五年前，扎克伯格也曾兴致勃勃地描绘过一个能让人置身其中的数字世界。戴上Quest，用户可以会见朋友、参加会议、观赏演出，甚至进行购物。Facebook为此更名为Meta，Reality Labs随后投入数百亿美元，但Horizon Worlds始终未能成为主流产品。
那波“元宇宙”热潮后来很大程度上沦为科技界的笑谈。然而五年后，张一鸣正借助另一套技术，重新接近一个颇为相似的未来。
最新传闻显示，字节跳动正在开发一款由张一鸣亲自督战的“世界模型”。
Meta当年从VR头显和3D世界起步，字节现在的起点则是视频生成。Seedance先把画面创作出来，再通过世界模型让环境随人的行动持续演变。更关键的是，抖音本就拥有直播功能，红果已积累数亿短剧用户，字节手中甚至还保留着Pico。
难道“元宇宙”并非天方夜谭，只是其开创者注定另有其人？
1
试图想象一个能直播购物、观看短剧（甚至沉浸式进入短剧）的世界时，脑海里总浮现多年前小扎在“元宇宙”中漂浮的诡异半身。
那几年，扎克伯格对元宇宙确实极为认真。
2021年10月，Facebook直接将公司名称改为Meta。改名当天的Connect大会持续一个多小时，扎克伯格几乎带着观众在未来世界里游览了一圈。
戴上Quest，首先出现的是Horizon Home。这相当于虚拟世界中的家，朋友可以直接来访，一起观看视频或玩游戏。工作场景则有Horizon Workrooms，与会者围着一张虚拟会议桌就座，现实中的电脑屏幕也能融入其中。想观看演唱会或NBA，还有Horizon Venues。
Meta当时宣称元宇宙包含娱乐，但也要涵盖工作、社交和学习，甚至健身也包括在内。公司野心不小，意图将VR打造成类似手机、电脑的通用计算平台。
2021年底Horizon Worlds向美国和加拿大18岁以上用户开放时，里面已有数千个由创作者构建的世界。为了吸引更多人参与建设，Meta专门拿出1000万美元设立Creator Fund，还举办创作比赛、提供现成模板，希望普通人也能参与其中。
第二年，商业变现的尝试逐步落地。Meta允许部分创作者在Horizon Worlds中出售虚拟物品和付费体验，逻辑与如今的内容平台大致相似。
可惜，投入了大量人力和资金，元宇宙始终未能迎来当初预期的爆发。
Reality Labs负责Meta的VR、AR硬件及相关软件，当然不能将其亏损完全归咎于Horizon Worlds，但数字依然触目惊心。2025年，该部门全年收入仅22.07亿美元，而营业亏损却高达191.93亿美元；今年上半年又亏损86.47亿美元。
Meta自身也渐渐不再那么执着。去年底，有媒体披露公司计划在2026年削减最高30%的元宇宙预算。从2020年算起，Reality Labs已烧掉超过600亿美元。与此同时，Meta如今更倾向于谈论AI和智能眼镜，元宇宙在公司内的地位明显下降。
这件事后来有多种解释。例如，VR头显始终未能真正普及，佩戴时间长了也不够舒适。更现实的问题是，大多数人根本没有强烈到非得戴个头显去开会、逛街的动机。
再比如，这个“元宇宙”世界本身也过于难以构建。
TikTok能拥有源源不断的新内容，一个重要原因是拍视频的门槛足够低。掏出手机，普通人当天就能发布第一条作品。
Horizon Worlds也一直号称普通人可以创作，简单的东西确实能靠现成组件拼凑出来。但稍微复杂一点，事情立刻变得专业。Meta后来推出的桌面编辑器支持导入Blender、Maya制作的3D模型，要添加更复杂的互动，还需编写TypeScript。
这就很尴尬了。
Meta费了很大力气将Quest卖给更多人，但这些人买回家后，大部分仍是消费者。让一个普通人拍条短视频不难，让他顺手给Horizon造个能玩的3D世界，完全是另一回事。
因此，Meta后来一直没停止向开发者发放资金、升级工具。到2025年，公司甚至又拿出5000万美元扶持Horizon创作者。想让虚拟世界像短视频一样自动涌现海量内容，远没有当初想得那么容易。
2
如今情况已经改变。
去年8月，谷歌DeepMind发布Genie 3时，演示过一个很有意思的场景：给模型一句文字描述，它就能直接生成一个可进入的环境。
例如，让它生成“古代雅典”，屏幕里会出现大理石建筑和街道。用户向前走，画面跟着向前生成。转个弯再回来，刚才看到的树和建筑还大致留在原位。谷歌还演示过火山、威尼斯水道、暴风雨中的佛罗里达海岸，这些地方都没有提前做成完整的3D地图，而是随着用户移动一帧一帧生成出来。
Genie 3目前能达到720P、每秒24帧，一个场景可维持几分钟的一致性。离能长期待在里面的虚拟世界当然还很远，但仅看这套工作方式，已与Meta当年大不相同。
当年Horizon Worlds中的场景得先有人搭建。Genie 3试图省掉这道工序，让模型随用户行动继续生成环境。
对用户来说，这个区别其实很好理解。
今天让AI生成一段“我骑着摩托车穿过东京街头”的视频，几十秒后视频结束，东京也随之消失。世界模型想做的事情则复杂得多——你骑到路口突然左转，模型得知道左边还有一条街。你停下来进一家店，它还得继续把店内生成出来。过一会儿再走回原处，最好别发现刚才那栋楼突然换了位置。
所以，世界模型要解决的问题，已不只是“画面像不像真的”，它还得让这个虚构空间经得起人的折腾。
字节现在也在朝这个方向探索。
今年2月发布的Seedance 2.0已将视频生成推进到更复杂的运动和多人互动。字节特别强调了物理规律还原，例如人物之间发生接触、物体运动后，画面尽量别出现以前AI视频中常见的穿模和乱飞。
8月发布的SeedRealtime也很值得关注。
该模型本身不负责生成世界，而是持续观察眼前发生的事情，同时与人交流。镜头中出现新东西，模型能主动发现。人说话时指向某个物体，它也能结合画面理解你到底在说什么。换句话说，AI开始能一直“待在现场”，而不是等用户截一张图，再问一句“这是什么”。
当下最新报道，则看起来像是几条路线的一次交汇。
按照报道，张一鸣亲自督战的“世界模型”建立在Seedance之上，目标是让画面能随用户声音和动作实时变化，应用直接指向直播、短剧和游戏。生成主要在云端进行，目标速度约每秒20帧，延迟约50毫秒。字节目前未公开回应此消息，也尚未公开展示该模型，发布时间也可能变动，因此它具体能实现到什么程度目前不得而知。
但这条路线已很好理解。
Seedance擅长将内容生成出来，而到了世界模型这里，生成出的环境还得继续“活着”。用户往哪走、做了什么，场景都要随之变化。
而这正是五年前Meta打造Horizon时最费力的部分。
更有趣的是，Meta自己现在也绕回来“找补”了。
2025年，Meta为Horizon Worlds的桌面编辑器加入了一批生成式AI工具。创作者可让AI生成3D模型和纹理，也可让它帮忙编写TypeScript、制作天空背景和声音。Meta当时表示，这些工具能将原本需几周的开发工作缩短到几小时。后来又继续加入环境生成，希望创作者最终只需写几句提示词，就能搭建出一个完整世界。
这个变化有些微妙。
这其实也说明，Meta当年遇到的那个问题，到今天仍然存在，只是解决办法变了。
当虚拟空间的生产开始越来越像生成图片、生成视频，元宇宙当年那道最麻烦的门槛，才第一次有可能真正降低。
3
造世界的门槛如果真的降下来，里面放什么？这一点字节倒不太缺答案。
最容易想到的就是直播。最新报道中，直播本就是这款空间视频模型计划探索的场景之一。抖音的直播业务强劲，今年618期间，超过12万商家的直播成交额同比翻倍，带货成交额翻倍的达人超过57万。
直播放入“元宇宙”中的情形不难想象。例如，一个旅行主播不用一直举着手机带观众逛，直播间本身就能生成一个可活动的目的地，观众可自行四处看看。卖家具也可直接生成一套房子，让用户看看沙发放进自己喜欢的装修风格是什么效果。
短剧也有类似的想象空间。
字节如今已拥有相当庞大的短剧规模。QuestMobile数据显示，今年5月，红果免费短剧月活达3.56亿。今年2月，用户日均使用时长已达125分钟。
这些内容目前仍是标准的视频逻辑。但一旦生成模型能稳定维持一个空间，短剧就不一定非得将所有东西提前框定死。一个悬疑故事里，观众也许可以自己走进案发现场，甚至想跟着另一个人物离开，模型就继续生成那条支线。
我们距离这样自由的虚拟空间还有一些距离。目前世界模型首先需解决人物和场景的一致性，还得将成本和延迟降下来。
不过字节已开始发力。根据36氪在6月的报道，今年世界模型被列为字节AI的四个重点方向之一，内部同时在探索3D模拟路线。 游戏业务也重新出现AI项目，5月公布的《不问凡尘》就将AI驱动的影视化叙事作为卖点。
字节内部还有另一条大众更熟悉的AI产品路线，豆包就是最典型的例子。
豆包已是字节最重要的AI产品之一。QuestMobile数据显示，今年6月其月活达3.82亿；6月24日，豆包又正式上线专业版，最低连续包月68元，开始认真探索付费。此前还有报道称，豆包准备进一步接入抖音电商。
但一个AI助手如何与字节原来的生意结合，多少还是得重新琢磨。收费是一种办法，接入电商也是一种办法，可用户在豆包里问问题，与他刷抖音视频、看直播，本就是两套不同的使用习惯。
世界模型如果真的改变了视频这种内容本身，很多连接甚至不用专门设计出来。直播间可以继续卖货，短剧仍是内容消费，只是原来隔着屏幕看的东西慢慢有了更多交互。
再加上Pico，这个想象就更完整一点。
字节并未因VR行业降温而放弃Pico。今年PICO Space Pro原本计划9月发布，后来宣布推迟到第四季度，官方给出的原因是还需进行一次较大的软件体验升级。
所以最新报道中的那个空间，短期完全可以先存在于普通屏幕里。技术真的发展到需要更强沉浸感时，字节手中至少还有一套自己的VR硬件。
这也是世界模型对字节很诱人的地方。
它到底是不是通往AGI的重要路线，现在没人能下定论。可字节并不一定非得等这个问题有答案。 哪怕最后只做成一种更复杂、更实时的视频形态，抖音、红果这些产品也已提供了足够大的试验场。
本文来自微信公众号 “字母榜”（ID：wujicaijing），作者：小金牙，36氪经授权发布。