從用戶所需的生活場景的體驗到可以讓元宇宙概念落地的技術，構建元宇宙涵蓋了幾萬億規(guī)模市值的產業(yè)鏈

▲圖1.13 構建元宇宙的七層產業(yè)鏈

1. 體驗層——映射現實世界的生活場景

元宇宙中的體驗并不是打造簡單的立體空間中的沉浸感，它可以把人類生活場景的方方面面映射進數字世界。當物理世界數字化之后，體驗可以變得更加豐富。元宇宙可以幫助人類拓展邊界，在虛擬世界中，可以獲得在現實世界中無法擁有的體驗。

圖1.14展示了法國電子音樂藝術家讓·米歇爾·雅爾（Jean Michel Jarre）利用Unity引擎在虛擬的“巴黎圣母院”舉辦的一場虛擬音樂會。元宇宙中的體驗可以打破空間和時間的界限。

▲圖1.14 虛擬音樂會，圖片來源：YouTube

元宇宙也可以幫助用戶成為內容的創(chuàng)造者：內容會從人與人、人與物、人與空間的互動中產生并拓展，每個用戶體驗及消費內容的同時也可以參與內容的創(chuàng)作。元宇宙中關于體驗的“沉浸感”，不僅指數字世界對現實世界的高度復制和映射，更多的是指元宇宙會極大地提升人對各個事物及活動的體驗感，且可以激發(fā)更多的內容創(chuàng)作。

2. 發(fā)現層——內容消費的關鍵領域

發(fā)現層能夠使元宇宙構造創(chuàng)作者經濟生態(tài)，未來，人們有極大的可能在這一層產業(yè)中獲得豐厚的利潤，實現Play-to-Earn?；ヂ摼W時代，人們已經發(fā)現利用網絡流量生產內容進行營銷是一種高效率的變現模式，移動互聯網時代滋生的諸多自媒體都是依靠這種形式來賺取利潤。

而在元宇宙時代，以生產、販賣及消費內容為主的生態(tài)將會更加便捷和普遍。人們可以將自己創(chuàng)造的內容或產品數字化，用自己的創(chuàng)意獲取利潤。最近興起的NFT就是一種逐漸成熟的技術。NFT非常符合元宇宙去中心化的特性，可以激發(fā)更多的創(chuàng)作者參與進來，把內容置換為數字資產。

圖1.15展示了Opensea上過去7天NFT的交易排行榜。Opensea是目前最大的NFT交易市場，用戶可以在Opensea上使用美元或虛擬貨幣Ether售賣或購買虛擬頭像、域名、音樂、虛擬場景等NFT?？梢钥闯觯蟛糠值腘FT交易漲幅都非常大，排名第一的CLONE X的漲幅達到了329.71%。

▲圖1.15 Opensea上過去7天NFT交易排行榜，圖片來源：Opensea官網

3. 創(chuàng)作者經濟層——共享及共創(chuàng)

創(chuàng)作者經濟層包含了實現元宇宙生態(tài)及面貌所需要的要素。如今，在各行各業(yè)已經初見創(chuàng)作者經濟的樣貌。各種引擎和平臺的搭建，使得不會代碼的創(chuàng)作者也可以在數字世界中進行創(chuàng)作。例如，可以在Wix上創(chuàng)建自己的個人網站，而不需要掌握HTML及JavaScript的語法，或者無須掌握任何代碼就可以在Tableau上實現高級可視化圖形。

市場上為工程師設計的各種平臺和軟件，可以幫助工程師更高效率地完成工作。平臺提供整套集成工具，使人人都有機會創(chuàng)作出自己的內容并且分享出去。加密貨幣的發(fā)展又保證了創(chuàng)作者可以將內容變現，以激勵更多的人參與。

4. 空間計算層——實現無邊界的關鍵技術

空間計算是實現元宇宙世界與現實世界無縫切換的關鍵技術?？臻g計算讓人類創(chuàng)造并進入虛擬的3D空間成為可能。其中主要包含3D引擎技術、生物識別技術、地理空間映射技術、用戶交互技術及AI和大數據技術（見圖1.16）。這些技術共同作用，使得人們可以隨時隨地進入元宇宙世界。空間計算技術也是實現元宇宙世界的技術難點。

▲圖1.16 空間計算軟件涵蓋的領域

5.去中心化層——元宇宙時代的生態(tài)系統核心

去中心化是元宇宙生態(tài)的核心，這樣才能使真正的創(chuàng)作者經濟發(fā)展壯大，不屬于某一組織或平臺，而是屬于每一個參與者，從而實現元宇宙的共創(chuàng)、共享及共治。目前區(qū)塊鏈及邊緣計算是實現去中心化的關鍵技術。邊緣計算是提高算力的關鍵，可以高效處理元宇宙世界產生的龐大的數據量。

6. 人機交互層——高沉浸感的技術核心

微機設備與人類的軀體結合得更加緊密，可以提升人機交互的體驗感。AR/VR/XR等設備的發(fā)展提高了人在元宇宙世界中的體驗感。用戶不僅能通過AR/VR設備沉浸在虛擬世界中，未來還有可能利用腦機接口實現在虛擬世界的永生。

7. 基礎設施層——元宇宙世界中的基礎設施

基礎設施層包括實現元宇宙的基礎設施及硬件設備。5G網絡已經顯著提高了帶寬速度，同時降低了網絡延遲。6G將把帶寬速度提高到另一個數量級。AI芯片可以大幅提高算力，提升機器學習算法的訓練速度，處理更加龐大的數據。

關于作者：成生輝，博士，西湖大學西湖學者，現任智能可視化實驗室負責人。他于紐約州立大學石溪分校獲得計算機科學博士學位，并在德國萊比錫大學醫(yī)學研究所、布魯克海文國家實驗室和美國哈佛醫(yī)學院進行研究，曾任世界銀行（總部）數字經濟組顧問。他的主要研究方向為數據可視化、可視分析和元宇宙等。