近期，科技界的目光被一則消息所吸引：國內(nèi)互聯(lián)網(wǎng)巨頭字節(jié)跳動正悄然加速其在通用人工智能領(lǐng)域的布局。據(jù)知情人士透露，字節(jié)跳動的人工智能核心部門Seed正秘密研發(fā)一款名為“世界模型”的先進(jìn)AI系統(tǒng)，旨在與谷歌的Genie3和meta的V-JEPA 2一較高下。

這款“世界模型”項(xiàng)目已進(jìn)入關(guān)鍵階段，由前通義千問團(tuán)隊(duì)的核心成員周暢領(lǐng)銜。該項(xiàng)目充分利用了字節(jié)跳動旗下抖音和TikTok的海量視頻數(shù)據(jù)資源，并結(jié)合自研的E-4D框架，目標(biāo)直指虛擬世界模擬與機(jī)器人訓(xùn)練等前沿科技領(lǐng)域。這一舉動標(biāo)志著字節(jié)跳動正式加入了全球AI巨頭的競爭行列。

“世界模型”的核心在于模擬真實(shí)環(huán)境的物理規(guī)律和人類互動方式，未來有望應(yīng)用于機(jī)器人訓(xùn)練、自動駕駛系統(tǒng)構(gòu)建以及虛擬世界的打造。它被視為通向通用人工智能（AGI）的關(guān)鍵路徑之一，旨在通過構(gòu)建能夠模擬真實(shí)物理世界的數(shù)字孿生環(huán)境，實(shí)現(xiàn)AI技術(shù)的飛躍。

據(jù)悉，字節(jié)跳動的這款新模型將深度融合抖音每天超過10億次的視頻流數(shù)據(jù)，這些數(shù)據(jù)涵蓋了人物行為、物體運(yùn)動、場景交互等多維度的動態(tài)信息，為AI模型的訓(xùn)練提供了豐富且逼真的素材庫。尤為近期開源的EX-4D技術(shù)將在這一過程中發(fā)揮關(guān)鍵作用。這項(xiàng)技術(shù)能夠?qū)文恳曨l轉(zhuǎn)化為4D多視角場景，突破了傳統(tǒng)圖像處理技術(shù)的局限，為實(shí)現(xiàn)時空連續(xù)性的環(huán)境建模奠定了堅(jiān)實(shí)基礎(chǔ)。

在全球AI競賽日益激烈的背景下，字節(jié)跳動在AI領(lǐng)域的布局顯得相對低調(diào)而穩(wěn)健。盡管谷歌的Genie3憑借其強(qiáng)大的場景連貫性和文本驅(qū)動事件修改功能已占據(jù)先機(jī)，而meta的V-JEPA 2則通過獨(dú)特的聯(lián)合嵌入預(yù)測架構(gòu)實(shí)現(xiàn)了物理推理能力的突破，但字節(jié)跳動的新模型依然備受期待。

面對行業(yè)巨頭的強(qiáng)勢表現(xiàn)，字節(jié)跳動的新模型需要在保持其在短視頻數(shù)據(jù)處理領(lǐng)域優(yōu)勢的同時，努力突破物理仿真與長時程一致性等技術(shù)瓶頸。從戰(zhàn)略層面來看，字節(jié)跳動的“世界模型”布局與其核心業(yè)務(wù)形成了深度協(xié)同。抖音和TikTok積累的超過20億用戶行為數(shù)據(jù)為模型構(gòu)建提供了獨(dú)特的人物交互訓(xùn)練集，這為未來構(gòu)建虛實(shí)融合的交互場景奠定了堅(jiān)實(shí)基礎(chǔ)。

展望未來，如果字節(jié)跳動能夠成功將其在移動互聯(lián)網(wǎng)時代的終端優(yōu)勢復(fù)制到AI領(lǐng)域，結(jié)合旗下的PICO設(shè)備以及其他智能家居生態(tài)，那么一個全新的虛實(shí)融合交互時代或?qū)⒌絹怼?/p>