通往AGI之路：字节如何同时修复两条关键路径

声明：本文来自微信公众号 <em>字母榜</em>，作者：彦飞，授权 <em>站长之家</em> 转载发布。

在传言中的5万亿参数大模型之外，张一鸣正在亲自带领字节AI探索另一条路径:世界模型。

9月7日，知情人士透露，字节正在筹备一款面向实时空间视频生成的AI模型。张一鸣正亲自督导新模型的研发工作，计划于下月推出。

据报道称，早在2025年，字节就成立了研究组，对世界模型中的VLA（视觉-语言-动作模型）路线进行探索。

进入2026年，在Seed全员会上，字节AI一号位吴永辉为世界模型设立明确目标:年底之前至少发布一版世界模型，性能比肩谷歌Genie3。

世界模型被列为字节AI全年四大命题之首，另外三项是视频模型继续保持领先地位、提升AI Coding和豆包商业化。在资金投入上，世界模型是文本、Coding、视频等多个模型方向中最高的一个。

然而，报道援引一位接近Seed人士的言论称，吴永辉多次在Seed内部会直言，字节世界模型和具身智能的效果不及预期。

这或许解释了，张一鸣为何要“亲临前线”，督战世界模型。

张一鸣一直十分关注Seedance。

7月底的Seed全员会上，Seedance被点名表扬。在张一鸣看来，Seedance在市场上很特别，也有领先的技术优势。相比追随其他领先模型的既有路线，他更鼓励Seed做出有自己特色的模型。

彼时张一鸣并没有细说，Seedance该如何保持优势，又该如何继续做出特色。

但根据报道，Seedance除了要做更精细的后训练、继续提升性能，还要重点探索动态生成能力——用户输入指令，随时调整视频生成的内容。这与世界模型的基本样貌高度契合。

也就是说，Seedance已经具备了世界模型的部分能力。

张一鸣亲自掌舵后，此前进展不太顺利的字节世界模型，有望大幅加速。

与AI生图、做视频相比，世界模型无疑更有未来感和想象空间。在大模型的“输入-生成-输出”链路中，用户不再被局限在输入和输出侧，而是可以实时参与生成的过程，效率和效果都会大幅提升。

字节的“体质”，也非常适合做世界模型。

世界模型比语言模型更依赖数据报道称，字节原计划当月推出的豆包2.2确认推迟。

上述报道援引知情人士言论称，字节的内部希望通过更充分的预训练和后训练，把编程、工具调用和Agent能力拉上去，用更长的研发周期换更明显的能力提升。

不过，字母榜未查询到字节官方的新版大模型推出时间表，“推迟”一说存疑。字节方面对此保持沉默。

另据报道，该笔贷款由花旗集团和摩根大通牵头，近30家中外银行参与，期限3年可延长至5年，无抵押无质押，创中企境外融资最低利差。

字节上一次大规模境外贷款为2024年的108亿美元，此次规模约为前次的近三倍。充裕的贷款额度，可以为字节AI提供源源不断的资金弹药，也为传说中的5万亿参数模型增添了一些可信度。

但这些动作都是在沿着别人大幅领先的跑道去追赶。尤其是Astra和Fable5.1发布后，包括字节在内的其他公司被进一步甩开;想要拉近距离，短时间内很困难。

在此背景下，字节做世界模型，其实带有开辟第二战场的味道。

此前，Seedance作为一支奇兵，帮助字节在多模态模型赛道闯出了不小的声量和美誉度。

如今，Seedance将需要承担更大的使命，充当字节世界模型的基底。

C

字节素来有“大力出奇迹”的传统和经验，也为语言模型和世界模型齐头并进做了准备。但挑战也很明显:这注定是一场极为烧钱的冒险。

众所周知，超大参数语言模型的训练非常费钱，已是亿级美元起步。

以字节的5万亿参数模型为例，按MoE架构、15万亿Token数据粗略估算，进行一次正式预训练的总计算量约9×10²⁵ FLOPs，相当于GPT-4的4倍多;对应训练成本将远超 GPT-4的1亿美元量级。

世界模型的数据量和训练量远超语言模型，成本也高得多。

中金公司此前测算，OpenAI视频生成模型Sora 的训练算力成本理论值约为GPT-4的10倍。主要原因不是参数量——Sora仅约3B参数，而是长token问题:视频数据的token 序列长度远大于文本，每帧图像本身就是高维信息，导致单位数据的计算量急剧上升。

能够实时下指令、做调整的世界模型，相比Sora这样的视频生成模型更进一步，其成本只高不低。

而在收入端，语言模型已经在B端和C端都形成了成熟的付费体系，商业化基本跑通。但世界模型还处于探索阶段，距离变现还很遥远，进一步加大AI公司的亏损。

巨大的成本压力面前，像字节这样，同时强攻LLM和世界模型，还没有公司尝试过。

国外AI大厂中，OpenAI和Anthropic都以语言模型为核心主战场，不太重视多模态，遑论世界模型。

谷歌是一个特例，过去几年，既做Gemini系列语言模型，又在积极推动Genie系列世界模型的发展，做到全球第一。但去年底以来，随着联合创始人谢尔盖·布林回归一线、深度介入AI工作，谷歌把重心转向了Gemini，Genie受到了一定程度的冷落。

国内，阿里今年4月发布HappyOyster世界模型，具备“漫游”和“导演”两大能力，可用于交互式电影、游戏开发、视觉体验等

但显而易见，阿里AI当前的主力是“Qwen+千问办公”，而非面向电商素材、影视游戏的多模态和世界模型，未来也不太可能急剧转向。

腾讯的态度则更加明显。

早在2025年7月，腾讯就发布了HY-World1.0世界模型，今年4月又推出2.0版本。腾讯拥有丰富的影视、游戏资源，彼时许多人对其世界模型颇为看好。

但在姚顺雨治下，腾讯混元的基本路线被调整为“靠拢梁文锋，远离李飞飞”;Hy3重心放在推理、智能体、长上下文和生产力任务上，而非多模态生成。可以预见的是，HY-World系列不会马上停摆，但也很难成为投入重心。

整个AI圈子，只有一些学者主导、实验室型的创业公司，比如李飞飞的World Labs主攻世界模型。9月初，李飞飞发布新模型Atlas，号称“全球首个多模态世界模型”。

字节却选择两个都要做，同时还在AI App、MaaS甚至AI硬件方面有布局。如果张一鸣希望字节AI在每条赛道都做到头部，未来需要投入的资金、资源将难以想象。

张一鸣面前的路，奖励非常丰厚，难度也非常大:

若是成功登顶语言模型和世界模型两大领域，字节将成为AI时代的最大赢家之一，比肩甚至超越OpenAI、Anthropic。但如果失败，字节恐怕会重蹈Meta做元宇宙的覆辙——花了无数钱，最后一地鸡毛。

站在世界模型的开端上，张一鸣并不需要马上回答这些问题。但路阻且长，考验他和字节耐心的“奥德赛时期”，才刚刚到来。