ByteDance World Model Exposed: Zhang Yiming's Strategy and Its Divergence from Google Genie 4's Approach

2021年的时候，张一鸣曾在卸任信中写道：“虚拟现实、生命科学、科学计算对人类生活的影响都已现黎明之曙光，这些需要我们突破业务的惯性去探索。”

2021年6月，《财新》报道称，张一鸣曾亲自到潍坊谈判收购Pico，见面时张一鸣就表现出了收购意向。这次收购后来成为这一轮元宇宙投资热的标志性事件，但《财新》在新闻中特意写到，双方当时并未透露“进军元宇宙”的意向。

5年后，来到2026年6月，字节世界模型曝光，该爆料称世界模型是字节2026年AI四大重点之一，目标年底前至少发布一版，对标Genie 3。

这个项目基于Seedance，用户以Pico的头戴设备为入口，说一句话、做一个动作，云端就生成一个随之变化的世界。

张一鸣笔下的“虚拟现实”指的并非是元宇宙，而是更为宏大的世界模型。他的卸任信，其实也可以理解成为一封预告信。

2026年9月份又有爆料称，已成为中国首富的张一鸣，仍然亲自督导字节跳动的一个实时空间视频模型，协调不同业务部门，把AI资源和算力向该项目倾斜。可见他对世界模型有多么上心。

不知道字节对Genie 3研究得如何了，但谷歌率先出击，在10月28日发布了世界模型Genie 4。这无疑是给张一鸣上了一些压力。

相较于前代，Genie 4最大的特点就是用户可以持续“干预”世界。在谷歌放出的演示中，你可以走进去Genie 4的世界中，让天下雨，让镜头转向，让一个人出现在街角。风有声音，角色会接话。

参与测试的人表示，给Genie 4设定的不再只是一个镜头而已，你可以给它安排一件将要发生的事，Genie 4会根据这件事，自动生成所对应的一切。

Genie 4是个啥？

与其说Genie 4是一个世界模型，倒不如说它是一个游戏。

以前的世界模型其实是一种视频模型，把未来可能看到的画面提前生成好给你看，Genie 4则根据你的动作，生成下一个画面。

你让视频里的主角向左转，传统视频模型能做的，是重新生成一段他向左转的视频。

但在Genie 4这里，是你按下WASD，人物就能跟随你的操作移动并转向，这时候，模型就需要判断镜头、人物、物体和空间关系接下来应该怎样变化，再把结果即时呈现给你。

前者生成一段内容，后者模拟动作的后果。

谷歌在这条路上已经走了几代。

2024年的Genie 1，从无动作标注的互联网视频中学习潜在动作，让人逐帧控制生成环境。它的重要性不是画面多精致，而是模型开始从视频中学习“动作”和“变化”的关系。

同年的Genie 2，把一张图片变成可以由人或AI用键鼠操作的3D空间，开始展现物体交互、角色动画、重力和光照，以及重新渲染视野外场景的能力。

到2025年的Genie 3，世界推进到720p、24fps，且能保持数分钟的内容一致性。用户除了导航，还能通过提示词改变天气、加入人物和物体。视频先变得可控，再变得可进入，最后变得可以持续干预。

Genie 4的主要提升，就是让这个世界变得更值得“玩”。

你可以用自然语言实时改变天气、移动镜头、引入一个人或者一个物体。Gemini会结合当前场景理解你的指令，而不是每次都把世界推倒重来。

在你两次输入之间，它也会继续监测和引导场景，让世界保持推进。

谷歌强调，Genie 4包含空气动力、碰撞等物理模拟，以及人物更自然的动作和对环境的反应。

除此以外，Genie 4也是Genie系列第一个有声音的模型。可以配合画面同时生成风声、海浪声以及背景音乐。

以前是人不断告诉世界“接下来发生什么”。现在，Genie 4开始理解“这件事要怎样一步步发生”。

Gemini 3.8 Flash在环内观察Genie 4生成的画面，把复杂目标拆成步骤，检查每一步是否完成，并在世界变化或者用户干预后调整计划。

当然世界模型并不只有“让人进去玩游戏”这一条路线。

比如英伟达的Cosmos，它就是用世界基础模型进行模拟、推理和数据生成，给机器人、自动驾驶和工业视觉做训练用的。

自动驾驶需要用极端天气、复杂光照这类罕见的交通场景进行训练。

要想在现实里模拟这种场景，不仅成本很高，也不适合主动制造，如果模拟世界能够生成这些情况，机器就可以先在里面训练、测试和验证。

机器人也需要理解动作后果。比如说抓起一个杯子，它会不会滑落？手掌碰撞杯子之后，物体怎样移动？如果杯子换一个摆放位置，那原来的策略是否还能继续生效？

这条路线需要的不只是逼真画面，还包括可控合成数据、物理交互、动作后果和反复验证。

谷歌同样也在探索Genie 4与Gemini Robotics的结合，但它这一代的特点还是娱乐方面，强调沉浸感和互动性。

Genie 4归根结底也只是预览版。谷歌表示，它只能在短时会话中保持一致性。当运行时间过长，或者多次复杂修改后，视觉细节和物体恒存仍然可能漂移。同时，模型的复杂物理、实时音频、空间精度和长期一致性这些事情，也都没有解决。

字节早有布局

字节的世界模型和谷歌有异曲同工之处。

2024年，通义大模型技术负责人周畅从阿里加入字节后，负责的就是世界模型相关研究。

不过当时字节内部判断，世界模型的技术路线和商业化场景都不够清楚，更重要的是先打好视频模型这一仗。

到2025年，字节开始小范围组建VLA研究组。字节AI Lab负责人李航团队主要基于仿真数据训练，Seed多模态研究员王文千团队主要基于自然数据训练。

2026年春节后，Seed又新设了一支3D仿真世界模型组，由前Meta FAIR研究员范浩奇负责，向周畅汇报；原来的两个VLA组合并，也统一向周畅汇报。

由此形成两条路线：VLA面向具身智能，追求真实动作与环境响应；3D仿真面向娱乐和游戏。

字节为世界模型准备的训练数据预算达到数千万元，覆盖VLA、长视频和3D等模态。一名数据供应商称，投入能达到其他厂商的3至4倍。

然而钱也花了，人也找了，可成绩就是出不来。据报道，2026年初，字节内部评测显示，其世界模型的综合性能距离当时的全球SOTA仍有约10%的差距。

就和谷歌一样，字节做世界模型也是有技术支撑的。

Seedance 2.5单次可以生成最长30秒的视频内容，还能通过多轮提示词把故事接着讲下去，进而输出一个完整的短片。

它可以参考多种素材生成视频，还可以按时间戳修改，人物姿态、运动轨迹和运镜，也能先用白模搭好，再根据白模生成视频。

过去的视频模型本质上是抽卡，提示词发出去，模型输出的有好有坏。Seedance 2.5则是一种AI视频生成+AI剪辑的组合，输出的质量也更加稳定。

世界模型不光需要连续的画面，它还需要里面的各个物体是三维的，这样你就能从不同角度去看。

所以就有了Seed3D。它可以把一张图片变成带几何、纹理和PBR材质的3D模型，导入Isaac Sim之后，还能用于物理仿真和机器人训练。

也就是说，Seed3D生成的素材，是符合物理规则，能用于动作测试的3D资产。

最后是原生音视频全双工大模型SeedRealtime。它是单体架构、端到端建模音+视频+文本+时序流的实时交互模型。

一个世界即使画面再漂亮，如果听不懂人在说什么，不知道什么时候该接话，它仍然只是一段视频。

10月11日，影视飓风的Tim展示了这样一段视频，用户先是用一句话生成一个微缩视角的房间，再用键鼠骑上纸飞机，在场景中自由飞行。

想要一把勺子，世界就生成一把勺子，甚至可以顺着勺子攀爬。再画出一扇“任意门”，原本毫不相干的房间和外太空，就被连接到了一起。

虽然字节没有正式公布这个世界模型的具体信息，但它也让外界第一次看到了字节世界模型的雏形。强调空间探索，也强调随时修改和交互。

10月27日发布的2026胡润百富榜中，张一鸣成为了中国首富，财富是6700亿元人民币。

张一鸣希望这个模型能够连接四样东西：AI模型、云计算、内容平台和Pico硬件。最终，他希望世界模型成为字节的新飞轮。

Seed负责生成世界，火山引擎提供云端算力，剪映和即梦降低创作门槛，抖音、直播和短剧负责分发体验，Pico则提供空间入口。

Pico的优势在于轻便、便宜。

传统XR设备需要把大量计算塞进头显，这就导致头显又重又贵，比如苹果的Vision Pro。张一鸣想把复杂的计算生成放到云端，让头显只负责感知、传输和显示。

成本并没有消失，只是从头显转移到了数据中心。

因此，用户越多，并发计算的成本越高。网络稍有波动，延迟就会直接破坏沉浸感。

目前，字节世界模型的生成指标约为20fps，称不上流畅，顶多只能算“不卡顿”而已。

从“推荐下一条”，到“生成下一秒”

不是只有张一鸣才能做世界模型。李飞飞、杨立昆、DeepMind、英伟达，以及大量机器人与自动驾驶团队，都在从不同方向做世界模型。

他们个个都是技术大牛，但世界模型从实验室走向大众，需要的不只是技术。它还需要低摩擦交互、创作者生态、内容分发等等。

张一鸣最擅长的，不是发明每一项底层技术，他更擅长技术落地。

比如说字节起家的推荐算法，这显然不是张一鸣发明的，但是张一鸣把这项技术和字节已有的产品组织在了一起，把“找到下一条内容”这件事，压缩成了一次滑动。

你动动大拇指，下一个你可能喜欢的内容就来了。

用户不需要理解什么是推荐系统，也不需要学习一套操作方法。滑一下，不喜欢，那就再滑一下。

世界模型同样需要这样一个落地方式。

难道指望用户在进入世界模型之前，先学会三维引擎、镜头参数、动作空间和提示词格式？如果真是如此，那就算字节的世界模型再先进，也只能当个花瓶。

张一鸣缩短了人与内容之间的距离，世界模型所生成的世界，也只是一个内容而已。

同样的，组织创作、分发和反馈，这些也是张一鸣擅长的。

一个冷知识，无限生成世界，不等于无限生成好体验。

随机不等于丰富，逼真不等于好玩，可交互也不等于用户愿意交互。一个可以无限延伸的空间，如果没有目标、人物、冲突和节奏，终究也不过是个空间罢了。

所以，新“世界”需要创作者，需要大量的创作者。他们需要创作的是初始设定、人物关系、规则，以及一片允许用户探索和交互的场景。

生成一旦不再稀缺，“什么值得生成”就会变得稀缺。

字节已有的创作者、工具和分发体系，就有可能让一种“世界模型设计师”像AIGC创作者一样成为一种职业。这些人负责让世界成立，再根据用户行为不断修改。

更深一层的变化，是从“推荐下一条”到“生成下一秒”。

推荐系统面对的是一个已经存在的内容库。

你刚刚看完一条视频，系统根据你的偏好和用户画像，预测你接下来最可能看什么，再从库里挑出下一条。

世界模型面对的，则是一个尚未完全发生的下一秒。

你向前一步，向左转身，说一句话，或者拿起一个物体，模型需要预测你的行动之后，环境应该怎样变化，并把这一刻即时生成出来。

在抖音上，字节根据行为分发已经生产的内容。在世界模型里，字节就能根据每一次行为，即时生产内容本身。

广义上说，这还是一种“推荐”，因为它们都是在预测什么东西应该出现在你眼前。唯一不同的地方在于，过去，推荐给你的是别人已经做好的内容。将来，被推荐给你的是一个此前不存在的结果。

这也是为什么张一鸣在元宇宙时期留下的资产，今天仍然值得重新审视。

世界等待张一鸣。可我只想说，快点把世界模型端上来吧，我快等不及了。