OpenAI、Google、腾讯齐聚，世界模型：字节跳动不可错失的关键战役

每经记者：李宇彤 徽声在线编辑：董兴生

9月7日，市场传出消息，字节跳动正依托旗下视频生成模型Seedance，全力开发一款具备实时空间视频生成能力的模型。截至消息发布时，字节跳动方面尚未对此作出官方回应，甚至有内部知情人士透露，部分市场传言存在不实之处。

然而，比起这些传言，更值得我们深入探讨的是，当世界模型已然成为全球科技巨头竞相追逐的焦点，字节跳动是否还能置身事外？

科技发展的潮流方向已愈发明确。自2025年下半年起，OpenAI、Google、Meta、NVIDIA等国际科技巨头纷纷涉足世界模型领域，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%，这一数据充分彰显了世界模型领域的火热程度。

事实上，字节跳动在世界模型领域并非毫无动作。《徽声在线》记者经过梳理发现，字节跳动已经陆续发布了视频生成模型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。不仅如此，预计在今年第四季度，字节跳动还将推出全新的VR头显Pico Space Pro。此外，字节跳动还通过投资影眸科技、生数科技、自变量机器人等相关企业，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记者采访时坦言，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在二维信息流领域，与需要实时交互、三维空间生成的世界模型相比，存在一定的“技术代差”。如果字节跳动主动放弃世界模型这一赛道，那么被下一代交互形态边缘化的风险将会显著增加。不过，郭涛也指出，目前世界模型尚处于技术路线尚未完全收敛的早期阶段，对于字节跳动而言，这既是一个必须布局的前沿探索领域，但并非当下就要全力抢占的确定性入口。

那么，自研加投资的策略，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、游戏等应用场景不断被重新定义。在此背景下，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，无疑成为了业界关注的焦点。

深入梳理字节跳动的已有版图，视频生成无疑是其中最为核心的一块。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，进一步提升了视频生成的灵活性和质量。

火山引擎总裁谭待曾表示，世界模型的流派众多，但视频生成无疑是一条非常有效的路径。它不需要对数据做太多假设和采集，现有的海量视频资源可以进行大量无监督学习。谭待透露，目前已有具身智能公司利用Seedance进行数据合成，以反哺模型训练。

然而，仅仅能够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团队在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，为理解空间提供了有力支持。今年4月23日，Seed3D 2.0的发布更是引起了广泛关注，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，进一步推动了世界模型的发展。

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，预计就是将于第四季度登场的Pico Space Pro。此前，PICO-XR官方曾宣布将发布时间由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”，因此决定多花时间对软件体验进行重大升级。

在投资层面，字节跳动同样在积极卡位。除了已经投资的影眸科技、生数科技、未来不远机器人外，字节跳动还领投了自变量机器人10亿元的A++轮融资。自变量机器人也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，这充分显示了字节跳动在世界模型领域的投资力度和战略眼光。

而被投企业也在不断推出新产品。9月1日，影眸科技发布了世界生成模型Hyper3D WorldGen，该模型只需上传一张场景图片，即可自动生成独立的3D资产，大大简化了3D资产的生成流程。此外，其Rodin模型上线仅45天就实现了100万美元的年经常性收入，展现了强大的商业潜力。未来不远机器人在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，目前已启动第三代大脑的研发工作。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良好的互补效应。

可以看出，字节跳动通过自研加投资的双轮驱动策略，已经形成了全栈布局。然而，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，对于字节跳动而言，打开的不仅仅是一个单一的功能，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因此被重新定义，这将为字节跳动带来全新的发展机遇。

与此同时，腾讯开源了混元3D世界模型2.0，阿里推出了HappyOyster，其他竞争对手也已纷纷就位，世界模型领域的竞争愈发激烈。

然而，对于字节跳动能否在这场竞争中脱颖而出，郭涛分析认为，字节跳动的优势十分明显。其海量用户交互行为数据、短视频与实景视频素材能够为世界模型训练提供丰富的原始数据支持。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。但字节跳动同样存在短板，如缺少机器人、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进一步补齐。

世界模型的冷思考：布局可以超前，但落地仍有挑战

在资本追捧与技术现实之间，横亘着一条尚难跨越的鸿沟。尽管世界模型领域备受资本青睐，但技术本身的成熟度却仍需时间来验证。

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表示：“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。”

除了概念炒作的问题外，技术本身的成熟度同样值得深入审视。

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，这些模型更多依赖“表层视觉模式匹配”，尚未形成“稳定的物理状态建模能力”。虽然它们能够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数据显示，Genie 3的真实能力是：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”，角色控制存在延迟等问题。

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，需要更多的时间和努力来推动技术的发展。

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，郭涛判断认为，综合产业迭代节奏来看，世界模型实现大规模可用大致还需要三至五年的时间。瓶颈的突破不单依靠算法本身的发展，还需要配套数据、仿真工具、硬件终端的协同成熟。因此，短期之内世界模型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，那么被下一代交互形态边缘化的风险将会显著增加。郭涛指出，字节跳动当前的核心优势建立在信息流时代的基础上。然而，AI驱动的三维实时交互将重塑内容分发逻辑，这属于技术驱动的范式变迁。即便现有短视频业务的基本盘稳固，但如果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。