字節否認做智駕，世界模型團隊為何仍在悄悄布局？

一邊是官方否認“并沒有做智能駕駛業務的計劃”，另一邊是產業人士透露自動駕駛項目已進入早期籌備、由Seed世界模型團隊負責——字節跳動的這波操作，讓不少人直呼看不懂。一家回應明確表態只做前沿研究的公司，為何能讓種子團隊跨界去碰完整的車輛控制？這種“言行不一”里，藏著字節在物理AI時代真正想撕開的切口：不是造車，而是訓練一個理解物理世界的超級模型。

理解這層矛盾，得從“世界模型”三個字拆起。簡單說，世界模型讓AI不再只處理語言或圖像，而是像人一樣理解三維空間里發生的事情，并預測下一秒可能的變化。它天然與自動駕駛、機器人等需要實時環境感知和決策的領域相通。字節的Seed團隊由周暢掌舵，他麾下同時管著多模態大模型、世界模型、視覺生成和具身智能（Seed Robotics），這條研發鏈再往下走，必然會觸達到比座艙更復雜的路況理解。因此，讓做世界模型的人去摸底自動駕駛，不是心血來潮，而是一條預埋的技術延長線。

字節在汽車圈其實早有鋪墊。旗下火山引擎早在2020年就設立了汽車行業線，云服務總裁譚待公開說過“我們是所有云廠商里第一個把汽車做成一級線的”。后來跟賽力斯的合作更直接：火山投入大量資源定制智能座艙，向英偉達定制Thor z芯片，用“外掛”盒子的方式把豆包大模型搬上車，甚至賽力斯把新座艙交互的開發主導權都交了過來。今年6月，雙方合作的汽車品牌AIVA正式發布，預計年內搭載“豆包座艙”的AIVA ME7就會上市。但這里有個缺角——AIVA的輔助駕駛方案合作方是元戎啟行，字節并沒有自己的智駕能力。對追求整車智能化閉環的車企來說，座艙與智駕割裂永遠是個體驗斷層。有行業人士直接評價：“智能座艙和輔助駕駛不整合到一起，整車的智能化體驗很難閉環?！弊止澆慌鲋邱{，就永遠繞不開這個坑。

恰好，世界模型在自動駕駛圈成了技術共識，給了字節跨界的絕佳時機。去年行業還在爭論視覺-語言-動作（VLA）和世界模型誰更靠譜，今年風向驟變。吉利、Momenta、小米、輕舟智行等集體轉向世界模型，連原本堅定的VLA派也悄悄掉頭。小鵬今年不僅發布了自研的X-World世界模型，更是把VLA中的語言模塊直接砍掉，推出不再依賴語言中轉的視覺基石架構。理想在GTC上展示的MindVLA O1，內置的3D空間編碼器和預測式隱世界模型，強調的正是對三維空間的結構化理解和對未來路況的預判——這恰恰是世界模型的靈魂。技術路線一旦趨同，窗口期就來了。字節世界模型團隊，不需要從零積累行業know-how，它要做的就是將通用空間理解能力橫向遷移到路測場景，再借助資源優勢快速迭代出一個智駕專用版本。

算力和人才，正是字節最不怕消耗的兩個變量。多位知情人士稱，字節已與一些頭部自動駕駛團隊進行過業務探討交流，并向不少頭部輔助駕駛或自動駕駛人才發出了邀約，部分看好字節布局的技術人員計劃加入。一位自動駕駛行業人士說得直白：“字節現在有足夠的錢去燒，有足夠多的人才，而且它有足夠多的卡，完全能負擔得起后發先至。”他給出的邏輯很清晰：通用世界模型和自動駕駛世界模型雖然細節差異巨大，但只要云端模型架構夠強，再拿到足夠的交通數據重新訓練，不是難事；工程化的短板，完全可以通過招人快速補齊。換言之，傳統自動駕駛廠商近十年的工程化積累，在算力碾壓面前并非不可逾越的護城河。

拆開這些動作，你會發現字節的目標遠不止一輛車的自動駕駛。今年物理AI概念升溫，黃仁勛喊出“物理AI的ChatGPT時刻已至”，馬斯克也反復強調自動駕駛是具身智能的數據引擎。特斯拉FSD數十億英里真實道路數據，可以直接遷移給Optimus機器人，讓后者跳過十年試錯。馬斯克甚至直言：“如果沒有先做FSD自動駕駛汽車，研發Optimus難度會高出一個數量級。”把這句話翻成字節的語境：自動駕駛不僅是智駕業務本身，更是通往具身智能的必經練兵場。因為只有真實的方向盤與路況交互，才能采集到足夠豐富的物理世界數據，來喂養需要預測時空變化的世界模型。而一個強大的世界模型，又能反向賦能機器人，完成從感知到規劃的完整遷移。那些早期在具身智能上缺少真實數據、只能靠仿真環境湊合的團隊，恰恰卡在了這一步。

無人物流這個場景的浮現，或許最能暴露字節的真正重心。知情人士透露，字節有意布局的無人物流，隸屬于火山引擎汽車行業線。無人物流對通行效率和安全冗余的極致追求，正好提供了一個高可控、可快速迭代的世界模型測試床。它不像乘用車那樣需要面對海量長尾場景，又比倉庫機器人更接近開放道路的復雜性。用無人物流切入，既能驗證模型，又不用一頭扎進最擁擠的乘用車智駕紅海。一旦跑通，模型能力可以直接向更通用的機器人場景輸出。這步棋，字節下得挺巧。

對行業而言，字節帶著資源、人才和世界模型入場，沖擊力會相當直接。自動駕駛轉向AI范式后，底層技術競爭的天平正在從工程積累向模型能力傾斜。當各家的體驗差距越來越小，后來者可以用更純粹的數據和算力策略追平。一位產業人士的看法或許可以作為小結：“只要云端模型夠強，重新訓練一個智駕世界模型不成問題?！倍止澁斚聯碛械目植浪懔Τ?，恰好能讓它用短時間跑完別人數年的路。這未必是一場立刻顛覆格局的戰爭，但物理AI的牌桌上，多了一個籌碼極重的新玩家，而且它手里的世界模型，是一張能同時通往自動駕駛與具身智能的雙面牌。