字节世界模型首秀：一句话生成可交互的赛博三维世界

在刚刚结束的抖音集团《2026 美好奇妙夜》科技节目现场，影视飓风的 Tim 演示了字节大模型生成的开放世界。用户只需输入一句话，AI 即可凭空构建出微缩小人视角下的房间，并支持自由飞行、物体创造及实时交互等操作。该演示展示了世界模型的多种核心能力：通过三维场景生成构建初始环境；利用任意门功能实现不同空间间的直接连通；允许用户凭空搓出勺子并与之进行攀岩般的物理交互。尽管模型尚未正式发布，但现场表现已涵盖空间结构维持、物体编辑及跨场景连续性建模等关键特性。业界正致力于让 AI 理解空间结构与变化规律，从生成逼真画面进化至模拟现实规律。OpenAI Sora 等技术虽能生成符合视觉连续性的视频，但在处理如人物跑步动作与跑步机运动关系等物理逻辑方面仍存在局限。李飞飞团队发布的《A Functional Taxonomy of World Models》文章将世界模型划分为渲染器、模拟器与规划器三类。其中，模拟器负责维护符合几何与物理因果的场景状态，这是传统多模态生成模型基于统计规律学习所难以充分解决的基础难题。当前技术路线正从单纯生成视觉画面转向模拟世界实际状态。无论是抽象状态预测还是生成式三维世界，目标都是让 AI 不仅能“画”出一个世界，更能让其“活”过来，实现持续探索与智能体自主行动。