“Sora”。
在声音方面，言犀团队设计了声音供应链的概念，从开始供应声音最基础的元素上进行规范，制定标准，后面技术进行相应的适配。模型在预训练中已经掌握了人类普遍的发声特征，再录制几句刘强东讲话，就能学习到他“宿迁普通话”的说话风格。直播中一句东哥特色的“兄弟们”，谁听了不迷糊？
03.畅想：未来的AI主播会是怎样？
以假乱真是很厉害，但大家看直播，不只是为了看“真实”。
除了折扣外，消费者也喜欢看主播们唱跳Rap，最好再给家人们上上才艺整整花活儿。眼下AI主播们的风头，其实是借着商界大佬们的形象，颇有些“狐假虎威”的意思，绝大多数人一辈子也听不到刘强东面对面喊自己一声“兄弟”，更不用说给介绍下商品了。
另一方面，由于多种原因，直播带货行业正由达人带货向店播的模式倾斜，再加上最近流行“一把手”出镜（但有时间和能力的企业家并不多），因此，京东带头发起的““总裁数字人直播”可以说搔到了不少企业的痒处。
等新鲜感过去后，AI主播还能吸引消费者们观看和购买吗？毕竟，目前的AI主播，只能在直播间里说话做表情，并不具备真正人类的行动力。反观真人直播带货还在不断的推陈出新，比如 ZARA 在去年年底的一场直播，请来了超模游天翼现场走秀。
空间挑高近8米，面积达500平，有5台阿莱摄影机和3台斯坦尼康等顶尖设备，再加上轨道车与机械摇臂，12盏阿莱400W聚光灯，这样超豪华的配置，营造出了至少价值50万的光影效果。长达约5小时的直播里，镜头全程跟踪超模与两位主播，从T台走秀到介绍产品、分享时尚见解，甚至补妆的小细节也毫无保留地展示出来，这样的视觉盛宴，吸引了近122万的观众。
这样的直播，现在的AI主播显然做不到。
同样是在4月时，DoNews采访了虚拟动点董事长刘耀东，虚拟动点专注于空间计算技术，他们的一大业务是做电影动作特效。刘耀东提到一个观点，现在的视频生成技术，包括Sora，都“不懂物理世界”。不懂物理世界的结果，就是生成的视频，会发生“穿模”的问题。而问题的原因，是因为我们日常看的视频、电影，本质上就是二维图像的堆叠，所以大模型在训练时，获得的数据也是加上时间轴的二维图像集，这样生成的视频其实也是图像的组合罢了。
“你会发现，所有电商（AI主播）直播的场景，（AI）主播是不能动的，它只能同轴位移，就是手可以动，表情可以动，但身体不能动。为什么它不能离开这个轴？因为它是拿视频训出来的，就是一个人坐在那里，拍足够多的视频来训练这个AI，然后再用口型和声音数据同步训练它的表情。它如果大幅度移动的话，就会发生明显的抖动等其他问题。”刘耀东解释道。
如果AI主播一直在画面正中间，那问题不大，但除此之外——比如只是简单的站起来——那问题都很大。虚拟动点同样通过大模型训练数字人，但他们采集的空间数据是三维的，和视频数据的区别大概相当于（x，y，z，T）和（x，y，T），这样从根本上解决大模型“不懂物理世界”的问题，而刘耀东理想中的AI主播，可以站起来，可以走动、做日常动作，甚至可以做物理交互。
“我觉得如果真的要实现到理想中的电商直播场景，那一定要有同步的一套AI算法，加上我们动作的算法，进行重新组合，完成数字人的驱动，它肯定不会是一个二维数字人。”刘耀东总结道。
不过，这样灵活的AI主播距离我们还有些遥远，真人主播为主、AI主播为辅，两者共存的模式未来将在电商直播领域长期存在，并且行业仍充满了机会，用真金白银奖励技术和模式上的突破。
畅想一下，未来可能就是《头号玩家》或者《失控玩家》里的场景。可能有一天，科技已经进步到构建出电影里的虚拟世界，也许真人主播不会消失，但AI主播却可以飞天遁地，不再需要模仿真人，就能完成令我们惊叹的表演了。
