生成摘要

AI 生成，仅供参考

张一鸣复出督战字节世界模型 空间视频生成成新战场

消息称字节跳动创始人张一鸣已复出并亲自推动公司”世界模型”研发，目标是让模型与 Pico 头显打通、实时生成视频画面；字节跳动基于 Seedance 构建的实时空间视频生成模型也已浮出水面，支持面向直播、短剧与游戏创建可交互的虚拟世界。AI 竞争正从平面内容生成延伸至可交互的 3D 空间，张一鸣亲自下场标志着字节把世界模型提升到战略级高度。

张一鸣复出与字节世界模型布局

据多方消息，张一鸣近期重新走到业务一线，亲自调兵遣将推进字节跳动”世界模型”项目。世界模型是能够理解物理世界规律、并对未来状态做出预测的 AI 系统，被视为通往通用人工智能与具身智能的关键基础设施。

字节跳动的世界模型布局有两个显著特点：

• 与硬件打通：项目与 Pico 头显协同，目标是在头显端实现实时生成的视频画面，让用户看到的不再是预渲染内容，而是模型即时生成的动态世界；
• 业务场景驱动：字节拥有抖音、直播、短剧、游戏等庞大的内容生态，世界模型产出的空间内容可以第一时间找到落地场景。

张一鸣的复出督战，向外界释放出明确信号：字节跳动不会满足于在文本与图像生成上跟随，而是要在下一代生成式 AI 的核心赛道抢占身位。

实时空间视频生成模型：Seedance的新方向

与张一鸣督战世界模型的消息同步出现的是字节跳动在模型层的具体动作。字节跳动基于 Seedance 构建实时空间视频生成模型，该模型支持面向直播、短剧和游戏创建交互式虚拟世界，功能上与谷歌 Genie 类似。

Seedance 此前是字节跳动在视频生成方向上的重要底座。如今向”实时空间视频生成”延伸，意味着模型输出的不再是平面的短视频片段，而是具备空间结构与交互响应能力的动态场景：

• 直播场景：主播可以实时进入 AI 生成的虚拟直播间，画面随交互动态变化；
• 短剧场景：创作者用自然语言描述剧情与场景，模型实时生成可拍摄的虚拟空间；
• 游戏场景：玩家在 AI 生成的 3D 世界里自由探索，环境由模型实时推导而非预置。

这种能力与谷歌 Genie 的路线异曲同工：让模型学会”生成世界”，而不仅仅是”生成画面”。一旦跑通，内容生产的成本结构将被彻底改写。

世界模型与具身智能的关联

世界模型之所以成为巨头争夺的高地，是因为它同时服务两条主线：数字内容生产与物理世界智能。

在数字内容侧，世界模型是空间视频、3D 虚拟世界、XR 内容的核心引擎。在物理世界侧，世界模型是机器人理解环境、规划动作的前提——机器人需要在脑中建立对世界的动态预测，才能完成抓取、行走、导航等任务。此前业内多个具身智能团队都在强调世界模型对机器人泛化能力的重要性，字节跳动将世界模型与 Pico 头显结合，更像是先从数字世界切入，再向物理世界延伸的路径。

为什么巨头都在押注世界模型

2026年以来，世界模型已成为全球 AI 投资与研发的关键词。多家科技巨头与头部创业公司把”理解并生成物理世界”作为下一代模型的核心目标，背后是三层逻辑：

• 数据红利见顶：互联网文本与图片数据接近消耗殆尽，视频与世界交互数据是下一块富矿；
• 能力天花板：纯文本模型难以突破推理与常识的瓶颈，世界模型提供从语言理解走向物理理解的新路径；
• 商业想象空间：从影视游戏到机器人，凡是需要”模拟世界”的行业都会成为世界模型的客户。

对字节跳动而言，其短视频与内容生态积累的海量视频数据，正是训练世界模型的重要资产。这是多数竞争者不具备的独特优势。

挑战与不确定性

世界模型仍处于早期阶段，字节跳动的布局也面临现实挑战：

首先是算力成本。空间视频与 3D 世界的实时生成对推理算力要求极高，距离规模化商用还有成本鸿沟。其次是技术成熟度，当前模型的生成时长、空间一致性与物理合理性仍不稳定，距离”可信世界”标准尚有差距。第三是组织变量，张一鸣复出能在多大程度上打破大公司惯性、为项目争取资源与耐心，仍需观察。

不过，从行业节奏看，2026年正是世界模型从论文走向产品的窗口期。字节跳动此时的战略聚焦，与谷歌、OpenAI 等玩家的方向高度一致，一场围绕”生成世界”能力的竞赛已经打响。

常见问题（FAQ）

张一鸣为什么复出？

据多方消息，张一鸣复出是为了亲自推动字节跳动世界模型研发，该项目被提升到战略级高度，与 Pico 头显协同推进实时生成视频画面的能力。

字节跳动的世界模型是什么？

字节跳动的世界模型是能够理解世界规律并预测未来状态的 AI 系统，与 Pico 头显打通后可实时生成视频画面，也被视为通往具身智能的关键基础设施。

Seedance实时空间视频生成模型能做什么？

该模型支持面向直播、短剧和游戏创建交互式虚拟世界，功能上与谷歌 Genie 类似，标志着 AI 竞争从平面内容延伸至可交互的 3D 空间。

世界模型和传统视频生成有什么区别？

传统视频生成只输出平面的画面序列，世界模型则要理解场景的空间结构与物理规律，生成的内容具备交互响应能力，是更高层次的生成范式。

字节世界模型有哪些挑战？

主要挑战包括实时生成的算力成本高、空间一致性与物理合理性不足、以及大公司内部组织协同的难度。

参考资料：Tech 媒体相关报道、字节跳动 Seedance 公开信息、谷歌 Genie 技术资料