数字人这个品类曾经有过一段很长的尴尬期。展厅里的大屏上,形象精致、口型对得上,但你问它一个稍微具体的问题,它就开始重复预设话术。它能证明技术存在,不能证明技术有用。真正的转折不发生在形象上,而发生在一句更朴素的话上:它能不能替我把这件事办了。
第一代方案是模块化的:语音识别把话转成文字,大模型理解并生成回复,语音合成再把文字念出来。这套链路能稳定完成回合制对话,用户问、系统答,各环节依次衔接。它的局限很明显:用户必须等它说完才能开口,中途打断就会乱,交互节奏像对讲机。
第二代换成了端到端的语音到语音单模型,实现了边听边说。这个变化在体验上是决定性的:人说话本来就会被打断、被追问、被补充,能插话意味着对话的节奏终于接近真人。技术上的代价是模型要同时处理语音理解与生成,训练难度远高于拼接链路。
第三代的变化不在交互层,而在能力边界。数字人开始结合行业知识库、业务规则与权限体系,把能力从"把信息问出来"推进到"把事办成"。在实现上,它以智能体形态嵌入企业原有的业务系统,通过MCP这类标准接口完成规范化连接,在不替换既有系统的前提下,给系统加上一个能说话、能执行的入口。
这三步的顺序值得注意:先解决听得清,再解决说得顺,最后解决办得成。很多项目失败是因为跳过了前两步直接做第三步,结果数字人能调接口,但用户问一句话要等五秒才回应,没人愿意用。
政务大厅是这类能力最早的试验场,因为它同时具备高频、标准化、材料复杂三个特征。北京市丰台区政务服务中心是北京首批把专业大厅全部整合到"一门"的区级中心,汇聚二十余个专业分中心,覆盖千余个区级事项,开厅以来接待过数百万人次。落地在这里的数字公务员形象叫丰小数,承担全天候智能咨询。
它的工作不只是回答问题。接待环节里,数字人会主动询问以识别需求,推送办事指南,展示材料清单与导航路线;简单业务引导到自助终端,复杂业务分配到专项窗口,完成分流。知识层面,一体机支持后台问答配置,同时对接区级政务数据库,覆盖户籍、婚姻、护照出入境这类高频事项;政策变动时后台一键更新,答复同步升级。
这套设计的关键在于"不换系统"。政务系统的改造成本极高,任何要求重建业务库的方案都推不动。数字人作为一层入口叠加在原有系统之上,权限、留痕、合规仍握在业务方手里,这是它能进大厅的前提。同样的逻辑放在企业里也成立:报销、审批、查数据这些流程都跑在既有系统上,数字人要做的是接进去,而不是替代。
从技术角度看,MCP这类协议的价值在于把"数字人能调什么"变成一份可审计的清单。以前要给数字人接一个系统,得写定制接口,接口能做什么、做了什么,散落在代码里;现在能力被声明成一组工具,每个工具的入参、权限、调用记录都能被单独管理。对一个要通过等保测评的政务项目,这个差别是决定性的。
另一处落地场景是展厅与数据中心的指挥大屏。传统做法里,大屏上的图表需要专人对照讲解,讲解质量取决于个人水平;一旦涉及查询与核算,得多次切换界面、多方核对,慢且容易出错。
波塔的做法是以中间件方式叠加在既有大屏与数据看板之上,不更换硬件与系统,让大屏具备对话能力。在贝德集团江阴工厂的AI驾驶舱前,一句"调出本周生产线效率数据,并与我厂历史同期做对比",大屏画面即时切换,数字人同步播报关键指标;一句"打开三号车间监控实况",设备状态与人员作业实时呈现。
这个场景的技术难点不在语音,而在语义到查询的映射。"本周"是哪一天到哪一天,"历史同期"是去年同期还是上一个周期,指标口径用的是哪一版定义,这些都需要在业务字典里被明确。做得好的中间件会把这类歧义显式化,让用户确认一次;做得差的会猜,猜错一次就会失去信任。
它的商业价值也在于轻。对数据中心、能源中心、城市运营中心这类场所,重新开发一套可视化系统的成本以百万计,而叠加一层能对话的中间件,成本是前者的零头。在预算收紧的年份,这类"加法式改造"往往比"重建式改造"更容易过会。
把数字人从问答推进到执行,会同时引入两类风险:越权和误操作。越权是指它调用了不该调的数据,误操作是指它替用户做了不该做的决定。前者靠权限体系约束,后者靠流程设计约束:哪些动作可以直接执行,哪些必须二次确认,哪些必须转人工,需要在系统里写死,而不是靠提示词提醒模型。
留痕是另一半。数字人每一次查询、每一次提交、每一次转人工,都应该留下可追溯的记录,包括谁在什么时间通过哪个终端发起了什么请求。这不只是为了追责,更是为了优化:哪些问题被反复问到,哪些流程在哪个环节卡住,这些数据是业务改进的原料。丰台这类项目会把咨询数据导出用于流程优化,逻辑就在这里。
边界也同样清晰。数字人擅长的是长时间值守、标准问答、材料核对与分流引导;它不擅长的是议价、情绪安抚、突发应对。有医院试过让虚拟导诊处理患者投诉,效果很差,因为投诉场景里需要的不是准确,而是共情。这个边界在政务与产业带场景里被反复确认,也是这类项目在方案阶段就要写清楚的。
放回行业看,数字人这一轮的竞争点已经从形象精度转到了三件基础设施上:能不能接进既有系统,能不能管住权限,能不能留下记录。形象仍然重要,但它决定的是第一眼的接受度;决定项目能不能通过验收、能不能续约的,是后面这三件。对一个准备采购数字人的单位,验收清单里加上这三项,比多看几段演示视频更管用。