除了扎堆做大红果短剧,AI 视频还能怎么玩出大结果?|对话形界智能王裕鑫

33分钟 ·
播放数128
·
评论数0

【本期介绍】

为什么 AI 总是一问一答?有没有可能让AI 主动对话、记得你、读懂你的情绪、随时回应你?

本期《野说商业》对话形界智能创始人兼 CEO 王裕鑫。华为天才少年出身的他,毕业后自掏腰包押注“AI互动视频”赛道,近四年一直在做实时互动的视频基模技术。

这一期,他先聊了自己怎么看 "天才少年" 的光环:头衔能帮你融到第一笔钱,却撑不起一家公司。再聊到他们做的产品:一套实时互动的视频基模,让数字人不再只是按指令做动作,而是能读取周围环境和你的微表情,记得住之前聊过的事,再带着自己的人格回应你。他判断,视频是文本、语音之后人机交互最后一次范式变革的机会,甚至可能成为最终的交互形态;早期团队的商业模式;小公司如何和大厂竞争。话题也落到 AI 陪伴:一直讨好你的虚拟男友为什么反而没劲,数字人怎么拿捏情绪和人格的分寸。

他看起来格外笃定,实则十分焦虑,从毕业起就没睡过好觉;但被问到后不后悔当初创业,坦言从没后悔。

【名词解释】

基模 / 基础模型(Foundation Model):在海量通用数据上预训练出来、可适配多种下游任务的大模型,是 GPT、Claude 这类模型的统称。

视频双工(Duplex):借通信里 "双工" 的说法,指人和 AI 像打电话一样实时双向交流:你说它听、它说你听,能打断、能接话,而不是一问一答。"语音双工" 是实时语音对话,"视频双工" 在此基础上加入画面和视觉理解。

范式 / 技术范式(Paradigm): 一个时期内行业共同遵循的技术框架、思路和做法;"范式变革 / 转换" 指底层思路被另一套新框架取代。

ResNet(残差网络) :2015 年何恺明等人提出的经典深度卷积神经网络,靠 "跳跃连接" 让很深的网络也能稳定训练,曾是图像识别的主流架构。

ViT(Vision Transformer,视觉 Transformer): 2020 年谷歌提出的视觉架构:把图片切成固定小块(patch)当成 "词",直接用 Transformer 处理,不再依赖卷积网络。

LM / 大语言模型(LLM, Large Language Model): 基于 Transformer、用海量文本训练,能理解和生成自然语言的大模型,如 GPT、Claude、豆包。

强化学习(Reinforcement Learning, RL): 让智能体在环境中反复试错,根据奖励或惩罚调整行为,以最大化长期回报的机器学习方法。OpenAI Spinning Up 定义:研究智能体如何通过试错学习。

CoT(Chain of Thought,思维链): 让模型在给出最终答案前,先一步步写出中间推理过程,从而提升复杂推理能力。

PPL(Perplexity,困惑度): 衡量语言模型预测文本准不准的指标:数值越低,说明模型对后续内容越确定、预测越准。

PMF(Product-Market Fit,产品市场契合): 产品正好切中一个真实、强烈的市场需求,用户愿意反复用、主动推荐。

DAU(Daily Active Users,日活跃用户数): 一天内打开或使用过产品的去重用户数,用来衡量日常活跃度;一人一天打开多次只计一次。有赞新零售

【时间轴】

00:51 开场|行界智能王裕鑫:让视频不只被观看,还能看懂你、回应你

01:25 "天才少年" 光环:只能帮你拿到第一轮融资,之后拼商业化

02:50 从研究者到企业家:没融资先自掏腰包,放弃大厂待遇 all in

07:42 为什么押注互动视频:文本、语音之后,视频是他眼里最后一次范式变革机会

10:13 产品与商业模式:Genesis 1.0 已落地,客户在北美客服和日本 MCN,走美国 ToB、按 Token 收费

13:06 落地四个赛道:社交、直播、教育、互动游戏;数字人不能只会讨好,要有脾气、会碰撞

16:24 小公司 vs 大厂:没做到 100 万 DAU,大厂顾不上你

19:27 招人带团队:要一线实战经验、小 ego,给每个人兜底

25:32 不怕误判,怕迭代慢:创业四年没睡好觉,从没后悔

31:27 愿景:视频成为更自然的人机交互语言

【Staff】

封面设计:光启书局

后期制作:光启书局