张一鸣重新下场了——而且这次盯的是字节跳动目前最激进的一条产品线。
据彭博社 9 月 7 日援引知情人士报道，字节跳动创始人正在亲自督战一款实时空间视频生成 AI 模型的研发，最快下个月（10 月）就能发布。知情人士同时提醒：时间表还没定死，计划随时可能变；字节跳动方面没有回应置评请求。
这不是普通的视频模型迭代。它瞄准的是 2026 年最热的概念之一——世界模型：让 AI 学会环境的运行规律，实时渲染出一个能对你的动作、语音做出连贯反应的三维世界。
50 毫秒延迟、20 帧每秒：云端生成的三维世界
据彭博社报道，这款模型基于字节跳动现有的 AI 视频生成系统 Seedance 构建，用户可以用它为直播、短剧和游戏创建互动式虚拟世界，把自己”放进”三维空间里。
真正值得注意的是规格：按需生成视频约 20 帧/秒，延迟约 0.05 秒（50 毫秒），而且是在云端生成、不是在设备端生成。
这个”云端”细节才是战略所在。把空间内容渲染放到远程服务器，头显（VR/XR 眼镜）只需接收画面，计算负载大幅下降——硬件不用堆昂贵芯片，成本自然就下来了。
字节跳动旗下有 XR 硬件品牌 Pico。报道称，这款模型预计就是为 Pico 用户服务的：生成能响应他们语音和动作的虚拟世界。如果跑通，XR 赛道的竞争重点将从”谁的硬件参数高”，转向”谁的模型强、谁的云够大、谁的内容分发够广”——后三样，恰好都是字节跳动已经有的东西。
为什么是张一鸣亲自下场：世界模型已是字节第一优先级
张一鸣 2021 年卸任字节跳动 CEO，之后长期淡出日常管理。但近一年他回归 AI 一线的信号越来越密集：8 月 6 日他在内部全员会上定调”做模型坚决不走蒸馏捷径”；8 月中旬英国《金融时报》报道字节在预训练参数规模最高达 10 万亿的超大模型；上周字节刚拿下 296 亿美元贷款、并考虑高达 700 亿美元的 AI 资本开支。
这次亲自督战空间视频模型，彭博社把他放进了李飞飞（World Labs 创始人）、Yann LeCun（Meta 首席 AI 科学家）的阵营——这批人共同的主张是：只靠语言训练的系统走不远，基于视觉与物理理解、能感知真实世界运行的模型，才是通向”能行动的 AI”的路径。
这个判断不是临时起意。据 36 氪今年早些时候报道，字节跳动内部给 2026 年定了四大 AI 优先事项，世界模型排在第一，优先级甚至高于”守住 Seedance 的视频领先地位”和”豆包商业化”。世界模型方向拿到的数据预算，据称是对手同类项目的 3 到 4 倍。字节内部还设了个明确目标：年底前至少交付一个世界模型，并且拿它和谷歌 DeepMind 的 Genie 对标——后者已经能让人在实时渲染的街景图像里走动。
有意思的是，据 36 氪同一报道，2026 年初字节内部测试时，自估落后全球顶级水平约 10%。如果下个月真能发布，等于提前完成了计划。
字节在这条路上是双线并进：一条是视觉-语言-动作（VLA）路线，服务具身智能与机器人；另一条是面向娱乐和游戏的 3D 模拟。这次被曝光的空间视频模型属于第二条——也是离钱更近、已经有现成用户群的一条。
谁会被动：XR 战场从硬件军备转向「云端世界」
字节为什么敢在这时候冲世界模型？核心底气是它的老本行——视频。世界模型的训练素材就是视频数据，而字节跳动在视频压缩、传输、分发上积累了十几年：抖音、TikTok 的推荐系统每天处理海量视频流，Seedance 已经支撑着剪映（CapCut）和豆包。别的公司要从零攒数据管道，字节是现成的。
最尴尬的可能是 Meta 和苹果。两家都在头显上砸了重金：Meta 的 Quest 系列、苹果的 Vision Pro，销量都没能打开主流市场，而且都走”高端硬件”路线。TNW 的分析点破了这种模式的风险：一个云渲染的世界模型不一定在画质上赢过 Vision Pro，但它把”高画质的成本”变成了别人的问题——头显不再需要塞进昂贵的本地算力，一台轻量便宜的眼镜，接上云端就能跑。
放到国内语境，字节的对手是阿里、DeepSeek、月之暗面这批正在卷模型的公司；而字节手里的牌是别人没有的：抖音创作者生态。彭博社的报道提到，张一鸣希望把抖音的创作者带进世界模型这个新兴领域——让创作者用 AI 搭出能互动、能直播、能玩游戏的 3D 世界，这比单纯发布一个技术 demo 更有商业想象空间。
一句话判断
张一鸣亲自盯的不是一个”视频生成模型的升级版”，而是字节给 AI 军备竞赛找的下一个主战场：当语言模型的差距被拉近，谁能先让 AI”理解并实时生成世界”，谁就掌握下一轮内容平台的定义权。50 毫秒延迟只是起点——真正的分水岭是，抖音生态里能不能长出第一批”世界”来。我们持续盯着，下月见分晓。
关注 AI商业快讯，每天一篇 AI 热点深度解读。
相关阅读：