世界模型，张一鸣复出督战？

今天看到一则新闻，先想到的是一则旧闻。

2023年10月，Pico的负责人据报道飞了一趟新加坡。

| 亿欧当时援引知情人士的说法称，他去向张一鸣汇报工作，带回来的反馈是字节将逐步放弃Pico，理由是硬件并非字节所长，几年下来成绩未达预期，看不到未来。字节相关负责人随后否认，称Pico正常运营，公司会长期投入XR业务。那次汇报究竟说了什么，外界没有得到经过确认的答案。

不到三周，11月7日上午十点，Pico召开全员会。会议持续不足十分钟。周宏伟宣布收缩市场、内容、视频等团队，移动OS团队并入字节研发中台。据《晚点》报道，调整后团队将从两千人缩至一千人左右。周宏伟承认，对行业和市场的发展估计得过于乐观。

三年后的如今，张一鸣与Pico再次出现在同一条新闻里。

9月7日，彭博社援引知情人士称，字节正在基于Seedance开发实时空间视频生成模型，张一鸣亲自督导，协调业务部门，调配AI资源与算力，最快10月发布，计划仍可能调整。模型面向直播、短剧和游戏，并计划与Pico打通。但字节至今并未独此回应。

但不管如何，我们很容易将这条新闻读成创始人回来挽救一笔旧投资。毕竟Pico提供了足够完整的戏剧条件：高额投入、业务收缩，以及一次重新出发的机会。

然而，若沿着“头显”继续写下去，会将张一鸣正在参与的事情越写越小。

| 我认为这次需要重新估值的，是字节的视频能力。

01

五十毫秒之外

彭博披露的技术参数有两个：约0.05秒延迟，每秒20帧。

这两个数字回答了生成速度的问题。世界模型还有一道更难的考题：生成出来的环境，能不能持续承接行动的后果。

| 一段视频可以把汽车驶过路口的过程表现得很逼真，但用于驾驶仿真的世界模型，还要处理另一种要求：在同一个路口，车辆提前刹车、继续加速、临时变道，分别会发生什么？

记录中的道路只被走过一次，模型却需要回应多种尚未发生的选择。

| 这正是世界模型的重要价值。Google的官方介绍中，将此类模型的任务概括为模拟环境如何演变，以及行动如何影响环境。视频生成是实现这项能力的一条路线，世界模型也可以在内部表征中进行预测，并不都需要向用户展示一段画面。

因此，实时空间视频生成的技术分量，不能只按画质和帧率来称重。

用户改变方向后，场景能否保持一致？已经移动的物体，能否留在新的位置？一连串操作之后，模型还能不能记住此前发生了什么？这些能力决定生成过程能否成为一个持续运行的环境。

相关研究已经将误差累积和记忆不足，列为交互视频世界模型的关键难题。画面可以一帧接一帧地生成，环境却可能在连续推演中逐渐失去一致性。

| 截至此次媒体报道，字节这款模型的完整技术报告、长时交互表现和物理一致性评测，尚未在所查公开资料中找到。仅凭五十毫秒，既无法判定产品已经成熟，也不足以判断世界模型能力领先或落后。

▲ 此图由AI辅助制作

但可以确定，字节正在尝试把Seedance推进到一项更重的任务里。

一段成片交付后，生成工作可以结束。一个交互环境启动后，模型还要对下一次行动负责。

02

视频，是字节的入场券

36氪《智能涌现》在今年6月报道中，把世界模型列在字节2026年四项AI重点的第一项，其余三项是视频模型、Coding和豆包商业化。报道援引知情人士称，世界模型训练数据预算达到数千万元；一名供应商估计，投入可达其他厂商的三到四倍。这些属于媒体信源披露，并非字节公布的预算。

钱花在哪里，比优先级排在哪里更能说明问题。

| 世界模型需要从观察中积累关于空间、运动和交互的知识。视频恰好把这些信息压在同一种载体里：镜头移动会暴露空间结构，物体运动包含动力学线索，遮挡与重现则要求模型理解画面之外仍然存在的东西。

这给视频模型留下了一条向世界模型延伸的路径。2024年的Genie研究，已经展示过从没有真实动作标签的互联网视频中学习潜在动作，并生成可控制环境的可能性。

字节从Seedance出发，有明确的技术依据。视频模型积累的表征、训练方法和生成能力，都有机会成为下一阶段的基础。

不过，短视频平台拥有大量视频，与研究团队拥有适合训练世界模型的数据，中间仍有距离。

剪辑可以省略过程，转场可以掩盖空间关系，镜头外的动作也未必被记录。模型看见物体移动，未必知道推动物体的力有多大；看见一个结果，也未必掌握足够信息去预测另一种操作的结果。

视频规模提供了学习材料，数据的结构与质量泽决定这些材料能教会模型什么。

| 从这个角度看，字节选择直播、短剧和游戏作为落地方向，相当合理。

这些场景与视频生成能力相邻，也允许产品先在有限的动作范围、有限的交互时长和特定规则下运行。模型无须在第一天就回答真实世界里的所有物理问题。

| 按这条路线推演，字节可以先找到用户愿意消费的交互体验，持续优化生成速度、运行成本和控制能力，再检验其中哪些能力能够迁移到更复杂的任务。

这是一条有商业需求支撑的研究路线。

但商业需求只能帮助研究继续，不能替研究证明成功与否。

03

另一种玩家

若想理解世界模型的行业位置，可以看一眼Google的游戏演示。

| 2025年11月，Google DeepMind公布SIMA 2。研究团队把这个智能体放进Genie 3临时生成的环境，让SIMA 2理解指令、辨认周围环境，并采取行动完成目标。Google还报告了智能体在生成环境中通过自身经验继续改善表现的实验。

屏幕上依然是一个可探索的世界，坐在屏幕前的玩家已经换成AI。

这个变化，将世界模型的需求从娱乐扩展到了训练。

智能体负责选择行动，世界模型负责模拟行动之后的环境。两者接在一起，AI就有机会在大量可生成的情境中尝试、犯错、获得反馈。环境的多样性、可控程度和可靠性，会直接影响这些经验的价值。

| 到2026年2月，Waymo又把这条路线向驾驶领域推进了一步。Waymo公布的世界模型基于Genie 3，经过面向驾驶场景的专门适配，可以按驾驶动作、场景布局和语言指令控制仿真，同时生成摄像头与激光雷达数据。

同一套基础能力，开始承接不同的专业要求。视频中的广泛视觉知识，需要经过领域训练，才能进入车辆真正使用的传感器与控制体系。

英伟达也在沿着这条产业链布局。2026年5月公布的Cosmos 3，把视觉推理、世界生成和动作预测放进同一系统，应用方向包括合成数据、物理AI训练和评测。

这些动作共同指向一个变化：世界模型，正在被争夺为AI的训练与运行基础设施。

内容创作者需要生成一场雨，驾驶团队需要知道不同雨量如何影响一次驾驶任务。两种需求可能共享部分模型基础，但两类客户花钱买的东西，并不一样。

| 前者购买创作效率，后者购买可用于训练和验证的经验。

这也解释了为何不能将字节的项目局限在“让观众走进短剧”上。娱乐只是已经被点名的市场，世界模型背后的能力竞赛，则宽得多。

04

流量换不来的东西

沿着这条产业趋势，字节最有吸引力的筹码，也最容易被高估。

直播、短剧和游戏，可以为模型提供真实用户、交互需求，以及持续出现的问题。哪里响应太慢、什么动作经常失控、怎样的场景容易失去一致性……都有机会在使用中暴露。

| 如果字节建立起有效的数据采集、筛选和训练机制，这些反馈能够支持产品与模型迭代。

但必须分清，用户的反馈在验证什么。

用户喜欢一个生成结果，可以说明画面有吸引力；用户愿意继续玩，可以说明交互有趣。这两种信号，都不能直接证明模型准确预测了真实世界的变化。

假设玩家按下按钮，模型生成了一座倒塌的桥。操作与画面之间确实建立了联系。但这段交互记录本身，无法证明桥梁为什么倒塌、应该怎样倒塌，更不能直接用于验证现实中的结构安全。

模型生成的结果，需要外部依据来校准。否则，大规模互动，也可能只是为模型已有的偏差增加更多样本而已。

| 世界模型因此面对两种不同的进步：更善于满足人的感官与意图，以及更准确地预测环境变化。两条路线可以互相帮助，却不会因为共用一个模型名字就自动合并。

Waymo的案例里值得留意的，正是专门适配、多传感器输出与驾驶动作控制这些工作。通用视觉知识提供起点，专业数据与验证决定后续用途。

当然，字节也并非只有视频这一条线。官方公开的Seed3D 2.0涉及场景布局、部件拆分和可动结构生成，以便把3D资产接入物理与图形引擎；Seed模型目录中，还列有面向机器人操作的GR-3与GR-RL。

| 这些布局说明，字节已经在积累视频之外的能力。但资产生成、机器人策略与此次实时视频模型，不能被直接写成一套已经打通的系统。

接下来值得观察的，就是这些能力能否发生实质联系：生成环境能否帮助智能体完成更多任务？训练收益能否迁移到新的环境？进入真实设备之后是否依然有效？

对字节而言，娱乐业务可以提供一块有收入潜力的试验场。但能否从这块试验场走向更通用的世界模型，还取决于公司还愿意补多少流量无法替代的功课。

05

字节要争哪一层？

| 彭博报道中，还有一句容易被头显夺走注意力的话：字节正在把相当一部分企业服务业务，转向视频制作与生成。

将这句话与世界模型放在一起，字节的战略轮廓才更完整。

视频生成工具可以帮助客户生产内容。进一步延伸的世界模型，则有机会承接内容运行时的计算：接收行动、维持状态、预测变化，持续输出结果。

这是一种不同于交付视频文件的服务关系。

| 一段成片可以被下载、转存，再放到任意平台播放。一个依赖云端模型持续响应的环境，则需要在交互过程中反复调用模型能力。模型服务商因此有机会进入产品的运行环节，获得持续的业务需求。

具体能留下多少收入，还要看模型效果、推理成本、替代方案与客户议价能力。但争夺的位置已经清楚：谁能成为其他产品运行时所依赖的技术供应商。

对字节，这个位置具有双重意义。

| 一方面，内容平台与创作者生态能够帮助新模型寻找应用。另一方面，倘若字节能把这些应用中积累的技术做成外部客户愿意采购的服务，公司就有机会把优势延伸到自有流量之外。

毕竟游戏开发者、互动内容公司，以及要求更高的仿真与训练客户，并不需要先成为抖音用户，才能使用字节的模型。

当然，从娱乐生成进入工业仿真，绝不会仅仅是把API换一个名字。前文那些关于状态、动作、物理与验证的问题，最终都会变成客户的采购条件。

| 这也是我认为张一鸣此次下注中更值得关注的部分：字节能否把内容领域的优势，转化成其他行业也愿意依赖的基础能力。

假如项目只改善了短剧和直播体验，字节依然可能获得一项不错的生意。但世界模型带来的更大机会，会属于那些能够持续提供可靠环境、帮助智能体积累有效经验的公司。

更微妙的风险在于，字节未必会先失去用户。

即使人们继续在抖音观看和参与，支撑交互世界的核心模型，也可能由别的公司提供。平台依然掌握入口，部分技术主动权与利润空间却可能沿着持续发生的模型调用，流向新的供应商。

因此，这场竞争不能只用用户时长衡量。还要看开发者依赖谁的模型，智能体在哪些环境里学习，以及谁能把生成出来的经验变成可验证的能力。

| 张一鸣督战的分量，最终要落到这里：当字节把越来越多的人带进生成的世界，字节能否同时成为这些世界的技术供应商。

内容平台的领先，可以帮助字节拿到第一批用户。世界模型的领先，才可能让字节拿到那些并不属于抖音的客户。

（声明：本文依据公开报道及资料撰写。有关字节世界模型项目的信息主要来自媒体援引的知情人士，尚未经字节官方确认，具体计划及技术表现以官方披露为准。文中分析仅供行业讨论，不构成投资建议，亦不应作为投资决策依据。）