ByteDance plant offenbar Echtzeit-KI für virtuelle Welten

ByteDance arbeitet Berichten zufolge an einem KI-System für räumliche Videogenerierung in Echtzeit. Anders als ein gewöhnlicher KI-Videogenerator soll es keine fest abgespielten Clips erzeugen, sondern interaktive, begehbare digitale Umgebungen. Bloomberg zufolge überwacht Gründer Zhang Yiming die Entwicklung persönlich. Ein Start sei möglicherweise schon im Oktober 2026 denkbar – der Zeitplan könne sich allerdings noch ändern, und ByteDance hat das Projekt öffentlich nicht bestätigt. 1

Von Seedance zum interaktiven Raum

Das gemeldete Modell soll auf Seedance aufbauen, ByteDances Technologie zur Videogenerierung. Seedance 2.0 verarbeitet laut ByteDance Text, Bilder, Audio und Video als Eingaben in einem multimodalen Audio-Video-Modell.

Das neue System soll darüber hinausgehen, einen einzelnen Clip zu erstellen. Berichten zufolge könnte es interaktive virtuelle Welten für Livestreams, Kurzdramen und Spiele erzeugen. 7 Praktisch hieße das: Die Szene müsste auf Bewegungen oder Interaktionen reagieren, statt lediglich als vorgerenderte Bildfolge von Anfang bis Ende zu laufen.

Genau deshalb fällt in diesem Zusammenhang der Begriff Weltmodell. Google DeepMind beschreibt solche Modelle als Systeme, die simulieren, wie sich Umgebungen verändern und wie Handlungen sie beeinflussen. Das eigene Genie 3 soll interaktive Umgebungen aus Texteingaben in Echtzeit erzeugen.

Warum Zhang Yimings Rolle ein wichtiges Signal wäre

Bloomberg berichtet, Zhang koordiniere die Arbeit mehrerer ByteDance-Geschäftsbereiche und lenke KI-Ressourcen sowie Rechenkapazität auf das Modell. 1 Das ist kein Nachweis für ein fertiges Produkt und auch keine verbindliche Startzusage. Sollte die Darstellung zutreffen, würde die direkte Einbindung des Gründers aber dafür sprechen, dass ByteDance das Vorhaben als strategische Plattform betrachtet – nicht bloß als weiteres Feature für KI-Videos.

Bloomberg ordnet die Initiative in den Wettbewerb mit Meta und Alphabet ein und nennt neben Unterhaltung auch mögliche Anwendungen in Robotik und autonomen Systemen. 1 Interaktive Medien dürften der näherliegende kommerzielle Einsatz sein. Die weitergehende technische Ambition wäre jedoch eine KI, die eine nutzbare Umgebung auch dann konsistent hält, wenn Menschen oder Systeme in ihr handeln.

Was zu Leistung und Pico berichtet wird

Ein Bericht unter Berufung auf mit dem Projekt vertraute Personen nennt etwa 20 Bilder pro Sekunde und eine Latenz von rund 0,05 Sekunden. Das System solle außerdem auf Sprache oder Bewegungen von Nutzern eines Pico-Headsets reagieren können. 7

Diese Angaben verdienen Vorsicht: Es handelt sich um berichtete Werte, nicht um öffentlich dokumentierte und unabhängig überprüfte Benchmarks. Für ein überzeugendes XR-Erlebnis – XR steht für Extended Reality, also etwa VR- und Mixed-Reality-Anwendungen – wären zudem weitere Faktoren entscheidend: stabile Bilder, räumliche Konsistenz, zuverlässige Netzverbindungen, die Verzögerung zwischen Kopfbewegung und Bildausgabe sowie die Kosten der Inferenz.

Cloud-Rendering könnte Rechenarbeit grundsätzlich vom Headset in ein Rechenzentrum verlagern und damit die Anforderungen an die lokale Hardware senken. Daraus lässt sich aber noch nicht ableiten, dass Pico-Geräte günstiger werden oder ByteDance einen klaren Vorteil gegenüber Meta oder Apple erhält. Das sind mögliche strategische Folgen, keine bestätigten Produkteigenschaften.

Ein möglicher Termin, keine Ankündigung

Die Formulierung „schon im nächsten Monat“ stützt sich auf nicht namentlich genannte Quellen. Bloomberg berichtete ausdrücklich über Vorbereitungen für einen möglichen Start, nicht über einen festgesetzten Termin. 1 Weitere Berichte, die diese Information aufgreifen, weisen ebenfalls darauf hin, dass sich der Zeitplan ändern kann. 8

Bis ByteDance selbst Details veröffentlicht, lohnt sich eine klare Trennung:

• Berichtete Richtung: ein Seedance-basiertes Modell für räumliches Video in Echtzeit.
• Berichtete Einsatzfelder: interaktive Welten für Live-Inhalte, Kurzdramen und Spiele.
• Noch ungeklärte Punkte: Starttermin, Zugangsmodell, Hardware-Anbindung, Latenz, Bildrate und kommerzielle Verfügbarkeit.

Die finanzielle und strategische Größenordnung

ByteDance verfügt offenbar über erhebliche Mittel für KI-Infrastruktur – auch wenn diese nicht einem einzelnen Spatial-Video-Modell zugeordnet sind. Reuters berichtete über einen Kredit von 29,6 Milliarden US-Dollar von fast 30 Banken. Quellen zufolge sollen die Mittel die internationale KI-Expansion unterstützen; die Finanzierung sei von zunächst angestrebten 20 Milliarden US-Dollar aufgestockt worden.

Separat berichtete Bloomberg, ByteDance erwäge für 2026 Investitionen von bis zu 70 Milliarden US-Dollar in Rechenzentren und weitere KI-Infrastruktur. Dabei handelt es sich um eine berichtete Planungsgröße, nicht um bestätigte Ausgaben oder ein ausschließlich für dieses Modell vorgesehenes Budget.

Auf Berichten von 36Kr basierende Meldungen besagen zudem, ByteDance habe sich intern das Ziel gesetzt, bis Ende 2026 mindestens ein Weltmodell zu veröffentlichen und sich dabei an Googles Genie 3 zu messen. Auch dies sind berichtete interne Prioritäten, keine öffentliche Zusage des Unternehmens.

Weshalb das Projekt relevant ist

KI-Videomodelle können bereits überzeugende Clips erzeugen. Eine interaktive Umgebung verlangt jedoch deutlich mehr: Sie muss über Zeit kohärent bleiben und auf Eingaben plausibel reagieren. Darin liegen zugleich das Versprechen und die technische Schwierigkeit von Weltmodellen.

Für ByteDance könnte ein funktionierendes System die Videogenerierung mit interaktiver Unterhaltung und Extended Reality verbinden. Für die Branche würde es einen weiteren großen Wettbewerber in einem Feld bringen, in dem Google und Meta bereits öffentlich sichtbar sind. Der belastbare Schluss bleibt dennoch eng: ByteDance verfolgt offenbar ernsthaft ein Seedance-basiertes Weltmodell für räumliches Echtzeitvideo, und Zhang Yiming soll persönlich daran beteiligt sein. Qualität im Alltag, Zeitpunkt des Starts und konkrete Folgen für Pico sind aber erst beurteilbar, wenn ByteDance das Produkt vorstellt und messbare technische Ergebnisse liefert. 17