数字人已经算不上新鲜事物。银行大堂、政务大厅、电商直播间、景区导览、企业客服后台，甚至一些医院的预问诊系统里，都能看到它们的身影。有的顶着历史人物的脸，有的走卡通路线，也有的做得和真人几乎无异。相关企业数量超过百万家，这个数字还在增长。但一个尴尬的事实是：数字人很多，能用的不多；能用的里面，能让人愿意用第二次的更少。

问题出在哪？很多人以为数字人就是一张会动的脸加上一段预设的语音。实际上，一个合格的数字人需要三个层面协同：形、脑、声。形是外在，脑是知识库和交互逻辑，声是语音和口型匹配。三者缺一，数字人就只能当一个会说话的展板。

“形”已经不难，难的是别只做“形”

先说“形”。这个层面技术已经比较成熟。计算机图形学、面部捕捉、三维建模、动作绑定，这些技术加在一起，可以让数字人有发型、有服饰质感、有毛发细节，甚至能做出自然的肢体动作。目前行业里的数字人形象大致分三类：历史人物再现、真人化设计、卡通化设计。历史人物再现常见于文旅场景，让杜甫、苏东坡这类名人“活过来”；真人化设计多见于企业代言人或虚拟员工，追求接近真人的亲和力；卡通化设计则多用于年轻化品牌，降低技术门槛和成本。

形的选择没有绝对好坏，关键看场景和目标用户。但很多项目把精力都花在“形”上，忽视了后面两个层面，结果就是一个漂亮的壳。一些数字人上线时靠颜值吸引一波关注，用户真正问几个问题之后就发现它“脑子空空”，再精致的形象也留不住人。

“脑”是核心，也是最大的短板

“脑”才是数字人的核心。它需要垂直数据库和知识图谱支撑。简单说，就是先把某个行业或企业的资料、文档、常见问题、业务流程数字化，经过审核后形成权威知识库，再通过数据结构化建立知识图谱，然后用语音识别、多模态交互等技术训练数字人，让它能听懂问题、找到答案、组织语言。

这一步的工作量远比做一张脸大得多。一个能回答专业问题的数字人，背后往往需要几个月的数据清洗和模型调优。以常见的客服数字人为例，产品手册、售后政策、历史工单、常见故障处理，这些资料需要逐条审核、标注、关联，形成结构化的知识节点。数字人在回答时不是从原始文档里随机抓一段话，而是通过知识图谱定位到对应的知识点，再结合上下文生成回复。如果知识图谱没建好，数字人就会出现“答非所问”或者“张冠李戴”的情况。

但很多项目在这块投入不足。有的直接用通用大模型套一个形象，没有做行业知识适配；有的只导入一批PDF文档，没有做结构化处理，数字人检索时全靠关键词匹配，换个问法就找不到答案。结果就是数字人只会背预设的答案，稍微换个说法就卡住，更谈不上多轮对话和个性化服务。

“声”不只是配音，是体验的一部分

“声”的层面也不只是配音。声音要和形象匹配，口型要和语音同步，语言风格要符合角色设定。一个中年历史人物角色，声音却像二十岁的年轻主播，观众立刻出戏。多语言实时互译也是基本需求，尤其面向不同地区用户时。这些技术上都能实现，但很多项目为了赶工期，直接用通用TTS（语音合成）引擎，出来的声音机械感重，口型对不上，体验大打折扣。

声音的质感直接影响用户对数字人的信任度。同样的回答内容，一个自然流畅的声音和一个生硬机械的声音，用户的接受度完全不同。而且口型同步率如果太低，用户会下意识觉得“假”，注意力从内容转移到技术缺陷上。好的数字人声音需要针对角色进行定制，包括音色、语速、停顿、重音，甚至情绪表达。这需要额外的声音采集和训练工作，但很多项目把这一步省掉了。

数字人的真实价值：轻量级切入，但运营是重量级

数字人的价值在哪里？最直接的是降低人力成本、提升服务效率。它可以24小时在线，不用轮班，不用培训上岗，不会情绪化。在一些重复性高的问答场景里，比如产品咨询、政策解答、路线指引、基础业务办理，数字人能分担大量基础工作。通过终端设备，它还能根据用户位置或行为自动触发服务，收集反馈数据，帮助运营方优化流程。

从投入角度看，数字人的硬件要求不高，一台屏幕一体机、一部手机就能跑起来。相比VR大空间项目动辄几十万上百万的硬件投入，数字人的显示载体多为屏幕一体机、移动设备或用户自带终端，核心成本在软件和数据库建设。因此对于预算有限的中小企业或机构，数字人提供了一种“轻量级”的数字化切入方案。这个特点很有吸引力，也是近两年数字人项目大量上马的原因之一。

但轻量级只是入门。真正跑起来之后，问题一个接一个冒出来。数字人上线后，普遍面临“重建设、轻运营”的问题，持续运营与内容更新滞后。“建得起、养不起”成为很多机构数智化建设的困境。

原因不复杂：建设是一次性投入，运营是持续成本。数据要更新，知识库要维护，模型要迭代，客服话术要调整，这些都需要人力和预算。但不少机构在立项时只考虑了硬件和开发费用，没有为后续运营留出资源。一些地方政府或企业更愿意把钱花在可见度高的硬件采购上，比如大屏幕、VR设备，数据管理、内容更新、人才培养这些看不见的投入容易被忽视。结果就是数字人上线后，内容越来越旧，回答越来越不准确，最后变成摆设。即使是实力较强的机构，打开其数字人应用，也可能持续显示“系统维护中”。

三个深层挑战：准确性、深度交互、持续运营

数字人从“有”到“优”，横着三道坎。

第一道坎：准确性。 数字人在处理海量信息时，经常出现张冠李戴的情况。两张相似的产品图片配错说明，不同型号的参数混在一起，或者把A政策的适用条件套到B政策上。有些数字人为了显得“有内容”，在信息不足时会自行演绎，编造一些看似合理的背景知识，结果误导用户。还有的视觉识别系统不成熟，在多个相似物品或区域之间难以分辨，导致讲解或指引内容混淆。

对任何行业来说，数字人提供的信息一旦出错，轻则影响体验，重则造成损失。金融领域报错一个利率，医疗领域给错一个用药建议，政务领域解释错一项办事流程，后果都不是“体验不好”能概括的。尤其当数字人用非常笃定的语气说出一个错误答案时，用户往往不会怀疑它，因为它的形象和声音都太“像人”了。这种信任一旦被辜负，数字人比没有数字人更危险。

第二道坎：深度互动能力不足。 很多数字人只能处理预设的简单问答，用户稍微换个问法、带点口语化或者有歧义，它就卡住。在2025年的一次行业案例征集中，近两百个申报项目里，真正能进行自由问答的数字人项目占比依然很小。虽然一些实力雄厚的机构，其数字人已能识别用户的年龄、表情和语音语调，提供个性化服务，但许多中小型机构的数字人交互能力还仅限于“你问我答”的预设模式。

用户评价往往集中在“有颜值缺灵魂”“看上去很逼真，可一聊到细节，就只会重复几句套话”。这背后是知识库覆盖不全、自然语言理解能力有限、多轮对话逻辑缺失等问题。数字人如果不能理解上下文，不能处理模糊表达，不能根据对话历史调整回答策略，就永远停留在“高级录音机”的水平。

第三道坎：运营断层。 这个问题比前两个更普遍，也更致命。很多数字人项目上线时热热闹闹，几个月后就悄无声息。不是因为技术不行，而是因为没有后续投入。数据不更新，知识库不维护，模型不迭代，用户问的新问题它永远答不上来，慢慢就没人用了。

数字人的核心在于数据库支撑的算法和软件，但数据库不是建一次就一劳永逸。产品会迭代，政策会调整，行业知识会更新，用户问题会变化。一个三个月不更新的知识库，在快速变化的行业里就已经过时了。更麻烦的是，数字人系统收集的用户反馈和行为数据，本应是优化的重要依据，但如果没有人去分析这些数据、调整知识库和交互策略，这些数据就只是躺在服务器里的日志。

从“有”到“优”，需要做对四件事

第一，把知识库做实，建立专家审核机制。 垂直数据库和知识图谱是数字人回答准确率的保障，但光有数据不够。数据要经过严格审核，确保权威性和一致性。同一个问题可能有多个版本的解释，数字人不能随意选一个，而应由专家团队确认标准答案。还要对数字人进行多维度对话测试，模拟各种刁钻问法，找出漏洞。技术层面，大模型在转述时存在改写风险，可能把准确的信息说变味，所以需要设置校验机制。

更关键的是，要给数字人设定一个“不知道”机制：遇到知识库之外的问题，宁可坦诚回复“不知道”，也不能随意编答案。这个原则说起来简单，做起来需要制度约束。很多数字人为了显得“无所不知”，硬要给出一个答案，结果反而出错。设定边界，承认局限，反而能建立用户信任。

第二，把运营当成系统工程，而不是项目收尾。 数字人上线只是开始，不是结束。它的交互数据、用户反馈、错误日志，都是持续优化的素材。要把数字人当成一个需要长期投入的服务产品，而不是一次性采购的设备。从内容更新频率、知识库审核流程、到技术迭代计划，都要有明确的负责人和预算。否则，再好的数字人也会在半年后变成无人问津的“僵尸应用”。

数字人在“从无到有”层面虽然属于“轻量级”的智能载体，但它能与用户直观接触、深度互动，可以实时接收海量反馈，一旦投入运营，仍然是“重量级”的工程。这个认知如果不扭转，重建设轻运营的困境就不会结束。

第三，重新定位数字人的角色。 数字人目前多承担讲解、客服、导览等单一功能，但它的潜力远不止于此。在客户管理、业务优化、分众化服务、品牌传播、运营升级等环节，数字人都能发挥作用。前提是把它看作一个全方位的智能综合体，而不是一个装饰用的技术标签。它需要和机构的业务流程深度绑定，和现有的数据系统打通，才能真正产生价值。很多项目的问题在于，数字人被当成一个独立的“展示项目”，和实际业务脱节，自然难以持续。

第四，接受不完美，但要有底线。 受限于数据边界与技术局限，数字人仍无法保证每一次回复都绝对准确。比如，它可能无法识别用户口语化、歧义化的提问；知识库中对一个问题的解释存在差异版本；大模型转述之际可能存在改写风险。因此，在打造垂直数据库的同时，要建立严格的专家审核机制，对数字人知识库的内容、表述、伦理等问题进行多重审核，开展多维度对话测试，并不断进行技术优化。设定数字人面对知识库之外的提问时，宁可坦诚回复“不知道”，也不能随意编答案。这是底线。

数字人不是凭空出现的概念。计算机图形学、大语言模型、动作捕捉、深度学习，这些技术在过去几年快速成熟，让数字人从实验室走向产业。相关企业超过百万家，说明市场已经看到了机会。但从“有”到“优”，中间还隔着数据、算法、运营、制度好几道坎。技术可以买，脸可以建模，但真正让数字人变得“可用”“可信”“可持续”的，是背后的知识体系和运营能力。

说到底，数字人的价值不在于它长得像不像人，而在于它能不能在具体场景里解决问题。一个能准确回答用户问题、坦诚承认自己不知道、并且随着使用不断变聪明的数字人，远比一个只会背稿子的漂亮形象更有意义。它应该成为有温度、有底蕴、可信赖的服务者，而不是一个美丽的数字面孔。这个转变不会自动发生，需要行业从“重建设”转向“重运营”，从“做展示”转向“做服务”。谁先跨过这道坎，谁就能在数字人这条赛道上真正站稳。