7月18日，2026世界人工智能大會（WAIC）騰訊AI 應用創新論壇在上海舉辦。虎牙公司董事長林鬆濤出席論壇並致辭，他表示，真實場景是AI價值的第一現場，終端是AI普及的最后一公裡。當前模型能力的差距在收窄，但工程化的差距在拉開﹔AI普惠的標志不是最強的人變得更強，而是普通人用AI不再普通。隨后，虎牙公司CEO黃俊洪的演講則為這一理念提供了來自游戲娛樂場景的具體注腳，虎牙自研的實時多模態數字人VAM1.0，正是在一個真實的、7×24小時運轉的場景中生長出來的AI應用。

　　一張照片生成一個虛擬人 每一幀都在線生成

　　沙利文最新報告數據顯示，中國數字人賽道年復合增長率達52%，約為全球增速的1.5至2倍，亞太是最大的增量市場。但市場很熱，落地很冷，多數數字人仍停留在照著腳本念的階段，能說不能聽，能輸出不能互動。一段三分鐘視頻沒問題，一場三小時直播撐不住。黃俊洪認為，數字人從展示型產品走向實時交互型應用，需要同時解決穩態、擬態和動態三類問題，即長時間生成不崩、表情動作足夠自然，以及能夠實時聆聽、實時反饋、實時互動。

　　此次亮相的VAM1.0，正是虎牙圍繞上述行業痛點打造的最新技術成果。作為基於DiT架構的實時多模態數字人基礎模型，黃俊洪一句話概括其能力：“給它一張靜態照片，它還你一個能實時說話、實時聆聽、實時反應的虛擬人。不是預渲染，不是錄播，是每一幀都在線生成。”

　　VAM採用三段式訓練體系，一階讓它穩，通過多參考幀加運動幀錨定形象﹔二階讓它真，利用偏好優化算法在多目標間找到平衡﹔三階讓它快，推理步驟大幅壓縮並引入自糾錯機制。“總結來說，就是讓它不崩，讓它好看，讓它省錢。”黃俊洪表示。性能方面，在同等推理集群下，VAM達到36.4幀每秒、首幀1.3秒，與八個主流模型對比，推理最快、延遲最低，四項核心指標全面領先且算力開銷更低。

　　黃俊洪特別強調了VAM的交互特性，原生覆蓋靜默、聆聽、說話三種狀態。用戶說話時數字人點頭注視，停下來它自然接話，打斷它立刻反應，彈幕和語音雙通道驅動。在他看來，這是虎牙的場景優勢：“大多數模型隻學過怎麼說，沒學過怎麼聽。虎牙泡在直播間十幾年，觀眾不會等你說完再發彈幕。場景，倒逼出了技術。”

　　據悉，VAM后續將分階段持續迭代，在推理效率、模型表現力和成本優化三個方向同步推進，最終實現多模型融合與低成本人物風格定制。

　　技術杠杆撬動增長 從“看別人玩”到“和AI一起玩”

　　虎牙深耕直播十數年，彈幕、打賞、語音連麥等交互基礎設施與海量主播的視聽數據每天都在反哺模型。從2019年HERO平台一路走到VAM 1.0，公司已在游戲發行、直播、廣告等場景實現全業務線閉環。“為了實現今天的能力，我們也是一直在做時間的朋友。”黃俊洪表示。

　　目前，VAM已在虎牙平台落地多個核心場景：基於AI實時生成的唱跳互動，不用固定模板，換裝不黑屏﹔數字人原生狼人殺、塔羅牌等陪伴式互動內容，切換游戲模式全程無縫﹔真人主播的數字分身或數字助手，幫主播接彈幕、帶氣氛﹔以及24小時不間斷游戲道具帶貨。

　　在黃俊洪看來，過去十年直播內容全靠真人主播撐起來，但多模態數字人更深地融入全天候直播、賽事解說、才藝陪伴這些場景后，內容供給將從線性走向指數，邊際成本隨規模持續下降，“成本結構隨之改善，利潤空間自然打開。這是技術杠杆，一旦撬動，增長就不再是加法，是乘法。”

　　在游戲發行層面，VAM將通過超擬真的數字人生態直播矩陣，凝聚全網海量用戶，為虎牙內容營銷驅動游戲發行的模式提供更大基礎支撐，覆蓋從獲量到留存的完整鏈路。

　　從直播間到游戲產業鏈，從成本結構到增長方式，黃俊洪表示，過去十年虎牙是“看別人玩游戲”的地方，未來十年要成為“和AI一起玩游戲”的地方。（張偉）