这个 9 月，AI 圈最热闹的不是又一个新模型刷榜，而是一个更安静、也更值钱的转向：AI 不再满足于在屏幕里给你放一段视频，它开始造一个你能走进去的世界。

9 月 7 日，彭博社独家报道：字节跳动正在基于 Seedance 视频模型开发一款实时空间视频生成模型，创始人张一鸣亲自跨部门督导，调集模型、云、Pico 硬件和内容业务线的资源，最快 10 月推出。9 月 3 日，OpenAI 发布 GPT-6 Astra，开发者惊讶地发现它能直接操作 Blender 和虚幻引擎，从建模到渲染一条龙做出可漫游的 3D 场景。再往前一天，9 月 1 日，李飞飞的 World Labs 发布了原生世界模型 Atlas。

三条完全不同的技术路线，同一个终点。这件事值得每一个做内容、做产品的人认真看一眼。

一、字节：把"看视频"变成"走进视频"

先看字节的打法。按彭博社披露的测试指标：模型在云端实时渲染，端到端延迟约 50 毫秒，每秒生成 20 帧画面。

这两个数字是关键。50 毫秒已经逼近人类感知阈值，转头、伸手，眼前的虚拟环境立刻跟着变——不是播放一段提前渲染好的视频，而是真的"身处其中"。而云端渲染意味着：用户不需要买昂贵的显卡，重计算全部在字节自己的服务器上完成，画面串流到 Pico 头显。这一手直接砍掉了 VR 普及最大的门槛——硬件成本。

应用场景也全是字节的熟地：直播、互动短剧、游戏。过去抖音的算法是让人一条接一条刷下去，现在字节想换一种讲法——让用户不再隔着屏幕看，而是进到画面里。

字节为什么这么急？看看它身处的池塘。Counterpoint Research 数据显示，2025 年上半年全球 VR 头显出货量同比下降 14%，三季度继续下滑 17%。Pico 在 2024 年的全球市场份额只剩 5% 左右，2023 年以来经历多轮调整，今年 7 月创始人周宏伟离任。硬件这条路越走越窄，字节把宝押在"内容形态升级"上：不是卖更好的头显，而是造只有头显里才有的体验。

硬件救不了的池子，就让内容重新把水烧开。二、三条路线，同一个拐点

有意思的是，盯上 3D 世界的不止字节一家，而且三家走的是完全不同的路。

OpenAI 的 GPT-6 Astra 走的是"大语言模型操作专业软件"的路线：官方演示里，给它一段文字，它先在 Blender 里完成建筑建模、材质贴图与光影渲染，再自动写导出脚本，把成品导入虚幻引擎 5，生成一个可以自由漫游的交互场景，全程不需要人工分步介入。开放测试后，开发者社区甚至跑出了组合玩法：Astra 负责写脚本、搭 3D 白模、规划镜头，再调用 Seedance 2.5 渲染成片——影视级的前期预演，一句话搞定。

李飞飞的 World Labs 走的是"原生世界模型"路线：不借助任何外部软件，模型直接理解和生成三维空间本身。英伟达则把 Cosmos 3 世界模型平台开源，统一建模文本、图像、视频、音频和动作序列，既能生成带同步音效的视频，也能预测机器人下一步动作，提供 16B 和 64B 两个规格。

路线

代表玩家

核心打法

指向的场景

视频模型向上

字节 Seedance

云端实时渲染空间视频，串流到头显

直播、互动短剧、游戏

LLM 操作专业软件

OpenAI GPT-6 Astra

直接操控 Blender、虚幻引擎全流程

影视预演、3D 内容生产

原生世界模型

World Labs Atlas、英伟达 Cosmos 3

直接生成/理解三维空间本身

仿真、机器人、科研

三条路，起点不同，却指向同一个产业判断：内容产业的形态，正在从"可观看的视频"转向"可进入、可交互的空间"。

三、中国力量：不只有字节在冲

视线拉回国内，这一波空间智能的浪潮里，中国公司不止字节一张牌。

9 月 15 日，智象未来（HiDream.ai）发布原生全模态视频生成模型 HD-V1：一键直出 5 至 20 秒 1080p 视频，把重力、碰撞、惯性这些物理规律直接写进生成逻辑，声音与画面同步生成而非后期拼接。发布同期，它在 Artificial Analysis 图生视频（带音频）榜单拿下全球第四，在 Arena.ai 盲测榜单位列全球第八。同一天，公司宣布完成 C+ 轮融资，投资方新微资本、交子资本、工银资本清一色国资背景——今年 4 月到 7 月，它已连续完成三轮融资，累计超 21 亿元，估值突破 10 亿美元。

9 月 9 日，MiniMax H3 全模态视频生成模型在赣江新区首发：开源、可本地化部署、最高 2K 分辨率、自带音频，明确定位 AI 短剧和漫剧的创作引擎。

把 9 月这一桌牌摆在一起看：

模型/项目

公司

时间

关键看点

实时空间视频模型

字节跳动

最快 10 月

50ms 延迟、20fps，张一鸣亲自督导

HD-V1

智象未来

9 月 15 日

物理规律建模，AA 榜单全球第四

MiniMax H3

MiniMax

9 月 9 日

开源、2K、自带音频，瞄准短剧

Cosmos 3

英伟达

本月开源

文本/视频/音频/动作统一建模

字节在 36 氪披露的 2026 年四项 AI 重点任务里，"加大世界模型投入、年底前至少推出一款世界模型"赫然在列。这不是一家公司的临时起意，而是一群头部玩家的集体下注。

四、为什么偏偏是现在？

三个条件，恰好在这个时间点凑齐了。

第一，算得动了。 实时交互的世界模型，卡脖子的一直是延迟。云端渲染加视频串流的方案，把 50 毫秒的端到端延迟做到了可用水准——工程上第一次"能玩"，而不只是"能演示"。国家数据局的数据也印证了算力侧的厚度：我国日均词元调用量从 2024 年初的约 1000 亿次，涨到 2026 年 6 月底的 500 万亿次，两年增长约 5000 倍。

第二，看得懂了。 HD-V1 们的突破不在"动得顺"，而在"听得懂"：先对模糊、口语化的输入做结构化规划——镜头时长、构图、运镜、音效——再把物理规律写进底层逻辑。生成的东西开始遵守现实世界的规则，人进入其中才不会觉得假。

第三，等的起。 VR 硬件市场连续两年下滑，行业急需一个"非头显不可"的理由。AI 实时生成的交互世界，恰好是传统 3D 建模做不起、预渲染视频给不了的东西。写在最后

回头看，每一次内容形态的迁移，都重塑了一批公司：图文时代成就了门户，短视频时代成就了抖音。如果内容的下一站真是"可进入的空间"，那么现在各家抢的不是某一款产品的胜负，而是下一代内容平台的入场券。

给三句话建议：做内容的

：开始熟悉 3D 工作流。Astra 加 Blender 这类"一句话出预演"的组合已经能跑通，先人一步掌握工具的人，会在空间内容爆发时拿到定价权。做产品的

：关注"云端渲染 + 轻终端"的组合。它降低的不只是用户成本，更是你产品的获客成本。做技术的

：盯紧开源世界模型。Cosmos 3、MiniMax H3 都已开源，现在的空白处，就是半年后的竞争壁垒。

屏幕正在变成一扇门。门后是什么样，未来十二个月就会见分晓。