ByteDance vil angiveligt bygge AI-verdener i realtid – med Zhang Yiming ved roret

ByteDance udvikler efter sigende en AI-model til rumlig videogenerering i realtid – en type verdensmodel, der skal skabe interaktive, navigerbare digitale miljøer frem for almindelige, lineære videoklip. Bloomberg skriver, at grundlægger Zhang Yiming personligt leder arbejdet, og at modellen muligvis kan blive lanceret allerede næste måned. Planen kan dog stadig ændre sig, og ByteDance har ikke selv bekræftet projektet offentligt. 1

Fra videoklip til verdener, man kan påvirke

Den rapporterede model bygger på Seedance, ByteDances teknologi til videogenerering. Seedance 2.0 er ifølge ByteDances eget lanceringsmateriale en multimodal lyd- og videomodel, som kan tage tekst, billeder, lyd og video som input.

Hvor en traditionel AI-videomodel leverer et færdigt klip, skal det nye system angiveligt kunne skabe virtuelle verdener, der reagerer på brugerens bevægelser eller handlinger. De nævnte anvendelser er livestreaming, kortdramaer og spil. 7

Det er også derfor, projektet bliver omtalt som en verdensmodel. Google DeepMind beskriver verdensmodeller som systemer, der simulerer, hvordan miljøer ændrer sig, og hvordan handlinger påvirker dem. DeepMinds Genie 3 er eksempelvis udviklet til at generere interaktive miljøer fra tekstprompter i realtid.

Zhang Yimings rolle er det tydeligste strategiske signal

Ifølge Bloombergs kilder koordinerer Zhang Yiming arbejdet på tværs af ByteDances forretningsenheder og prioriterer AI-ressourcer og regnekraft til modellen. 1 Det er ikke det samme som et færdigt produkt eller en bindende lanceringsdato. Men hvis oplysningerne holder, tyder grundlæggerens direkte involvering på, at ByteDance ser teknologien som mere end endnu en funktion til AI-video.

Bloomberg sætter initiativet ind i konkurrencen med Meta og Alphabet/Google og peger på mulige anvendelser inden for både underholdning, robotteknologi og autonome systemer. 1 Interaktivt indhold vil sandsynligvis være den mest nærliggende kommercielle brug, mens den langsigtede ambition er et system, der kan fastholde et brugbart digitalt miljø, mens brugeren ændrer det.

Pico, 20 fps og 50 millisekunder: Det er påstande, ikke dokumentation

En rapport med henvisning til personer med kendskab til projektet hævder, at modellen kan generere videostrømme med omkring 20 billeder i sekundet og cirka 0,05 sekunders forsinkelse. Den skal også kunne reagere på stemme- eller bevægelsesinput fra brugere af Pico-headset. 7

Tallene skal læses med betydeligt forbehold. Der er tale om rapporterede oplysninger – ikke offentlige benchmarkresultater eller teknisk dokumentation fra ByteDance. For at fungere overbevisende i XR, altså udvidet virkelighed, kræves mere end høj genereringshastighed: Billedet skal være stabilt, omgivelserne skal hænge rumligt sammen, forbindelsen skal være pålidelig, og både forsinkelse og pris pr. AI-beregning får stor betydning.

Cloud-rendering kan i princippet flytte en del af regnearbejdet væk fra headsettet og dermed mindske kravene til den lokale hardware. Men det er for tidligt at konkludere, at modellen vil gøre Pico-enheder billigere eller give ByteDance en afgørende fordel over Meta eller Apple. Det er mulige strategiske konsekvenser – ikke bekræftede produktegenskaber.

Mulig lancering i oktober – ikke et løfte

Formuleringen "allerede næste måned" bygger på anonyme kilder. Bloomberg skrev, at produktet gøres klar til en mulig lancering, ikke at en fast dato er offentliggjort. 1 Andre medier, der gengiver oplysningen, understreger også, at tidsplanen kan ændres. 8

Indtil ByteDance selv kommer med en præsentation, er det nyttigt at skelne mellem tre niveauer:

• Rapporteret retning: En Seedance-baseret model til rumlig video i realtid.
• Rapporterede brugsscenarier: Interaktive verdener til liveindhold, drama og spil.
• Ubekræftede detaljer: Lanceringsdato, adgang, integration med hardware, forsinkelse, billedhastighed og kommerciel tilgængelighed.

En del af en meget større AI-satsning

ByteDance råder over betydelige midler til AI-infrastruktur, men de er ikke øremærket denne konkrete model. Reuters rapporterede, at virksomheden har sikret et lån på 29,6 mia. dollar fra næsten 30 banker. Kilderne oplyste, at pengene skal understøtte international AI-ekspansion, og at lånet voksede fra et oprindeligt mål på 20 mia. dollar.

Bloomberg skrev desuden, at ByteDance overvejede anlægsinvesteringer på op til 70 mia. dollar i 2026 til datacentre og anden AI-infrastruktur. Det var et rapporteret planlægningstal – ikke bekræftet forbrug og heller ikke et beløb afsat specifikt til denne verdensmodel.

Rapporter med udgangspunkt i 36Kr’s dækning siger også, at ByteDance har sat sig som mål at frigive mindst én verdensmodel inden udgangen af 2026 og sammenligne den med Googles Genie 3. Det er rapporterede interne prioriteter, ikke offentlige løfter fra ByteDance.

Derfor er projektet interessant

AI kan allerede skabe overbevisende videoklip. Men et interaktivt miljø stiller sværere krav: Scenen skal bevare sammenhæng over tid og reagere plausibelt, når brugeren gør noget. Det er både tiltrækningen og den centrale tekniske udfordring ved verdensmodeller.

Lykkes ByteDance, kan virksomheden koble sin AI-videoindsats til interaktiv underholdning og XR. For branchen vil det betyde endnu en tung konkurrent på et område, hvor Google og Meta allerede har vist offentlige ambitioner. Den forsigtige konklusion er dog stadig klar: ByteDance ser ud til seriøst at forfølge en Seedance-baseret model for rumlig video i realtid med Zhang Yimings opmærksomhed bag sig. Kvaliteten i praksis, den faktiske tidsplan og betydningen for Pico er først afgjort, når virksomheden viser produktet og offentliggør målbare tekniske resultater. 17