全球首个具身智能开放平台来了！让大模型长出“身体”，像人一样自然表达交互

henry
2025-10-30
11:18:55

来源：量子位

henry 发自 凹非寺

量子位 | 公众号 QbitAI

具身智能赛道的想象力，远比眼前的机器人要辽阔。

当大家还在琢磨怎么把大模型塞进机器人里时，数字人也和具身智能关联上了。

就在今天，魔珐科技发布了面向开发者的具身智能基础设施——「魔珐星云」具身智能3D数字人开放平台。

这也是全球首个。

在魔珐星云的驱动下，不仅大语言模型能够“长出身体”，实体机器人也能像人一样拥有动作、表情，实现自然表达。

凭借低于1.5秒的端到端延迟、千万级并发能力，以及百元级算力即可运行的架构，人机对话几乎就像朋友面对面聊天一样自然。

这是怎么做到的？

魔珐星云：让AI拥有身体的开发者平台

魔珐星云是魔珐科技推出的面向开发者的具身智能3D数字人开放平台。

它可以根据文本，实时生成3D数字人的语音、表情、眼神、手势和身体动作，让任何屏幕、应用、终端都实现自然、流畅的多模态交互。

魔珐星云主要驱动3D具身数字人的三大应用方向。

首先，魔珐星云可以为大模型和AI智能体提供身体和表达能力，让原本只能文字交流的模型，通过语音、表情和动作与人类进行自然互动。

其次，它可以让手机、平板、电视、车载屏幕等各种终端升级为具身智能界面，让每一块屏幕都能“能说、会动”，从被动的信息载体转变为主动的服务者或信息提供者。

最后，魔珐星云还能驱动人形机器人实现自然沟通。

它可以在虚拟端生成关节级运动（运动学轨迹），通过仿真+模仿/强化学习映射到机器人（动力学控制）。

这样，机器人不仅能行走、操作，还能通过语音、眼神、手势等自然方式与人交流，实现讲解、导览、交互问答等功能。

由此，魔珐星云超越了普通的内容生成工具，成为了让大模型“有身体”的底层基建。

在具体的应用场景中，它能在酒店、政务大厅、展馆等场景上岗，胜任接待、导办、讲解工作。

无论是作为大屏互动窗口，还是化身为接待机器人，数字人都能做到7×24小时在线待命，提供始终如一的亲切服务。

在一些更细分的场景中——比如AI面试、线上培训等——数字人也突破了传统的文本对话形式，让用户能够与一个“有温度”的具身形象进行自然互动。

对于个体开发者，魔珐星云也支持SDK或API部署调用，开发者可根据实际需要将魔珐星云能力嵌入任何终端——屏幕、机器人、App……

例如，开发者可以打造有形象、有表情、能对话的AI伙伴，或者通过SDK/API接入网页、小程序或App，生成有形象的具身数字人助手。

可以说，魔珐星云平台的发布志在将计算机图形界面转化成有形象、能交流、能办事、能陪伴的具身智能体，让屏幕活起来！

而魔珐星云的落地实现，离不开魔珐的核心优势。

突破“高质量、低延迟、高并发/低成本”的不可能三角

当前，数字人的规模化商业落地面临多重挑战。

首先是体验是否过关——数字人的形象、表情、动作、唇形与声音是否自然，能否传递“人在场”的感受。

其次是响应速度——用户输入后系统能否快速反馈。在此基础上，还需要兼顾成本可控、规模化部署与多终端适配能力。

针对这些挑战，现有技术方案各有侧重，形成了典型的不可能三角：

兼顾高画质与低延迟，需要大量算力投入，成本难以控制且难以规模化；兼顾高并发与低成本，则难以保证画质；兼顾高质量与高并发，又无法实现实时交互。

而魔珐星云的推出，正是对这一不可能三角的首次突破。

魔珐科技以自研的文生多模态3D大模型为核心，将语义、语音、表情、动作纳入统一生成体系，多模态统一驱动，实现语音、表情与动作的自然同步与情感协调。

更关键的是，围绕模型，魔珐星云还设计了创新的云-端拆分架构——

云端仅生成语音和动作参数，端侧AI直接渲染画面，无需传统引擎与GPU支持，就能使带宽更小、延迟更低、算力更省。

也正因这一架构，魔珐星云不仅可以在RK3566、3588等百元级芯片上流畅运行，还适配国产信创芯片，让数字人真正跑在各种系统、终端，甚至中低端设备上，让具身智能从实验室走向随处可用。

此外，魔珐星云还有一个很强的底子：

团队从2018年开始为游戏、影视、动画公司制作3D内容，到后来自己积累动画数据，目前已有数千小时的高质量3D动画资产。

在一个“高质量每秒成本上千元”的领域，这样的数据体量不仅稀缺，更是支撑大模型表现力的关键。

过去两年，魔珐也在持续推进“3D+AI”的融合落地——推出视频工具有言、直播产品有光、交互产品有灵，把魔珐星云的技术能力不断转化为具体应用。

魔珐星云的推出则进一步印证了魔珐从项目到产品再到平台的转变——

将3D数字人能力全面开放，让开发者和企业都能快速构建具有人类表达力的具身智能体。

此外，为了推动不同场景的驱动落地，魔珐科技创始人、CEO柴金祥教授表示：

魔珐具备完整的感知、理解、行动三层能力。对于已有大模型的客户，魔珐星云提供驱动与人形智能模块，实现模型具身化；对于没有大模型的客户，则提供从模型到驱动的一体化解决方案；在线下大屏，对于没有感知能力的客户，则提供视觉和语音识别能力；非开发者用户也可通过“有灵”调用公司模型或第三方通用模型。

目前，魔珐星云平台已全面开放给开发者使用。用户可以通过SDK或API接入，实现实时驱动、语音合成、视频生成等具身智能能力。

屏幕上的具身智能体

长期以来，魔珐科技一直被视为数字人领域的头号玩家，但这次新发布的魔珐星云并非单纯的数字人/视频生成平台 。

一方面，与传统的数字人平台不同，魔珐星云不是在“合成一段表演”，而是在“驱动互动”。

传统平台多基于2D拼贴、口型合成与预录动作回放，动作有限、响应滞后，也缺乏多模态理解。

而魔珐星云基于3D多模态生成模型，可同时生成语音、表情与动作，使AI的交流具备“眼神、节奏与身体语言”的层次感。

另一方面， 与Sora等视频生成模型不同，魔珐星云的目标不是生成影像，而是驱动存在。

Sora可以生成逼真的视频，但输出不可控、延迟高、成本重——更适合做内容，不适合做交互。

魔珐星云则以低于1.5秒的端到端延迟和百元级算力的轻量架构，实现了语义、语音、动作一体化的实时驱动，让AI能随语义实时反应。

可以说，Sora让AI“看起来像人”，传统数字人让AI“听起来像人”，魔珐星云则让AI“像人一样回应，表现”。

而这一标志性的区别，正源于魔珐星云此次的独特定位——具身智能3D数字人。

简单来说，具身智能3D数字人就是将数字人的能力（有形象、会表达）与大模型的能力（有大脑、能办事）深度融合。

这里的具身智能体（Embodied Agent）与传统强调AI进入物理世界、具备感知和行动能力的具身智能（Embodied AI）不同，更侧重人机交互（HCI）和多模态AI。

从最早的纸带机、终端命令、图形界面，再到大模型的文本输入框，交互界面始终缺乏一个“活的身体”。

具身智能体的提出则在于让“身体能力平台化”，让任何屏幕、界面、应用都能拥有身体，从而在具体场景中以自然方式进行交互和服务。

在这里，“身体”不一定是机械的，而是可感知、可体验的身体界面。

例如：屏幕上的3D数字人、手机里的虚拟助手、车载屏幕里的AI副驾、 接入机器人后的动作与表情驱动系统。

这些智能体有表情、有语气、有手势——即便身体只存在于屏幕上，也能被人类感知为“一个在场的智能体”。

相比传统只能输出文字或语音的AI，魔珐星云赋予AI更丰富的表现力和自然的交互体验。

想象一下：如果AI健身教练只能通过文字或语音指导，而无法用身体演示动作；如果英语陪练没有形象，只能让你对着空气开口说话——交互体验必然会大打折扣。

具身化正是为了解决这个问题：让终端、应用或智能体以人的方式表达——通过表情传递情绪，通过声音和语气沟通，通过动作和形象建立存在感。

只有这样，交互才能可信，才能规模化，才能真正走入社会。

正如柴金祥教授所说：

魔珐星云的使命，就是补⻬AI最后一块拼图⸺让每一块屏幕、每一个界面、每一个终端、每一台人形机器人，都真正“活”起来。

此外，从“脑到身”的视角看，AI的发展也可视为具身发展的演进路线。

• 文字AI（ChatGPT）：只有语言，没有身体→无具身
• 语音助手（Siri等）：有声音，可听不可见→半具身
• 数字人（屏幕）：有声音、有表情、有动作，可感交流→虚拟具身
• 机器人：有物理身体，可作用世界→真实具身

魔珐星云正是贯通了虚拟具身和真实具身，既能驱动虚拟3D数字人的动作、表情和语音，也能驱动人形机器人的关节动作、面部表情和手势。

正因如此，魔珐星云弥合了虚拟世界的大模型“有脑却无身”，缺乏情绪、动作和表现力，现实世界的人形机器人“有身却无魂”，能动却不会交流的鸿沟。

从这个意义上说，魔珐星云并不只是一个数字人平台，而是一次对“具身智能”概念的重新审视。

就像柴金祥教授提到的：

身体是多面向的——既用于感知、日常活动与劳动，也可用于娱乐、陪伴与沟通。

我们当前对机器人劳动的关注，忽略了身体在人机交互与情感表达中的关键作用。

而魔珐星云的发布也提醒我们，具身智能的定义与其现有技术一样，谈收敛，还为时尚早。

体验网址：https://xingyun3d.com

Read More