OpenAI、Google、腾讯齐聚一堂，世界模型：字节跳动不可错过的关键战役

每经特约记者：林晓晨 每经编辑：张明远

9月7日，科技圈传出重磅消息：字节跳动正依托其自主研发的视频生成模型Seedance，秘密研发一款能够实时生成空间视频的先进模型。尽管截至发稿时，字节跳动官方尚未对此消息作出正式回应，甚至有内部人士透露，部分市场传言存在不实之处。

然而，比起这些传言，更引人深思的是：在全球科技巨头纷纷布局世界模型的背景下，字节跳动能否在这场科技竞赛中缺席？

科技发展的潮流已势不可挡。自2025年下半年起，OpenAI、Google、Meta、NVIDIA等国际科技巨头相继宣布进军世界模型领域，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，中国一级市场对世界模型相关概念的累计投资已达666亿元，共有58家企业获得融资，占赛道公司总量的91%。

事实上，字节跳动并非毫无准备。《徽声在线》记者深入调查发现，字节跳动已经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，并预计在今年第四季度推出全新的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、自变量机器人等企业，构建了一张“自研加投资”的世界模型战略拼图。

天使投资人、资深人工智能专家郭涛在接受本报记者采访时表示，字节跳动的核心竞争力在于其短视频算法推荐和海量图文视频内容生态。然而，这套能力主要集中于二维信息流，与需要实时交互和三维空间生成的世界模型存在显著的技术差距。如果字节跳动放弃世界模型这条赛道，未来被下一代交互形态边缘化的风险将大大增加。郭涛同时指出，世界模型目前仍处于技术路线尚未完全明确的早期阶段，对字节跳动而言，这是一项必须布局的前沿探索，但并非当前就要抢占的确定性市场入口。

那么，自研加投资能否帮助字节跳动弥补三维交互的短板？

随着AI硬件和大模型的快速迭代，直播、短剧、游戏等应用场景正被不断重新定义。字节跳动能否将这些分散的能力和业务整合成一张完整的版图，构建出AI时代的新竞争力，已成为业界关注的焦点。

在字节跳动的现有版图中，视频生成无疑是最核心的一环。7月31日，字节Seed团队发布了Seedance 2.5，将单次原生生成时长从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。

火山引擎总裁谭待曾表示，世界模型有多种技术路线，但视频生成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，现有海量视频数据可以进行大量无监督学习。谭待透露，已有具身智能公司利用Seedance进行数据合成，以反哺模型训练。

仅仅生成视频是不够的，世界模型的前提是理解空间。字节Seed团队去年发布的视觉空间重建模型Depth Anything 3，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发布，在几何生成和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头显已通过美国联邦通信委员会认证，预计为将于第四季度登场的Pico Space Pro。此前，PICO-XR官方宣布将发布时间由9月2日调整至第四季度，称在最后体验验证中发现了“一个令人兴奋的全新机会”，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。字节跳动已投资影眸科技、生数科技、未来不远机器人，并领投了自变量机器人10亿元A++轮融资。自变量机器人是国内唯一同时获得字节跳动、美团、阿里三家巨头投资的具身智能企业。

被投企业也在密集推出新产品。9月1日，影眸科技发布了世界生成模型Hyper3D WorldGen，用户只需上传一张场景图片，即可自动生成独立的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5月发布了基于WAM世界动作模型的新一代机器人大脑，使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。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。

字节跳动的自研加投资双轮驱动的全栈布局已经成形，但这套拼图最终要拼出什么？答案或许不在于某一款具体产品。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。

与此同时，腾讯开源了混元3D世界模型2.0，阿里推出了HappyOyster，竞争对手也已就位。

然而，对于能否在这场竞赛中脱颖而出，郭涛分析认为，字节跳动的优势显而易见：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，成熟的工程化落地能力与大规模算力调度经验有利于模型迭代与产品化验证。但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。

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：“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。”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，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”，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Genie 3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。

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够理解、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。

对于字节跳动的双线布局，郭涛也从商业角度进行了分析。在他看来，该布局不以短期财务回报为首要目标，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，但内外协同、技术成果转化落地，仍是后续需要面对的现实挑战。

从时间窗口来看，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。瓶颈突破不单依靠算法本身，还需要配套数据、仿真工具、硬件终端协同成熟，短期难达消费级普及。

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较高。郭涛指出，字节跳动当前的核心优势建立在信息流时代，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，流量与生态优势会被逐步削弱。