7月18日，2026世界人工智能大会（WAIC）腾讯AI应用创新论坛在上海顺利举行。虎牙公司董事长林松涛出席论坛并致辞，他强调真实场景是AI价值的发源地，而终端则是AI普及的“最后一公里”。他指出，虽然当前模型能力之间的差距正在缩小，但工程化能力的差距却在拉大。AI普惠的标志并非让强者更强，而是让普通人借助AI变得不再平庸。
随后，虎牙公司CEO黄俊洪进一步阐述了这一理念，并以游戏娱乐场景为例，介绍了虎牙自研的实时多模态数字人VAM 1.0。作为在真实、7×24小时不间断运转场景中孵化出的AI应用，VAM 1.0展示了数字人从展示型向交互型应用的转变。沙利文数据显示，中国数字人赛道年复合增长率高达52%，约为全球增速的1.5至2倍，亚太地区更是最大的增量市场。然而，市场虽然火热，落地却相对冷清。大多数数字人仍停留在照本宣科的“念稿”阶段，存在“能说不能听，能输出不能互动”的痛点。即便是三分钟的视频可以完成，三小时的直播却难以支撑。
黄俊洪认为，数字人要实现从展示型向实时交互型的跨越，必须解决稳态、拟态和动态三类核心问题：即长时间生成不崩坏、表情动作足够自然，以及能够实时聆听、反馈和互动。VAM 1.0正是虎牙针对这些行业痛点打造的技术成果。基于DiT架构，VAM 1.0实现了“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”的能力。它并非预渲染或录播，而是每一帧都在线生成。
为了实现这一目标，VAM采用了三段式训练体系。一阶训练确保“稳”，通过多参考帧加运动帧锚定形象；二阶训练追求“真”，利用偏好优化算法在多目标间寻找平衡；三阶训练实现“快”，大幅压缩推理步骤并引入自纠错机制。黄俊洪总结道：“简单来说，就是让它不崩、让它好看、让它省钱。”
在性能表现上，VAM 1.0在同等推理集群下达到了36.4帧每秒的流畅度，首帧生成仅需1.3秒。与八个主流模型对比，VAM在推理速度、延迟、核心指标及算力开销上均全面领先。黄俊洪特别强调了VAM的交互特性，其原生覆盖静默、聆听、说话三种状态。用户说话时，数字人会点头注视；用户停止说话，它会自然接话；若用户打断，它立刻反应，支持弹幕和语音双通道驱动。
黄俊洪指出，大多数模型只学过怎么说，没学过怎么听。虎牙深耕直播行业十余年，直播间观众不会等待主播说完再发弹幕，这种高强度的交互场景倒逼技术不断进化。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，最终实现多模型融合与低成本人物风格定制。
技术杠杆撬动增长。从2019年的HERO平台走到如今的VAM 1.0，虎牙已在游戏发行、直播、广告等场景实现了全业务线闭环。目前，VAM已在虎牙平台落地多个核心场景：基于AI实时生成的唱跳互动，换装不黑屏；数字人原生狼人杀、塔罗牌等陪伴式内容，切换模式无缝；真人主播的数字分身或助手，帮助接弹幕、带气氛；以及24小时不间断的游戏道具带货。
黄俊洪认为，过去十年直播内容全靠真人主播支撑，但多模态数字人融入全天候直播、赛事解说、才艺陪伴后，内容供给将从线性走向指数级，边际成本随规模持续下降，利润空间随之打开。这是技术杠杆，一旦撬动，增长不再是简单的加法，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，凝聚海量用户，为虎牙内容营销驱动游戏发行的模式提供支撑，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。