如果说大模型学会了"理解文字"，那世界模型要学的是"理解并生成一个可以互动的 3D 世界"。字节、京东等巨头正加速押注这一方向：字节张一鸣亲自监督开发实时空间视频生成模型，京东开源世界模型 JoyAI-Echo 并在 WBench Navigation 评测中以 81.6 分登顶，同时规划十万卡国产算力集群。一场关于"可交互 3D 世界"的竞速，已经开始。

什么是世界模型 / 空间视频

  • 世界模型：让 AI 理解真实世界的物理规律、空间结构，能预测和生成"世界"的变化；
  • 空间视频生成：生成连续的、可交互的 3D 场景视频（不只是静态画面）；
  • 可交互：你改变输入（动作、视角），世界模型能实时响应，像"走进一个虚拟世界"。

这是从"生成图片/文字"到"生成可玩的 3D 世界"的跨越。

巨头们的动作

  • 字节：张一鸣亲自督战，基于 Seedance 开发实时空间视频生成模型，延迟约 0.05 秒、每秒 20 帧，可为直播、短剧、游戏创建互动虚拟世界，对标谷歌 Genie；
  • 京东：开源实时可交互世界模型 JoyAI-Echo，WBench Navigation 81.6 分登顶，并规划十万卡国产算力集群、1000 万小时具身数据采集；
  • 智象未来：发布具身世界模型 HiDream-O1-Embodied，登榜 RoboColiseum 扰动适应榜首。

巨头下场，说明"生成可交互 3D 世界"被视作大模型之后的下一座金矿。

为什么如此重要

  • 从"看"到"玩"：可交互世界模型能让 AI 用于游戏、直播、短剧、数字孪生、机器人训练等；
  • 数据与算力飞轮：世界模型需要海量真实数据与超强算力，门槛极高；
  • 下一代理工形态：直接把"自然语言"变成"可交互场景"，是交互方式的革命。

挑战与看点

  • 算力需求爆炸：实时视频生成对算力要求极高，巨头都在囤算力（京东十万卡集群）；
  • 数据获取：真实世界交互数据昂贵，数据采集是瓶颈；
  • 真实性 vs 可控性：既要"像真实世界"，又要"可控可编辑"，是技术难点。

结语

当字节、京东们开始抢"可交互 3D 世界"，AI 竞争的下一站已经从"文字"“图片"升级到"物理世界的生成与互动”。世界模型不只是做视频，它可能成为游戏、直播、机器人、数字孪生的共同底座。谁先造出"真实又能互动"的世界生成器，谁就握住了人工智能的下一张入场券。

本文基于公开报道整理，产品与评测数据以各公司官方为准。