最近，字节又有新动作了，这回动静不小。
据彭博社9月7日报道，一款基于Seedance的实时空间视频生成模型正在推进，按披露的规格，能做到每秒20帧、约50毫秒延迟的实时生成。
也就是说，只要开口说话，画面就会当场生成，不用再等渲染。彭博社还提到，发布最早可能在10月。
其实在这之前，方向就已经定了。字节把世界模型列进了2026年四项AI重点的首位，据36氪等多家媒体报道，Seed团队的内部目标，是年底前至少推出一款世界模型，并与谷歌的Genie 3做对标测试。
不只是字节。生数、智象未来，几乎所有的头部文生视频玩家，都在讲同一个词：世界模型。现在，大家已经不满足于生成一段好看的视频了，而是开始聊怎么让AI理解这个世界。
对于做短剧的人来说，这件事不只是看个热闹。短剧和世界模型共用同一套底层能力——视频生成，而短剧恰好是视频生成最先落地的场景。
那么，世界模型到底是什么？为什么巨头都在押注？它离做内容的人到底有多远？带着这些问题，我翻完了智象未来创始人梅涛的一期3小时深度访谈。
他是全球最早一批文生视频论文的作者，也是最早探索文生视频的人之一，更是把世界模型讲得最直白的人。这篇文章，就是那3小时的精华。
图片、视频、世界模型，三级台阶
梅涛的模型世界观，其实一句话就能说完：图片是入口，视频是过程，世界模型是终局。这不是三个模型，而是同一件事的三个台阶。
第一级，是图片。
图片是二维信号，里面藏着空间关系、逻辑关系，甚至物理规律。人获取世界的信号，80%都是来自视觉。
另外，梅涛还观察到一个现象：绝大多数用户在创作时，50%到60%的时间，其实都花在制作一张图上。所以，想要做好视频，就得先把图片模型做好；如果连图片都做不好，那视频就是空中楼阁。
第二级，是视频。
图片在时间轴上延伸，就是视频。这不是让图片动起来那么简单，而是从二维信号走向三维信号的关键一跃。
今天的视频生成主流架构是DiT，和图片模型的底层几乎没有什么区别，所以图片做得好的公司，理论上视频也能做得好。
第三级，才是世界模型。
视频再往前走，会是什么？不是更长的视频，也不是更清晰的视频，而是一个可以交互的世界。
在梅涛的规划里，世界模型的底层只有一个统一架构，但上面长出了三个方向的模型：
往左，消费级视频生成。大家现在看到的AI短剧、AI广告，就是这一路；中间，交互式视频生成。你可以在视频里调整角度、改变剧情走向，画面都听你的；往右，具身智能的高精度视频生成。毫米级精度，还要满足物理规律。
这不是三个的独立模型，而是在同一个底座上的三个开关。
那么问题来了：世界模型，到底要怎么造？这个问题圈内吵得不可开交，但掰开看，主要分两派。
一派以李飞飞为代表，主张复刻世界。把物理世界用AI原封不动地建模出来，1:1还原，要真，要像，要能跑。
另一派以杨立昆为代表，主张不必复刻。世界模型不需要完全真实，只要能预测、能推理，够用就行。
而梅涛选的是第三条路。
他说：我希望从世界中学习，把世界重构一遍。不是创造世界，而是mold这个世界。按照我们的想象，去构建、改造、编辑它。
他用的词是mold（塑造），不是copy（复制），也不是create（创造），这个区别很重要。
如果只是复刻现实，价值上限就是仿真，游戏、影视、数字孪生，天花板一眼能看到头。但如果是重构和编辑，想象力就会大得多：你可以在虚拟世界里，测试一个还不存在的产品，可以让AI预演一个决策的后果。
这也就解释了，为什么世界模型和短剧、互动内容天然相关。短剧本质上就是一种轻量级世界模型：有人物，有场景，有因果，有选择。
只不过，今天的短剧是人类写出来的；未来的短剧，可能是世界模型自己长出来的。
现在的世界模型，还只是个半成品
但是，如果你以为世界模型马上就能用了，那就错了。梅涛的判断很冷静：现在的世界模型，其实非常早期。
一方面，模型还太小。
现在所有的世界模型，包括具身智能模型，体量大概只有70B到一两百B参数，跟语言模型动不动上千亿的参数比，差了一个数量级。
说到底还是数据不够。智象一年的数据是100PB（1PB=1000TB），但距离训练一个真正通用的世界模型，还差得远。
另一方面，精度不够。
现在的视频生成模型，看上去符合物理规律，实际上并没有物理规律。
梅涛举过一个例子：他们和具身智能公司合作，第一版生成的视频，视觉上看，手把东西捡起来了，挑不出毛病。但仔细看，手指的精度是不够的，并且会和物体的交互有偏差。
人在抓东西的时候，有时候三个手指，有时候五个手指。但AI生成的视频，一定是用五个手指抓，因为在给它的训练数据里，五个手指抓的场景最多。
三个手指抓到底对不对？AI并不知道。这就是当前世界模型存在的问题：它看起来对，但你不能真的用它来控制机器人。
还有一个更关键的点，是算力差了100倍。
真正通用的世界模型，需要多少算力？梅涛的估算：今天的10倍到100倍。
他算过一笔账，要把具身智能的所有数据（XYZ坐标、六个自由度、触觉、温度），连同视频、图片、语言，全部塞进同一个模型里一起训练。
但这需要三个前提：足够多的数据、足够强的架构、足够多的算力。而今天，没有一家公司同时拥有这三样。
所以他的判断是：真正意义上的通用世界模型，可能还要5到10年。
所以，字节们急着发布世界模型版本，和梅涛说的5到10年并不矛盾。一个抢的是阶段性身位，一个看的是通用世界模型的终局。
只不过，这两者之间还横着数据和算力两座大山。
但别急着失望。终局很远，路上的生意已经开始了。智象现在做的一门生意很有意思：给具身智能公司卖数据。
具身智能行业有个共同的痛点，那就是缺高质量数据。需求量级是千万小时到亿小时级，但采集成本却高得吓人。
智象的解法是数据增广：客户给一份真人遥操数据，智象用生成模型把它变成100份、1万份。背景可以换，肤色可以换，场景可以换，但精度不变，这个误差可以控制在两三个毫米以内。
一份变一万份，这不就是某种程度的世界模型吗？
梅涛很清楚自己的定位：卖“铲子”的人。不管具身智能最后剩下几家，所有公司都需要数据。这就是最确定的生意。淘金的人来来去去，卖铲子的从来不愁。
世界模型和短剧，关系比你想的大得多
看到这里，你可能会问：世界模型这么高大上的话题，跟我一个做短剧、做内容的，到底有什么关系？
说实话，关系比你想象的大。
第一，短剧是视频生成最先商业化的场景之一。智象的客户里，很大一部分就是短剧和电商商家。AI把视频制作成本打下来之后，短剧率先跑通了商业模式。但这只是第一步。
第二，互动短剧，是交互式视频的试验场。梅涛说的交互式视频生成,在视频里可以做选择、调整方向、改变命运，这不就是互动短剧吗？
今天的互动短剧，还是分支树结构：编剧提前写好几条线，观众选A走A线，选B走B线。但分支树有个绕不开的代价：每一条线都要提前写好、提前制作，选择越多，成本越高。
而世界模型成熟之后，互动短剧就不需要提前写分支了。你说一句话、做一个动作，世界模型就能实时生成接下来的剧情，这才是真正的互动内容。
第三，实时，是这场变革的另一半。梅涛把实时列为视频生成最重要的目标之一，不是等几分钟才出片，而是几乎当下就能生成。就算不能一步到位，也可以先给你一个预览版看看，方向对了，再精修成片。
实时意味着什么？简单来说，就是互动不再只是选分支，而是对话式追剧；这样一来，直播、游戏、短剧之间的边界就会开始模糊。
文娱行业现在关注的互动内容、实时内容，本质上就长在这条路上。
第四，AI短剧的终局，可能是世界模型的一个子集。当世界模型能生成符合物理规律、有逻辑因果、有人物性格的连续视频时，短剧就不再是拍出来的，而是长出来的。
你输入一个设定，它给你一整部剧，而且每一遍都不一样。到那时候，内容生产者的角色也会跟着变：从写剧本，变成写世界设定。
这个未来可能还远，但路径已经非常清晰了：图片→视频→交互式视频→世界模型。
而且你会发现，字节在做实时生成，谷歌在做全模态统一，生数、智象在做世界模型底座。巨头们抢的，正是这条路径上的关键卡位。
而短剧行业的人，可能是最早感知到这条路径变化的一群人。因为你们离钱最近，离用户最近，也离内容的生产端最近。所以，别等世界模型成熟了才动手。等它成熟的时候，牌桌早坐满了。
采访最后，主持人问梅涛：你相信超级人工智能会实现吗？他说："超级人工智能一定会实现的。"
世界模型不是终点，而是新的起点。图片是入口，视频是过程，世界模型是终局。而终局不是终点，当你真的站在那里，就会看到更远的路。
