数字人公司世优科技携手摩尔线程发布全国产AI数字人解决方案

简介: 摩尔线程首届MUSA开发者大会在京举行,世优科技携手发布“AI数字人全国产化解决方案”,实现从硬件到应用的全栈自主可控。方案基于国产GPU与自研算法,打造具备自然交互、多模态感知、情感表达的波塔4.0智能体,推动数字人在政务、教育、文旅等场景规模化落地,共建安全可信的AI数字生态。

日前,摩尔线程首届MUSA开发者大会在北京隆重举行,这场被誉为“国产GPU生态里程碑”的行业盛会,汇聚了芯片研发、AI技术、数字经济等领域的顶尖力量,世优科技作为AI数字人领域的行业代表出席,并在会上正式发布了由世优科技与摩尔线程深度合作、共同打造的“AI数字人全国产化解决方案”,标志着中国在实时数字人、AI智能体与元宇宙基础技术设施领域,实现了从底层硬件到上层应用的全栈自主可控,为数字经济新生态注入强劲动力。

技术驱动:让数字人像人类一样自然交流

作为大会的核心分论坛之一,“GPU驱动数字人智能体进化”分论坛聚焦数字人产业的技术痛点与发展方向。论坛上,世优科技韩光明发表“让数字人如人类一样自然交流”主题演讲,从技术研发、场景应用、产业协同三个维度,分享了世优科技在数字人领域的实践经验与前沿探索。

韩光明指出,当前数字人技术的发展已进入关键转型期,从早期追求 “高拟真形象” 逐步迈向 “自然化交互” 时代。

作为国内首批布局AI数字人的企业之一,世优科技历经十年技术沉淀,其核心产品——世优波塔AI数字人已迭代至4.0版本。波塔4.0不仅是形象载体,更是集大模型、语音、视觉、多模态交互于一体的AI业务智能体,具备“能听、会说、能理解、会思考、能看、会认、会执行、能工作”的综合能力。

依托自研算法,世优波塔AI数字人智能体4.0实现:

智能交互与快速响应支持多轮对话、智能打断、上下文关联,端到端响应时间:1.5-2秒,交互正确率≥98%,实现接近真人的交流体验;

多模态融合感知:融合语音、视觉、动作,支持人脸识别,不仅能听会说,还能“看”到访客并主动发起交互,实现更自然的“双工对话”;

真实流畅的情感表达:超过180个面部控制点,24+情绪模式,口型同步准确率高达99.5%,能够实现细腻的微表情和生动的情绪表达,摆脱“机械感”;

专业知识精准应答:世优波塔采用混合模型架构,支持DeepSeek、豆包、通义千问等数十种大模型接入和私有化知识库定制训练,在特定领域内回答更专业与准确。

全栈国产:构建安全可信的数字人基础设施

随着人工智能技术的飞速发展与元宇宙概念的持续深化,数字人已从概念走向大规模商业应用。然而长期以来,大多数高端数字人解决方案严重依赖国外 GPU 硬件与特定软件生态,在底层算力、核心算法与开发工具链层面存在潜在风险。世优科技与摩尔线程合作推出AI数字人国产化解决方案,致力于打通从国产GPU算力基础到AI数字人最终应用的全链路,构建安全可靠、性能卓越、开放共赢的国产数字人生态。

在技术层面,该方案构建了“国产算力+数字人技术”的融合范式,为行业树立了全栈国产化的技术标杆,将推动数字人技术研发从“单点突破”向“系统协同”演进,加速国产数字人技术标准的形成。

在产业层面,双方联合推出的 AI数字人智能体端侧轻量化一体机,在保障性能的同时显著降低了硬件与运营成本,实测显示,整体部署成本降低25%-40%,有效降低数字人规模化部署成本,将推动数字人技术在更多中小微企业中的普及应用,提升产业整体效率。

在应用方面,不同行业对数字人的功能需求存在显著差异,例如政务领域注重安全性与权威性,教育领域注重专业性与互动性,文旅领域注重趣味性与沉浸感等。针对不同行业的个性化需求,双方将持续打造垂直领域的定制化解决方案,推动数字人技术与产业场景的深度融合。

生态共建:迈向自主可控的智能交互未来

此次AI数字人全国产化解决方案的发布,是世优科技与摩尔线程合作的起点。面向未来,双方将持续深化合作:一是持续推进技术迭代,依托摩尔线程GPU架构的升级迭代,不断优化数字人渲染与交互性能,提升方案的核心竞争力;二是拓展场景应用深度,面向政务、能源、制造等不同行业需求,打造定制化数字员工解决方案;三是构建开放合作生态,联合上下游企业、高校科研机构,共同推动国产数字人技术标准的制定与推广,培养专业技术人才,助力产业健康发展。

随着AI大模型与具身智能的快速发展,数字人正从“展示窗口”进化为“智能核心”。世优科技与摩尔线程的此次合作,不仅填补了国产化数字人解决方案的空白,更为中国企业在AIGC时代掌握核心技术话语权提供了坚实支撑。未来,双方将持续深化软硬协同创新,推动AI数字人在更多关键领域落地,助力中国智造走向世界舞台中央。

相关文章
|
8天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
298 164
|
3天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
310 155
|
11天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
854 6
|
5天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
243 113