字節(jié)跳動(dòng)的入場，無疑將為這場競賽注入新的變量。

據(jù)The Information披露。國內(nèi)科技巨頭字節(jié)跳動(dòng)，目前正加速布局通用人工智能賽道，其核心人工智能部門Seed正在秘密研發(fā)對標(biāo)谷歌Genie3、Meta V-JEPA 2的"世界模型"。

目前，字節(jié)跳動(dòng)的世界模型項(xiàng)目已進(jìn)入攻堅(jiān)階段，該項(xiàng)目由前阿里通義千問核心成員周暢帶隊(duì)，依托抖音/TikTok的海量視頻數(shù)據(jù)與自研EX-4D框架，劍指虛擬世界模擬與機(jī)器人訓(xùn)練等前沿領(lǐng)域。

The Information表示，此次技術(shù)布局標(biāo)志著字節(jié)跳動(dòng)正式加入全球AI巨頭爭奪戰(zhàn)。

何為“世界模型”，簡單來說就是模擬真實(shí)環(huán)境的物理規(guī)律和人類互動(dòng)方式，未來可用于訓(xùn)練機(jī)器人、自動(dòng)駕駛系統(tǒng)或構(gòu)建虛擬世界，被視為通向通用人工智能（AGI）的重要路徑之一，其核心目標(biāo)是通過深度學(xué)習(xí)構(gòu)建可模擬真實(shí)物理規(guī)律的數(shù)字孿生環(huán)境。

據(jù)介紹，新模型將深度融合抖音日均超10億次視頻流數(shù)據(jù)，涵蓋人物行為、物體運(yùn)動(dòng)、場景交互等多維度動(dòng)態(tài)信息，為訓(xùn)練提供媲美真實(shí)世界的素材庫。值得關(guān)注的是，近期開源的EX-4D技術(shù)將發(fā)揮關(guān)鍵作用，這項(xiàng)可將單目視頻轉(zhuǎn)化為4D多視角場景的創(chuàng)新框架，突破了傳統(tǒng)單幀圖像處理的局限性，為實(shí)現(xiàn)時(shí)空連續(xù)性的環(huán)境建模奠定基礎(chǔ)。

在全球AI競賽進(jìn)入新階段的背景下，字節(jié)跳動(dòng)在AI領(lǐng)域的布局還是相對來說比較“低調(diào)”。

就以“世界模型”為例，谷歌Genie3憑借其"分鐘級場景連貫性"和"文本驅(qū)動(dòng)事件修改"功能已搶占先機(jī)，其720P分辨率、24幀每秒的生成能力，以及支持物理引擎自主學(xué)習(xí)的特性，已在游戲開發(fā)和機(jī)器人訓(xùn)練領(lǐng)域引發(fā)變革。

同樣是“"世界模型”的標(biāo)桿產(chǎn)品，Meta V-JEPA 2則以獨(dú)特的聯(lián)合嵌入預(yù)測架構(gòu)實(shí)現(xiàn)物理推理能力突破，通過100萬小時(shí)視頻訓(xùn)練構(gòu)建的預(yù)測模型，使機(jī)器人動(dòng)作規(guī)劃效率提升至同類產(chǎn)品的30倍。

面對巨頭們的強(qiáng)勢表現(xiàn)，字節(jié)跳動(dòng)的新模型需在保持短視頻數(shù)據(jù)處理優(yōu)勢的同時(shí)，突破物理仿真與長時(shí)程一致性等技術(shù)瓶頸。

從戰(zhàn)略層面看，字節(jié)跳動(dòng)的世界模型布局與其核心業(yè)務(wù)形成深度協(xié)同。

目前，抖音/TikTok積累的超20億用戶行為數(shù)據(jù)，為模型構(gòu)建了獨(dú)特的人物交互訓(xùn)練集；如果能結(jié)合旗下PICO 設(shè)備以及其他智能家居生態(tài)，那么未來或可構(gòu)建虛實(shí)融合的交互場景，復(fù)制其在移動(dòng)互聯(lián)網(wǎng)時(shí)代的終端優(yōu)勢。

此外，Seed部門在整合火山引擎AI團(tuán)隊(duì)后，也能通過世界模型打通廣告推薦、內(nèi)容生成、智能硬件等業(yè)務(wù)的底層技術(shù)鏈路，展現(xiàn)出打造AI基礎(chǔ)設(shè)施的野心。

由此可見，隨著科技巨頭們持續(xù)加碼，或許我們能很快見證首個(gè)消費(fèi)級世界模型的誕生。正如IDC分析師Jason Dai所言："視頻世界的構(gòu)建需要更強(qiáng)的實(shí)時(shí)性與因果推理能力，而這正是Meta和谷歌尚未完全解決的難題。"

字節(jié)跳動(dòng)的入場，無疑將為這場競賽注入新的變量。

最后，記得關(guān)注微信公眾號：鎂客網(wǎng)（im2maker），更多干貨在等你！