OpenAI、Google、腾讯已形成合围之势，世界模型：字节跳动必须赢下的关键战役

每经特约记者：林晓晨 每经编辑：陈明轩

9月7日，市场传出重磅消息：字节跳动正依托其自主研发的视频生成模型Seedance，加速推进一款具备实时空间视频生成能力的新型模型开发。截至消息发布时，字节跳动官方尚未对此作出正式回应，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，比市场传言更值得深入探讨的是：当世界模型已成为全球科技巨头竞相布局的战略高地，字节跳动是否能够承受缺席的代价？

科技发展的浪潮方向已然明朗。自2025年下半年以来，OpenAI、Google、Meta、NVIDIA等国际科技巨头纷纷入局世界模型领域，国内腾讯开源混元3D世界模型2.0，阿里推出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该领域累计投入资金达666亿元，共有58家企业获得融资，占赛道企业总数（64家）的91%，显示出资本对该领域的高度青睐。

面对这场科技竞赛，字节跳动并非毫无准备。据徽声在线记者梳理发现，字节跳动已陆续发布视频生成模型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，并计划在今年第四季度推出全新VR头显Pico Space Pro。此外，公司还通过投资影眸科技、生数科技、自变量机器人等企业，构建起一张"自研+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采访时指出，字节跳动的核心竞争力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，与需要实时交互、三维空间生成的世界模型存在显著技术代差。他强调，如果字节跳动主动放弃世界模型赛道，未来被下一代交互形态边缘化的风险将显著增加。不过他也指出，世界模型仍处于技术路线未完全收敛的早期阶段，对字节而言属于必须布局的前沿领域，但并非当前需要立即抢占的确定性入口。

自研与投资双管齐下，能否补齐字节跳动的三维交互短板？

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。字节跳动能否将分散的技术能力和业务板块整合成完整生态，构建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，视频生成是核心业务之一。7月31日，字节Seed团队发布的Seedance 2.5实现了重大突破：单次原生生成时长从15秒延长至30秒，支持最多50个多模态参考素材同时输入，并新增白模、绿幕参考等创新功能。

火山引擎总裁谭待曾表示，世界模型的技术路线众多，但视频生成是最具实效性的方向之一。他解释称，视频生成不需要对数据做过多假设和采集，现有海量视频资源可用于大量无监督学习。谭待还透露，已有具身智能公司利用Seedance进行数据合成，反哺模型训练。

要构建世界模型，仅具备视频生成能力远远不够，空间理解能力是基础前提。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日发布的Seed3D 2.0，在几何生成和纹理材质生成两项核心指标上均达到SOTA（当前最优）水平。

在硬件入口方面，字节跳动2021年收购的Pico头显被视为世界模型的重要交互终端。值得关注的是，Pico一款全新VR头显已通过美国联邦通信委员会认证，预计就是将于第四季度推出的Pico Space Pro。此前PICO-XR官方曾宣布将发布时间从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"，决定投入更多时间对软件体验进行重大升级。

在投资布局上，字节跳动同样动作频频。公司已投资影眸科技、生数科技、未来不远机器人等企业，并领投自变量机器人10亿元A++轮融资。自变量机器人是国内唯一同时获得字节、美团、阿里三家巨头投资的具身智能企业。

被投企业也在加速技术突破。9月1日，影眸科技发布世界生成模型Hyper3D WorldGen，用户只需上传一张场景图片即可自动生成独立3D资产。其Rodin模型上线仅45天就实现100万美元年经常性收入。未来不远机器人5月发布基于WAM世界动作模型的新一代机器人大脑，使机器人具备物理推演能力，目前已启动第三代大脑研发。字节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有效互补。

字节跳动的自研与投资双轮驱动战略已初步成形，但这套拼图的最终目标是什么？答案或许不在于某款具体产品。布局世界模型对字节而言，意味着交互逻辑的全面升级，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，主要竞争对手均已就位。

对于字节跳动的布局前景，郭涛分析认为，公司优势明显：海量用户交互行为数据、短视频与实景视频素材可为世界模型训练提供丰富原始数据，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。但短板同样存在：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至三维空间，人才储备与仿真工具链仍需完善。

世界模型的冷思考：布局需超前，落地仍有挑战

在资本追捧与技术现实之间，仍横亘着一条难以跨越的鸿沟。

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："世界模型的定义正在被无限扩大，这与当年元宇宙概念炒作如出一辙。"

抛开概念炒作，技术本身的成熟度更值得关注。

今年7月，南洋理工大学S-Lab团队提出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"，虽然能生成看起来合理的画面，但并不真正理解物体的运动规律。

今年1月，Google DeepMind正式开放Project Genie公测，在2026年游戏开发者大会上披露的数据显示：Genie 3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，目前四种主要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探索阶段。

对于字节跳动的双线布局，郭涛从商业角度进行了深入分析。他认为，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。

在时间窗口方面，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。瓶颈突破不仅依靠算法本身，还需要配套数据、仿真工具、硬件终端的协同成熟，短期内难以达到消费级普及水平。

但与此同时，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，流量与生态优势将被逐步削弱。