世界模型入口之争：字节向左，京东向右

当大语言模型的参数竞赛步入收益递减期，下一代计算入口的争夺，正从“文本对话”加速转向“空间交互”。

近期，两家国内巨头在世界模型领域的落子引发广泛关注：字节跳动基于 Seedance 研发实时空间视频生成模型，由创始人张一鸣跨部门协调模型、算力与硬件资源；京东则在 JDD 大会上发布 JoyAI-EchoWM 世界模型，并规划建设 10 万卡国产 GPU 集群。

两件事相隔数日，看似同台竞技，切入路径却大相径庭，折射出中国科技公司对空间计算入口的不同解题思路。

世界模型：空间计算的新入口

理解这场较量，首先需要厘清概念：世界模型并非单纯的“AI 视频生成升级版”。

传统视频生成属于“输入指令、输出片段”的内容工具，而世界模型是“输入行为、输出连贯物理规律与空间反馈”的实时交互系统。其核心不仅在于生成画面，更在于理解物理规律、预测环境演变，并响应用户的连续操作。

技术指标直观体现了这一差异。字节跳动研发的实时空间视频生成模型，目标端到端延迟约为 50 毫秒，帧率约 20 帧/秒。人类感知的交互延迟阈值在 50 至 100 毫秒之间，达到 50 毫秒意味着用户几乎感受不到时差，虚拟空间具备了“可交互的在场感”。

这也是传统 VR 产业长期面临的瓶颈。以往 VR 依赖昂贵庞大的本地算力或复杂的预渲染，而云端实时生成的世界模型，将重度渲染与计算转移到服务器，终端仅保留动作捕捉与显示，有望将空间计算推向云服务时代。

从技术储备看，字节跳动已拥有 Seedance 的视频生成能力、Depth Anything 3 的空间深度重建以及 Seed3D 的三维资产生成技术，逐步搭起由“生成像素”到“构建空间”的底座。但在全球范围内，相较于海外巨头偏向通用物理模拟的探索，中国企业的动作从一开始就紧贴着具体业务与商业场景。

字节跳动：锚定 C 端的内容体验闭环

字节跳动的世界模型路径带着鲜明的内容消费基因。其整体链条清晰：以 Seedance 生成能力为底座，向上延伸出空间交互能力，再通过抖音的内容生态与 Pico 硬件完成落地。

这套打法的第一支点是庞大的 C 端消费场景，包括互动直播、互动短剧与沉浸式娱乐。传统视频消费是“隔着屏幕观看”，而空间交互则让用户“置身画面其中”，实时操作可动态重构剧情走向与场景视角。

第二支点是硬件载体 Pico。在硬件参数内卷见顶的背景下，世界模型扮演了“无限内容引擎”的角色，大幅降低高品质三维内容的制作门槛，并在云端协同下减轻头显本体的性能与功耗负担。

然而，这一路径的边界同样清晰：字节的优势集中在内容分发与娱乐交互，相对欠缺实体产业与物理工业环境的深层积淀。其世界模型聚焦于虚拟视听体验的跃升，而非物理实体任务的执行。

京东：深耕物理世界的产业闭环

与偏向虚拟体验的字节截然不同，京东的世界模型直接锚定真实物理世界。

在京东的规划中，世界模型的终极价值并非娱乐，而是构建精准的物理仿真环境，让 AI 与具身机器人在进驻真实场景前，先在虚拟沙盒中完成海量学习、策略测试与错误校准，实现“虚拟仿真、物理执行”。

这一战略依托三大支撑：

1. 一手真实场景数据：具身智能依赖大量第一视角作业数据。京东基于分拣机器人、干线无人车与配送终端的日常运转，构建了千万小时级的人类操作与作业数据集，并开源了包含 346 项真实任务的 EgoLive 数据集。
2. 大规模定制化算力：规划建设的 10 万卡国产 GPU 集群，专为高可靠性、低延迟的物理仿真与多机协同调度设计，以满足工业和物流场景对“零失误”的严苛要求。
3. 垂类业务落地：在评测中取得优异成绩的 JoyAI-EchoWM，直接对接物流路径规划、具身机械臂拣选、工业三维设计建模等具体业务，担当机器人的“虚拟训练场”。

京东路线的优势在于产业壁垒深厚，但挑战在于缺乏 C 端大规模流量入口，产业场景定制化程度高、落地与变现周期相对较长。

总结：生态闭环的长期角逐

字节向左，押注内容交互与消费级体验；京东向右，押注物理仿真与产业级具身智能。两者的技术演进没有绝对优劣，而是源于各自核心基因的自然延伸。

早前的大语言模型比拼多集中在算法指标与参数规模，而世界模型的竞争已经演变为综合生态战：算力架构、垂直数据、业务场景与终端硬件，缺一不可。随着人机交互逐步从二维屏幕走向三维空间，这一场围绕下一代计算入口的布局才刚刚拉开序幕。