OpenAI、Google、腾讯齐聚，世界模型：字节跳动不容有失的关键之战

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，全力推进一款实时空间视频生成模型的研发工作。截至消息发布时，字节方面尚未针对此传闻给出官方回应，甚至有接近内部的人士透露，部分市场传言存在不实之处。

然而，相较于这些传言，更值得深入探究的是，当世界模型已然成为全球科技巨头们必须面对的重大课题，字节跳动是否能够在这场竞争中置身事外呢？

科技发展的潮流方向已然十分明朗。从2025年下半年开始，OpenAI、Google、Meta、NVIDIA等国际科技巨头纷纷入局世界模型领域，展开激烈角逐。在国内，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，在今年前7个月里，中国一级市场在世界模型相关概念上的累计投资金额高达666亿元，共有58家企业获得融资，这一数字占赛道公司总量（64家）的91%，足见该领域的火热程度。

实际上，字节跳动并非毫无准备。徽声在线记者经过详细梳理发现，字节跳动已经取得了一系列成果。它先后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，字节跳动还积极进行相关投资，对影眸科技、生数科技、自变量机器人等企业进行了投资布局。可以看出，字节跳动正在构建一张“自研加投资”的世界模型拼图，且这张拼图正在逐步成形。

天使投资人、资深人工智能专家郭涛在接受记者采访时坦率地指出，字节跳动的基本盘主要扎根于短视频算法推荐以及海量的图文视频内容生态。然而，这套成熟的能力主要集中在二维信息流领域，与需要实时交互、具备三维空间生成能力的世界模型相比，存在着明显的“技术代差”。如果字节跳动主动放弃世界模型这一赛道，那么它被下一代交互形态边缘化的风险将会大幅提高。不过，郭涛也强调，目前世界模型尚处于技术路线尚未完全确定的早期阶段，对于字节跳动来说，这属于必须进行布局的前沿探索领域，但并非当下就必须抢占的确定性市场入口。

那么，字节跳动通过自研加投资的方式，能否成功补齐自身在三维交互方面的短板呢？

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。在这种情况下，字节跳动能否将手中分散的能力和业务整合起来，拼成一张完整的版图，从而构建出在AI时代的新竞争力，显然成为了业界关注的焦点问题。

深入梳理字节跳动已有的业务版图可以发现，视频生成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。这一版本在性能上有了显著提升，单次原生生成时长从原来的15秒延长至30秒，支持最多50个多模态参考素材同时输入，还新增了白模、绿幕参考能力，为视频生成带来了更多的可能性。

火山引擎总裁谭待曾表示，世界模型的流派众多，但视频生成是一条非常有效的途径。它不需要对数据做过多的假设和采集，现有的海量视频资源可以进行大量的无监督学习。谭待透露：“我们对于这条路还是非常看好的。”并且，已经有具身智能公司利用Seedance进行数据合成，然后将合成数据反哺给模型，以提升模型的性能。

仅仅能够生成视频是远远不够的，世界模型的前提是要能够理解空间。字节Seed团队在去年发布了视觉空间重建模型Depth Anything 3，该模型具备强大的能力，能够从任意视觉输入中恢复三维几何结构，为构建世界模型提供了重要的空间信息支持。今年4月23日，Seed3D 2.0发布，在几何生成、纹理材质生成这两项核心指标上，均取得了SOTA（当前最优）的结果，进一步提升了字节跳动在3D生成领域的技术水平。

在硬件入口方面，字节跳动在2021年收购的Pico头显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，在8月24日，PICO - XR官方宣布将发布时间从9月2日调整至第四季度，并表示在最后的体验验证中发现了一个令人兴奋的全新机会，因此决定多花一些时间对软件体验进行重大升级，这无疑让人们对这款新产品充满了期待。

在投资层面，字节跳动同样在积极卡位。它已经投资了影眸科技、生数科技、未来不远机器人等企业，并且领投了自变量机器人10亿元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，这充分显示了字节跳动在该领域的投资眼光和战略布局。

而被投企业也在不断推出新的成果。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，该模型就可以自动生成独立的3D资产，大大简化了3D资产的生成过程。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，使机器人具备了物理推演能力，目前已经启动了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，这些被投公司的仿真环境、机器人数据与世界模型形成了良好的互补关系，进一步丰富了字节跳动的技术生态。

可以看出，字节跳动通过自研加投资的双轮驱动，已经形成了全栈布局。然而，这套拼图最终要拼出什么呢？答案或许并不在于某一款具体的产品。布局世界模型，对于字节跳动来说，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，字节跳动的竞争对手们也已经就位，一场激烈的竞争即将展开。

但对于字节跳动能否在这场竞争中脱颖而出，郭涛进行了深入分析。他认为，字节跳动的优势十分明显。它拥有海量的用户交互行为数据，短视频与实景视频素材丰富多样，这些都可以为世界模型的训练提供丰富的原始数据。同时，字节跳动具备成熟的工程化落地能力以及大规模算力调度经验，这有利于模型的迭代和产品化验证。然而，字节跳动也存在一些短板。它缺少机器人、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，原有的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完善。

世界模型的冷思考：布局可以超前，落地仍有鸿沟

在资本的追捧与技术的现实之间，横亘着一条目前尚难以跨越的鸿沟。

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。”流形空间创始人武伟则警告说：“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。”这反映出当前世界模型领域存在一定程度的概念炒作现象。

除了概念炒作的问题，技术本身的成熟度同样值得我们深入审视。

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，目前的模型更多依赖“表层视觉模式匹配”，尚未形成“稳定的物理状态建模能力”。也就是说，模型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，这表明技术在理解物理世界方面还存在很大的不足。

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，这说明该技术在实际应用中还存在诸多问题。

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4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，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分析。在他看来，这种布局并不以短期财务回报为首要目标，更多的是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，让字节跳动能够观察外部技术路线的演进，但内外协同、技术成果转化落地，仍然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。瓶颈的突破不仅仅依靠算法本身的进步，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的程度。

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，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。即便字节跳动现有的短视频业务基本盘稳固，但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。