字节世界模型首秀：一句话生成可自由探索的赛博世界

只需一句话，AI就能生成一个可自由探索的三维场景。在抖音集团《2026美好奇妙夜》科技节目现场，影视飓风Tim演示了字节跳动正在研发的世界模型：输入一句话生成微缩小人视角的房间，骑纸飞机自由飞行，凭空创造勺子并与之交互，甚至用“任意门”将房间与外太空连通。该模型尚未正式发布，但已展示出三维场景生成、自由探索、实时交互、物体编辑及跨空间连通能力。

近年来，从李飞飞团队的World Labs到Google DeepMind的Genie、英伟达的Cosmos，科技巨头纷纷布局世界模型，试图让AI理解空间结构、模拟现实规律并预测环境变化。

传统多模态生成存在技术短板。2024年OpenAI发布Sora时指出，视频生成模型虽能涌现三维一致性和物体持久性，却难以处理基本物理关系——画面真实，物理规律却未必可靠。视觉上的时空连续性，并不等于稳定、可干预的世界状态。让杯子外观一致已相对容易，但追踪其被拿起、放下、推落时的空间位置与状态变化，并预测碰撞坠落，仍需世界状态建模。

今年6月，李飞飞团队将世界模型按功能分为三类：渲染器负责画面真实度；模拟器维护符合几何与物理因果的场景状态；规划器基于世界状态输出合理动作。这解释了为何AI能生成逼真视频，却仍需研究世界模型——空间表征、动态预测与行动规划，正是传统多模态生成尚未充分解决的难题。

字节AI模型的演示体现了这些能力：自由穿行要求维持场景几何一致性；凭空生成勺子并攀爬，涉及即时生成、状态建模与动态预测；任意门则延伸至三维场景重建、空间可控编辑与跨场景连续性建模。AI生成的不再只是内容，而是一个持续存在、变化、交互的数字世界。

世界模型还有更具产业价值的一面：让机器在虚拟世界大规模训练、反复试错，再将能力迁移到现实。机器人、自动驾驶等物理AI长期受制于真实数据采集成本高、试错周期长、极端场景难复现。世界模型可将现实环境转化为可生成、可控制、可反复验证的虚拟训练场。

在自动驾驶Demo中，救护车驶来、行人横穿、交警指挥等复杂路况被搬进AI生成的虚拟道路，车辆可模拟行驶、应对突发状况，并通过多机位回放分析。过去依赖大量真实路测的长尾场景，如今有望批量生成并反复验证。家务机器人Demo中，机器人在虚拟家庭环境练习抓取、搬运、摆放，面对变化的物体位置与空间布局调整策略，失败也能快速复现问题、反复训练。相比现实中的操作与人工复位，世界模型让机器人以更低成本、更快速度并行试错，练就应对现实环境的能力。