东京大学等机构联手打造Mio：全球首个具备"交互智能"的数字人类

这项由东京山田AI研究院的蔡艺怡博士领导、联合东京大学、东京科学院以及日本国家信息学研究所等多家机构的研究团队开展的突破性研究，于2025年12月16日发表在arXiv预印本平台（论文编号：arXiv:2512.13674v1）。感兴趣的读者可以通过该编号查询完整论文原文。

回想一下那些科幻电影中栩栩如生的数字角色——它们不仅外表逼真，还能与人类进行真正的对话和互动。长期以来，现实中的数字人类虽然在外观上已经达到了近乎真实的水平，但在智能互动方面却始终停留在"照本宣科"的阶段。它们更像是会动的木偶，只能重复预设的动作和台词，缺乏真正的理解力和适应性。

为了彻底改变这一现状，研究团队提出了全新的"交互智能"概念，并开发出了名为Mio（多模态交互全能化身）的革命性系统。Mio不再是简单的模仿者，而是一个真正的智能体，它能够理解用户的意图、表达自己的个性、并在长期交互中不断学习和成长。

这项研究的创新之处在于将认知推理与实时多模态表达完美结合。Mio就像一个拥有五感的数字生命体：它有大脑（思考模块）负责理解和决策，有嘴巴（语音模块）进行表达，有表情（面部动画模块）传达情感，有身体（肢体动画模块）展现动作，还有外表（渲染模块）呈现视觉效果。这五个模块协同工作，让Mio能够像真人一样与用户进行自然、流畅的互动。

一、突破传统桎梏：从模仿到思考的质的飞跃

传统的数字人类制作方式可以分为两种路径：第一种是传统的计算机图形学方法，虽然能够精确控制每一个细节，但制作过程极其耗时耗力，就像手工雕刻一件艺术品一样；第二种是基于生成模型的方法，虽然速度更快，但往往只能进行离线生成，无法实现实时互动。

更关键的问题是，这两种方法都只能创造出"表面功夫"——数字人类可以说话、做动作，但缺乏真正的理解能力。它们就像是录音机和投影仪的组合体，只能播放预先录制的内容，无法根据实际情况做出智能反应。

Mio系统的革命性在于引入了真正的"大脑"——一个具备推理能力的思考模块。这个模块就像人类的大脑皮层一样，能够理解用户的话语背后的真实意图，结合自己的性格特点和知识背景，做出恰当的回应。比如，当用户说"我今天心情不好"时，Mio不会机械地回应"为什么心情不好？"，而是会根据与用户的关系、当前的情境以及自己的性格特征，可能选择温柔安慰、开玩笑缓解气氛，或者默默陪伴等不同的反应方式。

研究团队在构建这套系统时面临了诸多技术挑战。在语音合成方面，现有的文本转语音模型缺乏高效的离散语音表示，难以满足流畅对话所需的低延迟要求。在面部动画方面，存在着"僵尸脸"现象——数字人类在不说话时往往表情僵硬，缺乏自然的聆听行为，这严重破坏了用户的沉浸感。在身体动作方面，自回归模型容易出现错误累积，而标准的扩散模型在实时流媒体应用中计算成本过高。

二、五脏俱全的数字生命体：Mio的模块化设计

Mio系统采用了模块化的设计理念，就像人体的不同器官各司其职又相互配合。每个模块都专注于解决特定的问题，同时通过精心设计的接口实现无缝协作。

思考模块是整个系统的指挥中心，它采用了层次化记忆架构和故事时间感知的知识图谱。这就像给数字人类配备了一套完整的记忆系统：短期记忆负责处理当前对话的上下文，而长期记忆则存储着角色的性格特征、背景故事和与用户的历史互动。更重要的是，这套记忆系统具备严格的时间逻辑约束，确保角色不会"剧透"未来的剧情发展，始终保持叙事的连贯性。

语音模块包含了研究团队自主研发的Kodama音频分词器和Kodama文本转语音模型。这套系统的巧妙之处在于将语义信息和声学信息进行分离处理——就像分别处理"说什么"和"怎么说"两个问题。通过带分频技术和语义教师模型的设计，系统能够在极低的比特率下（仅1千比特每秒）实现高质量的语音合成，同时支持多语言能力。

面部动画模块解决了数字人类面部表情的两大核心问题：说话时的唇形同步和不说话时的自然聆听行为。研究团队采用了创新的两阶段训练策略：第一阶段训练一个不依赖音频的动作生成器，学习自然的面部动态模式；第二阶段在此基础上加入音频条件，实现音频驱动的表情生成。这种设计让Mio在聆听时不会呆若木鸡，而是会展现出眨眼、微表情、细微头部运动等自然的聆听行为。

身体动画模块采用了名为FloodDiffusion的创新技术，这是一种基于扩散强制的流式动作生成框架。与传统方法不同，FloodDiffusion允许不同帧携带不同的噪声水平，通过下三角噪声调度策略实现低延迟的实时动作生成。这就像在绘画时可以同时处理画面的不同部分——有些地方已经完成，有些地方还在绘制中，有些地方还是空白，但整体效果是连贯流畅的。

渲染模块基于扩散变换器技术，能够将参数化的3D控制信号转换为高保真度、身份一致的人体视频。与依赖参考图像或驱动视频的传统方法不同，这个模块完全基于参数化控制，能够在动态姿态和摄像机条件下保持严格的多视角一致性。

三、语音系统的技术革新：让数字人类开口说话

Mio的语音系统建立在两个核心技术之上：Kodama音频分词器和Kodama文本转语音模型。这套系统解决了数字人类语音合成中的几个关键难题。

Kodama音频分词器的设计理念是将语音信号分解为语义和声学两个独立的信息流。想象一下，当我们说话时，实际上传达了两类信息：内容信息（我们想说什么）和表达信息（我们如何说）。传统的音频编解码器往往将这两类信息混合在一起处理，导致压缩效率不高且难以精确控制。

Kodama分词器采用了创新的频带分离技术，将来自预训练W2v-BERT模型的语义嵌入进行可学习的傅里叶变换频带分割。低频段信息被量化到两个残差向量量化码本中，而高频段信息则与声学流合并。这种设计实现了极高的压缩比（1920倍压缩）和超低的比特率（1千比特每秒），同时保持了高质量的语音重建能力。

在多语言支持方面，研究团队收集了约50万小时的开源语料和网络数据，覆盖英语、中文、日语、西班牙语、德语、俄语、韩语、葡萄牙语、法语等多种语言。这个庞大的数据集使得Mio能够在不同语言环境中都表现出色，特别是在日语环境中，其性能显著超越了现有的竞争对手。

Kodama文本转语音模型基于Qwen3-1.7B语言模型，采用混合模态离散序列处理架构。文本标记和Kodama音频标记共享统一的嵌入空间，这种设计使得模型能够直接推理跨模态依赖关系，并根据语言内容、声学上下文和对话历史自回归生成音频延续。

特别值得一提的是，这套系统支持上下文学习的声音克隆能力。只需要提供少量的目标声音样本作为声学示例，Mio就能够学会模仿该声音的特征，实现个性化的语音合成。这为创建具有独特声音特征的数字角色提供了强大的技术支持。

四、面部表情的艺术：从僵硬到生动的蜕变

数字人类的面部表情一直是一个技术难点，特别是如何让数字人类在不说话时依然保持自然生动的表情。研究团队开发的UniLS（统一聆听-说话）框架，巧妙地解决了这个被称为"僵尸脸"的问题。

传统的面部动画方法往往将说话和聆听视为两个独立的任务分别处理，这导致生成的动画在两种状态之间缺乏自然的过渡。UniLS的创新在于将这两种行为统一在一个框架中处理，就像人类的面部表情系统一样，说话和聆听是连续的、相互关联的行为状态。

研究团队采用了两阶段训练策略来实现这一目标。第一阶段训练一个不依赖音频的生成器，专门学习内在的运动先验知识。这个生成器使用来自新闻广播、访谈、流媒体内容等多样化视频源的未配对数据进行训练，学会生成自然的面部动态，包括眨眼、点头、微表情等自发性行为。

第二阶段在第一阶段的基础上，通过双音轨音频调节对生成器进行微调。在这个阶段，模型学会如何根据双方的对话音频来调整面部表情：当角色说话时，表情应与语音内容和韵律特征保持同步；当角色聆听时，表情应反映对对话者言语的自然反应。

这种设计的巧妙之处在于，它模拟了人类面部表情的双重驱动机制。我们的面部表情既受到内在情绪状态的影响（内在运动先验），也会根据外部刺激（如他人的话语）做出相应调整（外部音频线索）。UniLS将这两种机制有机结合，让数字人类的表情变得更加自然和富有表现力。

在技术实现上，面部动画器使用多尺度VQ-VAE码本进行动作表示，时间窗口大小为100帧（4秒），多尺度级别包括1、5、25、50、100帧。训练过程采用AdamW优化器，学习率为1.0e-4，批量大小为128，训练200,000次迭代。整个训练过程在四块NVIDIA H200 GPU上进行，总计需要约40个GPU小时。

为了确保生成的面部动作具有高质量，研究团队使用了精心设计的跟踪流水线来提取逐帧FLAME参数，包括详细的眼部注视和头部姿态标注。最终，他们获得了675.5小时的对话数据和546.5小时的多场景数据，其中对话数据包含251.5小时的说话动作（2260万帧）和406.0小时的聆听动作（3650万帧）。

五、身体动画的实时生成：FloodDiffusion的技术突破

让数字人类拥有自然流畅的身体动作，并且能够实时响应用户指令，这是Mio系统面临的另一个重大技术挑战。研究团队开发的FloodDiffusion技术，为这个问题提供了创新性的解决方案。

传统的身体动画生成方法主要面临两大困境：自回归模型容易出现误差累积，就像传话游戏一样，错误会在传递过程中被放大；而基于分块的扩散模型虽然质量较高，但存在"首帧延迟"问题，需要等待整个动作块生成完成才能输出，无法满足实时交互的需求。

FloodDiffusion采用了基于扩散强制的创新技术路径。这种方法的核心思想是允许序列中的不同帧携带不同的噪声水平，就像在一幅正在绘制的画作中，有些部分已经完成，有些部分还在创作中，有些部分还是空白画布。通过这种方式，系统可以在保证质量的同时实现低延迟的流式生成。

系统首先使用因果变分自编码器（Causal VAE）将高维运动序列映射到紧凑的连续潜在空间。这个编码器和解码器严格遵循因果性约束，意味着潜在表示和重建结果只依赖于当前及之前的帧，不会"窥视"未来的信息。通过4倍的时间下采样和4维的潜在通道，系统将263维的运动数据压缩为高度紧凑的4×T/4表示，显著降低了下游扩散模型的计算负担。

FloodDiffusion的关键创新是下三角调度策略。研究团队发现，传统的随机调度策略在运动数据上表现不佳，因此设计了一种特定的噪声调度模式。在任何生成步骤t，系统可以识别出三个区域：已完成的过去帧（完全去噪），正在处理的活跃窗口（具有不同噪声水平），以及未来的噪声区域（纯噪声）。这种结构化的噪声分布确保了生成过程的局部性和连续性。

在模型架构方面，FloodDiffusion采用了扩散变换器骨干网络，并在活跃窗口内使用双向注意力机制。虽然整个系统是流式的，但正在去噪的帧需要相互关注以解决一致性问题。研究表明，如果将活跃窗口内的注意力限制为因果性，性能会显著下降（FID从0.057上升到3.37），这说明帧间的相互关注对于保持动作连贯性至关重要。

为了处理来自思考模块的时变指令（如"行走"→"挥手"），系统实现了逐帧文本条件机制。使用T5编码器处理文本提示，并采用偏置注意力掩码，让每个运动帧关注在相应时间激活的文本提示。当思考模块更新提示时，新的嵌入会无缝集成到未来帧中，活跃窗口的重叠确保新旧运动风格之间的平滑过渡。

六、视觉呈现的巅峰：AvatarDiT渲染系统

Mio系统的视觉呈现由AvatarDiT渲染模块负责，这个模块的任务是将参数化的面部和身体运动转换为逼真的人类视频，同时保持严格的身份一致性和多视角几何一致性。

AvatarDiT的设计理念是实现完全参数化的控制，而非依赖参考图像或驱动视频。系统接收FLAME面部参数（捕获面部表情、下颌姿态、凝视和局部头部姿态）、SMPL身体参数（表示全局身体姿态、关节运动和形状）以及相机配置作为输入，生成相应的RGB视频帧。

这种参数化控制方式的优势在于能够实现精确的运动控制和稳定的多视角渲染。与基于图像驱动的方法不同，参数化控制不会受到参考图像质量或视角限制的影响，能够在各种摄像机配置下生成一致的高质量输出。

考虑到面部运动控制和多视角生成的不同特性，以及收集同时具备两种模态的数据集的困难，研究团队采用了三阶段训练策略。第一阶段专注于面部控制，训练FLAME适配器和运动编码器，实现基于参数的面部控制。第二阶段引入多视角控制，通过跨视角训练策略强化几何和外观的一致性。第三阶段进行联合微调，整合所有模块以实现统一的身份一致生成。

在面部控制方面，研究团队开发了一个4层变换器适配器，将112维FLAME参数映射到512维面部运动嵌入空间。FLAME参数向量定义为φ = [e; r_jaw; r_gpose; r_leye; r_reye]，其中e表示100维表情系数，其余12维表示各种局部姿态的轴角表示。适配器通过元素级残差加法将处理后的参数注入到图像衍生的运动嵌入中。

为了实现更精确的多视角控制，系统采用了基于SMPL的RGB渲染作为控制信号，而非稀疏的OpenPose关键点。这些渲染图像由SMPL参数和相机姿态生成，使得框架能够完全由3D可控参数驱动，无需依赖输入视频。

在多视角训练过程中，系统随机选择1-5个不同视角的参考帧，并将其编码为潜在表示。此外，系统还对每个DiT块的调制层进行微调，引入基于相机的偏移，类似于时间嵌入偏移。相机参数通过线性调制嵌入到三个通道标量向量中，影响前馈网络的输出。

七、思考模块：赋予数字人类真正的智慧

Mio系统的核心在于其思考模块，这是一个专门为数字角色设计的大语言模型系统。与通用的聊天机器人不同，这个模块被设计为能够维持一致的角色人设、理解复杂的叙事情境，并在长期交互中展现智能行为。

思考模块采用了层次化记忆架构，就像人类大脑的记忆系统一样分为短期记忆和长期记忆两个层次。短期记忆充当高速、易失性的对话缓冲区，存储即时的对话上下文、最近的话语历史和当前活跃的目标，使Mio能够跟踪对话的瞬时流程。

长期记忆则采用了创新的故事情节知识图谱设计。与标准的向量数据库不同，这个图谱将基础记忆、性格特征和世界设定结构化为实体（节点）和关系（边）。关键的创新在于，图谱中的每个元素都明确标记了故事时间坐标，将事实锚定到叙事时间线中的特定时刻。

在推理时，这两个记忆层次通过故事时间感知检索机制协同工作。系统执行双级检索流水线：首先在图谱节点上进行语义搜索以捕获特定实体，然后在边上搜索以捕获主题关系。关键的是，这种检索受到叙事现在时门控的严格控制——如果Mio当前处于时间点t_current，门控会严格过滤掉任何时间标记t_node > t_current的记忆节点，确保Mio无法访问或泄露她不应该知道的事件信息。

为了实现数据无关的自我训练，思考模块采用了竞争性自我博弈的学习框架。模型在两种对立策略下运行：场景生成策略负责创造复杂且具有挑战性的交互场景，其目标是创造能够探查代理推理、情感适当性或性格一致性弱点的情况；交互角色策略则体现Mio本身，其动作空间包括生成整体性的多部分计划，涵盖对话、情感状态和身体手势。

训练过程采用了合成偏好对的方法。对于每个场景，教师模型创建一个正面样本（理想的角色内反应）和一个负面样本（表现出人设漂移或破坏框架行为的有缺陷反应）。训练过程遵循通过群体相对策略优化优化的极小极大目标，角色策略旨在最大化专门针对人设保真度的复合奖励函数。

多模态奖励模型是系统的核心组件，负责提供学习所需的真实反馈信号。它解决了对话中的基本时间信用分配问题——如何将单一、稀疏的全局奖励归因于导致该结果的特定、细粒度局部行动。系统首先提取时间对齐的多模态特征向量，表示用户在每个状态下的反应，然后采用强大的冻结大语言模型作为零样本奖励分解预言机，将增强的轨迹和最终标量全局奖励作为输入，输出每个Mio行动的逐轮级奖励序列。

八、全面评估：Interactive Intelligence Score新标准

为了客观评估Mio系统的综合性能，研究团队提出了Interactive Intelligence Score（IIS，交互智能评分）这一全新的评估标准。这个评分系统将数字人类的能力分解为五个正交维度：认知共鸣、声学保真度、面部同步性、躯体流畅性和视觉完整性，每个维度的评分范围为0-100分。

认知共鸣维度评估代理维持人设保真度和遵循叙事因果关系的能力，作为思考模块推理完整性的度量标准。该评分综合了归一化的CharacterBox评分、时间线连贯性准确率和鲁棒性拒绝率。在这个维度上，Mio的完整系统获得了显著优于各个基准系统的表现，特别是在行为准确性和个性特征维度上表现突出。

声学保真度维度衡量语音合成的清晰度、身份保持和感知质量，平衡了可懂度和声学丰富性。该评分计算语音重建性能的平均值，包括短时客观可懂度、说话人相似度、感知语音质量评估等指标，以及零样本文本转语音性能。Mio在这个维度上展现了均衡的多语言能力，特别是在日语合成方面表现卓越。

面部同步性维度评估面部运动的精确性和响应性，采用客观指标来惩罚唇同步和聆听动态的偏差。该评分使用唇顶点误差评估说话准确性，使用特征动态偏差的平均值评估聆听自然性。研究结果显示，Mio在说话准确性和聆听自然性方面都显著优于现有方法。

躯体流畅性维度评估全身运动的物理合理性和时间平滑性，结合运动质量和过渡平滑性指标。该评分使用Fréchet Inception Distance表示运动质量，使用峰值加速度表示过渡平滑性。在这个维度上，Mio实现了媲美最佳离线模型的运动质量，同时在流式基准测试中保持了最低的延迟和最高的平滑性。

视觉完整性维度捕获渲染化身的照片级真实感和多视角身份一致性，确保化身即使在摄像机角度变化时也能保持身份特征。该评分聚合了CLIP相似度评分、结构相似性指数和学习感知图像块相似性。Mio在这个维度上展现了优于现有人类动画系统的多视角一致性和身份保持能力。

综合各维度表现，Mio获得了76.0分的总体交互智能评分，相比之前最佳基准系统的组合评分提升了8.4分。这一结果定量验证了将交互逻辑与生成外观相结合显著提升了代理的感知智能和沉浸感。

九、实验验证：理论到实践的完美转化

研究团队通过广泛的定量和定性实验验证了Mio系统各个模块的优越性能。在语音模块方面，Kodama分词器在多个数据集上都表现出了显著优势。在LibriTTS测试集上，该分词器在感知质量方面取得了PESQ-NB 3.26分的成绩，大幅超越了XY-Tokenizer的3.00分和XCodec2.0的3.03分。更重要的是，系统在可懂度方面表现优异，在所有测试集上都保持了0.91以上的STOI评分，在JSUT数据集上甚至达到了0.95的峰值。

在零样本文本转语音任务中，Kodama-TTS展现了卓越的性能，特别是在多语言支持方面。在英语场景下，系统达到了3.13的DNSMOS评分，超越了基于百万小时数据训练的MOSS-TTSD（3.01分）和基于千万小时数据训练的Higgs模型（3.09分）。在日语合成方面，Mio的优势更加明显，实现了32.82%的字符错误率，而基准模型的错误率高达317.53%和92.44%，证明了其在多语言场景下的卓越泛化能力。

面部动画模块的评估结果同样令人印象深刻。在定量指标上，UniLS在唇同步准确性（LVE、MHD）和语音风格对齐（FDD、PDD、JDD）方面都取得了显著改善。在用户研究中，超过90%的参与者更偏爱Mio生成的聆听反应，这一压倒性的偏好凸显了两阶段设计的优势：模型产生的聆听动作显著更具表现力、响应性和人性化。

身体动画模块在HumanML3D数据集上实现了0.057的FID评分和0.810的R-Precision@3指标，达到了最先进的离线模型水平。在流式性能评估中，FloodDiffusion记录了0.713的峰值加速度和14.05的加速度曲线下面积，显著优于现有的流式基准模型。这些结果证明了流式约束并不会损害生成质量，同时确保了思考-渲染流水线所需的稳定低延迟运动。

渲染模块的评估聚焦于三个互补方面：身份保持、多视角几何一致性和感知视频质量。AvatarDiT实现了最高的CLIP相似度（0.8693）和最低的LPIPS（0.2231），展现了优越的感知对齐和跨视点的身份稳定性。在用户偏好研究中，AvatarDiT在每个标准上都获得了最高的平均评分，接近真实参考水平，相比WAN-Animate在面部表情准确性上提升了0.6分，在多视角一致性上提升了0.5分。

十、技术创新与未来影响：开启数字人类新纪元

Mio系统的技术创新不仅仅体现在单个模块的性能提升上，更重要的是实现了认知推理与实时多模态体现的统一。这种端到端的集成方法代表了数字人类技术发展的根本性转变——从被动的播放设备转向主动的智能代理。

在语音技术方面，Kodama系统通过语义-声学分离和极低比特率压缩，为实时对话应用奠定了坚实基础。这种技术路径不仅提升了语音质量，更重要的是实现了多语言的平衡支持，为全球化的数字人类应用铺平了道路。

面部动画领域的突破在于解决了长期困扰业界的"僵尸脸"问题。通过统一的聆听-说话框架和两阶段训练策略，Mio实现了自然、连贯的面部表情动画，让数字人类的非语言交流变得更加真实可信。

身体动画技术的创新体现在FloodDiffusion对实时性和质量的平衡处理。这种技术不仅解决了传统方法在延迟和质量之间的矛盾，更为可编辑、流式的人体运动生成开辟了新的可能性。

在视觉渲染方面，参数化控制的实现使得数字人类能够在各种视角和环境下保持一致的身份特征，这对于沉浸式应用（如虚拟现实和增强现实）具有重要意义。

最具革命性的创新可能是思考模块引入的"交互智能"概念。通过层次化记忆、故事时间感知和自我进化学习，Mio展现了超越简单问答的深度理解和交互能力。这种能力使得数字人类能够在复杂的叙事环境中保持角色一致性，为下一代虚拟伴侣、交互式故事讲述和沉浸式游戏应用奠定了技术基础。

研究团队将完整的代码库、预训练模型和评估基准公开发布，这一举措将推动整个领域的发展。Interactive Intelligence Score的提出也为未来的研究提供了标准化的评估框架，有助于推动数字人类技术的持续进步。

展望未来，交互智能技术有望在多个领域产生深远影响。在娱乐产业，它将revolutionize虚拟角色的创作和表演，使得虚拟偶像、游戏角色和动画人物具备真正的智能交互能力。在教育领域，智能化的虚拟教师能够根据学生的个性和学习进度提供个性化指导。在医疗保健方面，虚拟治疗师和陪伴机器人能够为患者提供更加人性化的关怀和支持。

说到底，Mio系统代表的不仅是技术的进步，更是我们对于人机交互未来的重新想象。当数字人类不再是简单的工具，而是真正能够理解、学习和成长的智能伙伴时，我们与技术的关系也将发生根本性的改变。这项研究为我们描绘了一个充满可能性的未来——在这个未来里，数字世界和现实世界的边界将变得更加模糊，而人类的创造力和想象力将通过智能化的数字伙伴得到前所未有的扩展和实现。

Q&A

Q1：Mio交互智能数字人类与传统的虚拟角色有什么根本区别？

A：Mio最大的区别在于具备真正的"大脑"——思考模块，能够理解用户意图、保持角色人设，并根据情境做出智能回应，而不是像传统虚拟角色那样只能播放预设内容。Mio拥有记忆系统，能学习用户习惯，在长期交互中不断成长，实现了从"模仿者"到"智能体"的根本转变。

Q2：Mio的五个核心模块是如何协同工作的？

A：Mio由思考、语音、面部动画、身体动画和渲染五个模块组成。思考模块作为指挥中心分析用户输入并制定回应策略，语音模块将文字转换为自然语音，面部动画模块生成表情和唇形同步，身体动画模块创造肢体动作，渲染模块最终将所有元素合成为逼真的视频输出。这五个模块实时协作，让Mio能像真人一样进行多模态交流。

Q3：普通用户什么时候能使用到Mio这样的交互智能数字人类？

A：研究团队已经开源了完整代码和预训练模型，技术开发者可以立即使用。对普通用户来说，这项技术将首先应用于虚拟助手、游戏角色和教育平台等场景。预计在1-2年内，我们会看到基于类似技术的消费级产品出现，如智能虚拟陪伴、个性化教学助手等应用。