ByteDance正在准备一个实时空间视频模型，由张一鸣监督（4分钟阅读）

# 彭博社报道：字节跳动正筹备实时空间视频模型，张一鸣亲自督战 来源：https://thenextweb.com/news/bytedance-spatial-video-world-model-zhang-yiming 据彭博社援引知情人士消息（https://www.bloomberg.com/news/articles/2026-09-07/bytedance-founder-joins-ai-elite-in-race-to-perfect-world-models），字节跳动正在开发一款支持实时空间视频生成的AI模型，创始人张一鸣亲自领导该项目，最早可能于下月发布。 其中一位知情人士透露，具体时间尚未确定，计划可能存在变动。TNW未能独立核实该信息，字节跳动发言人未回应彭博社的置评请求。 该模型将基于字节跳动现有的视频生成系统Seedance构建，允许用户为直播、短剧和游戏创建可交互的虚拟世界。 报道中最引人注目的是其技术规格：支持按需生成约20帧/秒的视频流，延迟约0.05秒，且所有渲染均在云端完成而非设备本地。 最后这一细节正是关键战略——将空间内容渲染移至云端，可大幅降低头显设备的计算负载，从而压缩硬件成本。 字节跳动旗下拥有扩展现实（XR）业务品牌Pico，据报道该模型旨在为Pico用户提供能够响应语音与动作的实时生成世界。 若此模型成功落地，XR领域的竞争焦点将从硬件参数转向模型能力、云端算力与内容分发——这正是字节跳动已具备优势的三大领域。 这一切并非突然出现。今年早些时候36氪报道称，字节跳动已为2026年设立四大AI优先级，世界模型位居首位（https://kr-asia.com/bytedance-sets-four-ai-priorities-for-2026），优先级高于保持Seedance在视频生成领域的领先地位、提升编程能力以及商业化豆包应用。 据报道，世界模型获得了公司所有模型方向中最高的数据预算，资金额达人民币八位数，据36氪消息来源称，该投入是竞争对手的三到四倍。 同篇报道明确设定了目标：年底前至少发布一款世界模型，并以Google的Genie（https://thenextweb.com/news/google-deepmind-genie-street-view-world-model-simulation）为对标产品——该模型目前支持用户在实时渲染的街景图像中自由行走。 2026年初的内测显示，字节跳动在同等测试条件下落后于全球顶尖水平约10%。下月若能如期发布，将早于原定时间表。 据36氪报道，公司正同步推进两条技术路线：一是面向具身智能与机器人的“视觉-语言-动作”范式，二是用于娱乐与游戏的3D仿真技术。 空间视频模型属于后者，这也是已有用户基础支撑的方向。 当前业界所指的“世界模型”，是指能通过学习理解环境运行规律，从而渲染出能连贯响应用户行为的虚拟世界的系统。 视频公司纷纷涉足该领域的原因在于：训练材料本身就是视频，而拥有最庞大视频库、最丰富视频压缩与快速渲染经验的企业，天然具备独特优势。字节跳动过去十年正是为不同目的构建了这套完整管线。 彭博社将张一鸣参与此举解读为与李飞飞、杨立昆等研究者站在同一阵营——这些学者始终主张，基于视觉与物理理解（而非仅依赖语言）的模型才是通往能在现实世界行动的AI系统的正确路径。 而如今，正在商业层面验证这一论断的，恰恰是那些以娱乐产品为核心业务的公司。 资金保障毋庸置疑。彭博社上周报道称字节跳动获得300亿美元贷款，并正评估高达700亿美元的AI基建资本支出。 Seedance已为剪映和豆包提供底层支持，按国内市场衡量，字节跳动仍与阿里巴巴、DeepSeek、月之暗面等企业处于直接竞争关系。 对Meta和苹果而言，这一趋势带来的并非即时威胁，而是尴尬处境——两家公司已投入巨额资金开发头显设备，却始终未能推动其走向主流市场，而欧洲的XR专业厂商（https://thenextweb.com/news/apple-vision-pro-to-boost-europe-xr-kingpin-varjo-in-the-short-term）则始终依托高端硬件构建商业模式，而非依赖数据中心支持的廉价设备。 云端渲染的世界模型在保真度上或许无法超越Vision Pro，但它将保真度这个难题转交给了基础设施层。