OpenAI、Google、腾讯齐聚一堂，世界模型：字节跳动不容有失的关键战役

每经特派记者：林晓晨 每经资深编辑：陈明轩

9月7日，市场传出重磅消息，字节跳动正依托其旗下视频生成模型Seedance，全力推进一款实时空间视频生成模型的研发工作。截至本文发稿时，字节跳动官方尚未对此消息作出正式回应，甚至有接近项目的知情人士透露，部分市场传言存在不实之处。

然而，相较于这些未经证实的传言，一个更为紧迫且值得深思的问题摆在了字节跳动面前：在全球科技巨头纷纷布局世界模型的当下，字节跳动能否在这场科技竞赛中缺席？

科技发展的潮流方向已然明朗。自2025年下半年以来，OpenAI、Google、Meta、NVIDIA等国际科技巨头相继宣布入局世界模型领域，国内方面，腾讯开源了混元3D世界模型2.0，阿里也推出了HappyOyster 1.0。据《2026世界模型专题研究报告》显示，今年前7个月，中国一级市场在世界模型相关概念上的投资累计达到666亿元，共有58家企业获得融资，占赛道公司总量（64家）的91%，显示出该领域的巨大潜力和投资热度。

面对如此激烈的竞争态势，字节跳动并非毫无准备。《徽声在线》记者通过深入梳理发现，字节跳动已经发布了一系列相关模型，包括视频生成模型Seedance 2.5、视觉空间重建模型Depth Anything 3、新一代3D生成大模型Seed3D 2.0等。此外，字节跳动还计划在今年第四季度推出全新的VR头显Pico Space Pro，并通过对影眸科技、生数科技、自变量机器人等企业的投资，逐步构建起一张“自研加投资”的世界模型拼图。

天使投资人、资深人工智能专家郭涛在接受《徽声在线》记者采访时直言不讳地指出，字节跳动的核心优势在于短视频算法推荐与海量图文视频内容生态，但这些能力主要集中于二维信息流领域，与实时交互、三维空间生成的世界模型存在显著的技术代差。如果字节跳动主动放弃世界模型这条赛道，那么被下一代交互形态边缘化的风险将显著增加。郭涛还强调，虽然世界模型尚处于技术路线并未完全收敛的早期阶段，但对字节跳动而言，这属于必须布局的前沿探索领域，尽管并非当下就要抢占的确定性入口。

那么，自研加投资的双轮驱动策略，能否帮助字节跳动补齐三维交互的短板呢？

随着AI硬件与大模型的加速迭代，直播、短剧、游戏等场景不断被重新定义。字节能否将手中散落的能力和业务拼成一张完整的版图，构建出AI时代的新竞争力，显然成为了业界关注的焦点。

在字节跳动的已有版图中，视频生成无疑是最为核心的一块。7月31日，字节Seed团队发布了Seedance 2.5，该模型在单次原生生成时长上从15秒提升至30秒，支持最多50个多模态参考素材同时输入，并新增了白模、绿幕参考能力。这些升级使得Seedance 2.5在视频生成领域具备了更强的竞争力。

火山引擎总裁谭待在接受采访时表示，世界模型的流派众多，但视频生成是非常有效的一条路径。它不需要对数据做太多假设和采集，现有海量视频可以做大量无监督学习。谭待还透露，已有具身智能公司利用Seedance进行数据合成反哺模型，进一步验证了视频生成在世界模型构建中的重要作用。

然而，光会生成视频还远远不够，世界模型的前提是理解空间。为此，字节Seed团队去年发布了视觉空间重建模型Depth Anything 3，该模型能够从任意视觉输入中恢复三维几何结构。今年4月23日，Seed3D 2.0的发布更是将字节跳动在三维生成领域的技术推向了新的高度。该模型在几何生成、纹理材质生成两项核心指标上均取得了SOTA（当前最优）结果。

在硬件入口方面，字节跳动2021年收购的Pico头显已被外界视为世界模型的重要交互终端。值得一提的是，Pico的一款全新VR头显已经通过了美国联邦通信委员会的认证，预计为将于第四季度登场的Pico Space Pro。此前的8月24日，PICO-XR官方宣布将发布时间由9月2日调整至第四季度，并表示在最后体验验证中看到了“一个令人兴奋的全新机会”，决定多花时间对软件体验做重大升级。

除了自研和硬件布局外，字节跳动在投资层面也在积极卡位。据《徽声在线》记者了解，字节跳动已经投资了影眸科技、生数科技、未来不远机器人等多家企业，并领投了自变量机器人10亿元的A++轮融资。其中，自变量机器人是国内唯一同时获得字节、美团、阿里三家巨头投资的具身智能企业。

而被投企业也在密集推新。9月1日，影眸科技发布了世界生成模型Hyper3D WorldGen，该模型上传一张场景图片即可自动生成独立3D资产。此外，其Rodin模型上线45天即实现了100万美元的年经常性收入。未来不远机器人则在5月发布了基于WAM世界动作模型的新一代机器人大脑，让机器人具备了物理推演能力，并已启动第三代大脑的研发工作。据统计，字节跳动通过锦秋基金在机器人赛道累计投资超过10笔，这些公司的仿真环境、机器人数据与世界模型形成了互补。

字节跳动自研加投资的双轮驱动全栈布局已然成形，但这套拼图最终要拼出什么？答案或许并不在于某一款具体的产品。布局世界模型，对字节跳动而言，打开的不是单一功能，而是一整套交互逻辑的升级。基于二维信息流的内容形态都将被重新定义，这将为字节跳动在AI时代构建新的竞争力提供有力支撑。

与此同时，腾讯开源了混元3D世界模型2.0，阿里推出了HappyOyster，对手也已就位，字节跳动面临的竞争压力可想而知。

但对于字节跳动能否在这场竞争中脱颖而出，郭涛分析认为，字节跳动的优势足够明显。海量用户交互行为数据、短视频与实景视频素材能为世界模型训练提供丰富的原始数据。同时，字节跳动成熟的工程化落地能力与大规模算力调度经验也有利于模型的迭代与产品化验证。然而，字节跳动同样存在短板：缺少机器人、虚拟现实场景的物理交互数据，物理仿真与三维底层算法积累相对薄弱，原有短视频内容生态不能直接平移复用至三维空间，人才储备与仿真工具链仍需补齐。

世界模型的冷思考：布局可以超前，但落地仍有鸿沟

在资本追捧与技术现实之间，横亘着一条尚难跨越的鸿沟。这是当前世界模型领域发展的真实写照。

在今年中关村论坛的圆桌会议上，耀途资本创始合伙人白宗义直言不讳地指出：“现在不谈世界模型都不好意思融资，但只要涉及这个概念，估值就直奔亿美元级别。”而流形空间创始人武伟则警告称：“世界模型的定义正在被无限扩大，这与当年元宇宙概念的炒作如出一辙。”

除了概念炒作外，技术本身的成熟度同样值得审视。今年7月，南洋理工大学S-Lab团队提出了首个以物理定律为核心的视频模型评估基准Apple-π。结果显示，即使是SOTA模型的得分也只有0.473。研究指出，模型更多依赖“表层视觉模式匹配”，尚未形成“稳定的物理状态建模能力”。这意味着，模型虽然能生成看起来合理的画面，但并不真正理解物体为何会那样运动。

今年1月，Google DeepMind正式开放了Project Genie的公测。在2026年游戏开发者大会上披露的Genie 3真实能力显示，初始版本只能在几秒钟内维持3D世界的连贯性，升级后提升到大约一分钟。官方也承认，生成的世界“可能看起来不够真实”，角色控制存在延迟。这些现实问题都制约着世界模型的进一步发展。

今年6月，北京智源人工智能研究院院长王仲远在一次群访中坦言，目前四种类型的世界模型距离真正能理解、预测、交互真实物理世界的基座模型，都还有非常大的差距。行业仍处于非常早期的阶段，需要更多的技术突破和积累。

对于字节跳动的双线布局，郭涛也从商业角度进行了深入分析。在他看来，该布局并不以短期财务回报为首要目标，而是更多着眼于技术生态卡位和前沿技术情报收集。投资可以降低内部试错成本，观察外部技术路线演进。然而，内外协同、技术成果转化落地仍是后续需要面对的现实挑战。

在时间窗口上，郭涛判断，综合产业迭代节奏，世界模型实现大规模可用大致需要三至五年时间。瓶颈突破不单依靠算法本身，还需要配套数据、仿真工具、硬件终端的协同成熟。因此，短期之内难以达到消费级普及的水平。

但同时，如果字节跳动主动放弃这条赛道，被下一代交互形态边缘化的风险将显著增加。郭涛指出，字节跳动当前的核心优势建立在信息流时代，而AI驱动的三维实时交互将重塑内容分发逻辑，属于技术驱动的范式变迁。即便现有短视频业务基本盘稳固，若缺席世界模型相关技术积累，未来在新型交互产品的竞争中将会丧失技术主动权，流量与生态优势也会被逐步削弱。