字节全力杀向新模型

近日，彭博社援引知情人士消息称，字节正在开发一款实时空间视频生成模型，并为项目调配AI资源和算力。

图源：彭博社

据悉该模型基于字节跳动现有的电影级视频生成AI模型 Seedance 构建，将允许用户面向直播、短剧和游戏创建交互式虚拟世界，将用户置于高度沉浸的三维虚拟环境中，功能与谷歌的 Genie 类似。

至于字节想做什么，彭博社披露的技术指标是：模型在云端实时渲染，延迟约50毫秒，每秒出20帧画面。创作者不需要购置昂贵的显卡，重计算全在字节自己的服务器上完成。

用户则可以戴上Pico头显，说话、转头、走动，眼前的虚拟环境跟着实时变化，而不是播放一段提前渲染好的视频。

过去，抖音的算法是让人一条接一条刷下去。如今，字节想换一种讲法：让用户不再隔着屏幕看，而是直接进到画面里。

也就是说，字节想把看视频变成走进视频。这条路线，对于靠视频起家的字节而言，一方面足够熟悉。

另一方面，前景广阔，因为视频生成能力可以继续向前延伸，直播、短剧、游戏都可能成为使用场景，连旗下Pico头显也有机会获得新的内容来源。

不过，有些东西从设想到付诸现实的过程中，需要调动的部门、资源是不止一个的。

模型团队要保证画面生成，云计算团队要承接持续推理，硬件要读取用户动作，产品团队还要设计出值得体验的内容，一旦某个环节跟不上，用户拿到的都可能只是一段漂亮演示。

此外，宋辉认为，字节对世界模型项目如此重视，还有一个原因在于Pico这几年的失意。

2021年8月，字节收购了VR头显厂商Pico，价格至今没有披露。外界当时把这场收购比作中国版的Meta买Oculus。

可VR市场的寒气来得比预期快。2024年，Pico销售量占全球市场份额5%左右。

这个背景下，全球VR市场的大环境还在节节败退。Counterpoint Research数据显示，2025年上半年，全球VR头显出货量同比下降14%，三季度继续下滑了17%。

图源：Counterpoint Research

池塘环境不佳，大鱼尚且艰难，更何况小鱼。

于是，2023年2月，Pico裁掉200多人；当年11月，又迎来字节收购以来最大规模的一次调整，全球数百名员工受影响。

今年7月，创始人周宏伟离任，接班的李晓凯是浙大本科、耶鲁博士，一直在字节负责硬件与芯片。

李晓凯图源：PICO

如今，Pico把翻身的希望押在代号Project Swan的新头显上：微米OLED屏、像素密度接近4000PPI、双芯片架构，计划2026年内发布。

硬件已经备好，加上世界模型，就可以补上内容的那块短板。当然，字节在这条路上的准备，已经持续了有一段时间。

今年6月，36氪就曾透露，世界模型是字节2026年的重要AI任务之一，内部目标包括在年底前达到当时谷歌Genie 3的性能水平。

预算方面，其披露，字节为世界模型训练数据安排了数千万元预算，覆盖视觉、语言、动作、长视频和3D等数据。一名供应商还称，其投入达到其他厂商的三到四倍。

当时还提到，春节后，字节内部Seed新设了世界模型研究组，由前Meta FAIR研究员范浩奇负责，向周畅汇报，重点探索面向娱乐和游戏的3D仿真路线。

从组织调整、购买数据，到如今传出的跨部门协调，一幅蓝图徐徐展开。

与此同时，字节也在给自己储备充分的资金弹药，为长期战做准备。

不久前，字节刚刚敲定了一笔296亿美元的银团贷款，折合人民币约2000亿元。

图源：36氪

最初，字节计划只借200亿美元，但因为银行认购踊跃，认购订单冲到了300亿，最终贷款规模硬生生扩到了296亿。

利差同样创了纪录：SOFR加68个基点，是中资企业境外贷款的历史最低水平，比字节2024年那笔108亿美元的贷款还低了17个基点。花旗和摩根大通担任协调行，三年期可延至五年。

放到今年内的亚洲美元贷款市场，字节的这笔贷款的规模排第二，仅次于软银3月为OpenAI准备的400亿美元过桥融资。

如此大规模的信用融资，足以反映出银行对字节短期偿债能力的认可。

至于钱会往哪里烧？答案呼之欲出：AI。

第一财经透露，字节正考虑把2026年资本支出提高至最高700亿美元，主要用于数据中心和其他AI基础设施。

图源：第一财经

按照700亿美元的上限计算，296亿美元相当于其四成多，巨额融资与巨额投入已经摆在同一张桌上。

而这次被曝出要搞世界模型，接下来，采购设备、安排机房、锁定算力、长期研发，都要烧掉巨额的资金，只有保证粮仓充足，团队才有空间试错，也才能为产品后续一系列变动提前做准备。

当然，理想归理想，现实归现实，这场竞赛里，字节已经失去了一些先发优势。

一方面，世界模型赛道已经挤成红海，对手已经率先拿出了不同的答案。

谷歌方面，在实时交互环境这条路上越走越远。

今年1月，谷歌向美国订阅用户开放了Project Genie。

图源：X

今年5月，谷歌又扩大了开放规模，宣布Project Genie将面向全球，同时引入街景图像，让生成环境获得现实地点的参考。

李飞飞的World Labs方面，则把重点放在空间智能和三维世界的生成上。

9月1日，其刚发布新一代世界模型Atlas，把镜头控制、空间重建和仿真塞进同一个模型。

阿里那边，则是连发Qwen-RobotWorld、HappyOyster 1.0和Qwen-AgentWorld三件套，语言世界、虚拟世界、物理世界一个都不想落下。

据IT桔子的梳理，光是国内专注世界模型的创业公司就有33家，不少已经交出了自己的答卷，字节面临的挑战不小。

另一方面，字节给2026年定的内部任务是年底前至少交付一款世界模型，并且要跟谷歌Genie 3做正面比较。

目前彭博社说的是最快10月亮相，但也不是完全确定。

算算日子，时间已经来到2026年第三季度，发布、打榜、迭代全压在一个季度里，难度不小。

更残酷的是节奏错位，先发者的每一步都在定义行业标准，用的人越多，反馈越多，模型进步越快，这个飞轮一旦转起来，差距只会越拉越大。

字节内部有个常讲的理念，就是延迟满足，可这次，时间不等人。

即便按时发布，字节还要面对一个无法回避的问题：生成的世界，究竟经不经得起用户折腾和反复打量？

看看对面谷歌就知道了，Project Genie目前每次只允许探索60秒，帮助页面官方已经打了预防针，列出了一串具体问题：角色可能倒着跑，有时不听控制，操作存在延迟，画面甚至会随着时间推移变暗。服务器负载升高时，视频流的质量也可能下降。

而字节瞄准的直播、短剧和游戏，还需要人物、情节、任务和规则，更是难上加难。

这些问题交到用户手上，都是实打实的体验难题。

总之，这一次，字节押上的，不只是真金白银，还有这个动作本身传递的信号：一个月活十亿的超级平台，豪赌下一个让算法退役的产品。

成了，字节在智能公司这幅蓝图上画下浓墨重彩的一笔；败了，则是一笔昂贵的学费，和一段世界模型宏大叙事的注脚。

作者| 宋辉