虎牙CEO黄俊洪：打造数字人生态矩阵，赋能游戏内容营销

7月18日，2026世界人工智能大会（WAIC）上，腾讯AI应用创新论坛如期举行。虎牙公司董事长林松涛在致辞中抛出了一个核心判断：AI的价值，必须回到真实场景中去验证；而终端，则是AI走向每个人的最后一公里。他提到，当前模型能力之间的差距正在收窄，但工程化落地能力的差距却在拉开。真正的AI普惠，不是让最强的人变得更强，而是让普通人用AI这件事，不再显得“普通”。随后，虎牙公司CEO黄俊洪的演讲，则为这一理念提供了一个来自游戏娱乐场景的生动注脚——虎牙自研的实时多模态数字人VAM1.0，正是在一个真实的、7×24小时运转的直播场景中，一步步“长”出来的AI应用。

虎牙公司董事长 林松涛

一张照片生成一个虚拟人，每一帧都在线生成

从市场数据来看，数字人赛道的热度毋庸置疑。沙利文最新报告显示，中国数字人赛道年复合增长率达到52%，大约是全球增速的1.5到2倍，亚太地区无疑是最大的增量市场。但现实是，市场很热，落地很冷。目前市面上的大多数数字人，仍然停留在“照着脚本念”的阶段——能说不能听，能输出不能互动。拍一段三分钟的视频问题不大，但要撑起一场三小时的直播，基本就露馅了。在黄俊洪看来，数字人要从展示型产品走向实时交互型应用，需要同时解决三类问题：稳态、拟态和动态。简单来说，就是长时间生成不崩，表情动作足够自然，以及能够实时聆听、实时反馈、实时互动。

此次亮相的VAM1.0，正是虎牙针对这些行业痛点交出的技术答卷。作为基于DiT架构的实时多模态数字人基础模型，黄俊洪用一句话概括了它的能力：“给它一张静态照片，它还你一个能实时说话、实时聆听、实时反应的虚拟人。不是预渲染，不是录播，是每一帧都在线生成。”

虎牙公司CEO 黄俊洪

VAM的训练体系分为三段式。第一阶，让它稳——通过多参考帧加运动帧锚定形象，确保长时间生成不崩；第二阶，让它真——利用偏好优化算法，在多目标间找到平衡，提升表情和动作的自然度；第三阶，让它快——大幅压缩推理步骤，并引入自纠错机制。黄俊洪总结得很直白：“总结来说，就是让它不崩，让它好看，让它省钱。”在性能表现上，同等推理集群下，VAM达到了36.4帧每秒、首帧延迟1.3秒的水平。与八个主流模型对比，推理速度最快、延迟最低，四项核心指标全面领先，且算力开销更低。

特别值得一提的是VAM的交互特性。它原生覆盖了静默、聆听、说话三种状态。用户说话时，数字人会点头注视；用户停下来，它能自然接话；用户打断，它也能立刻反应。弹幕和语音双通道驱动，让交互不再是单向输出。黄俊洪认为，这恰恰是虎牙的场景优势所在：“大多数模型只学过怎么说，没学过怎么听。虎牙泡在直播间十几年，观众不会等你说完再发弹幕。场景，倒逼出了技术。”

据悉，VAM后续将分阶段持续迭代，在推理效率、模型表现力和成本优化三个方向同步推进，最终目标是实现多模型融合与低成本的人物风格定制。

技术杠杆撬动增长，从“看别人玩”到“和AI一起玩”

虎牙在直播领域深耕了十几年，弹幕、打赏、语音连麦这些交互基础设施，以及海量主播的视听数据，每天都在反哺模型训练。从2019年的HERO平台一路走到今天的VAM 1.0，公司已经在游戏发行、直播、广告等场景实现了全业务线闭环。黄俊洪坦言：“为了实现今天的能力，我们也是一直在做时间的朋友。”

目前，VAM已经在虎牙平台落地了多个核心场景。基于AI实时生成的唱跳互动，不再依赖固定模板，换装也不会黑屏；数字人原生狼人杀、塔罗牌等陪伴式互动内容，切换游戏模式全程无缝；真人主播的数字分身或数字助手，可以帮主播接弹幕、带气氛；还有24小时不间断的游戏道具带货。这些场景，正在从不同维度重塑直播内容的生产方式。

在黄俊洪的判断里，过去十年直播内容全靠真人主播撑起来，但多模态数字人更深地融入全天候直播、赛事解说、才艺陪伴这些场景后，内容供给将从线性走向指数化。边际成本随着规模持续下降，成本结构随之改善，利润空间自然打开。这背后就是技术杠杆的力量——一旦撬动，增长就不再是加法，而是乘法。

在游戏发行层面，VAM将通过超拟真的数字人生态直播矩阵，凝聚全网海量用户，为虎牙内容营销驱动游戏发行的模式提供更大基础支撑，覆盖从获量到留存的完整链路。

从直播间到游戏产业链，从成本结构到增长方式，黄俊洪表示，过去十年虎牙是“看别人玩游戏”的地方，未来十年要成为“和AI一起玩游戏”的地方。

主题为「智能伙伴·共创未来」的WAIC2026正在火热开展中。AI叙事路线从模型参数堆叠，转变到Agent生产力落地；异构协同、光子计算持续提高计算上限；具身智能加速应用，机器人到家进厂让物理AI变为现实。