ByteDance готує ШІ-модель для інтерактивних 3D-світів: що відомо про Seedance, Pico і роль Чжана Їміна

ByteDance, за даними Bloomberg, готує ШІ-систему для генерації просторового відео в реальному часі. Йдеться не про звичайний відеоролик, який відтворюється від початку до кінця, а про цифрове середовище, де користувач потенційно може рухатися й взаємодіяти з об’єктами. Такі системи часто називають моделями світу (world models). Засновник компанії Чжан Їмін, як повідомляється, особисто курує розробку; презентація може відбутися вже наступного місяця, однак дата ще не остаточна, а ByteDance про проєкт публічно не оголошувала. 1

Від Seedance — до середовища, а не просто кліпу

Повідомляється, що нова модель будується на Seedance — технології ByteDance для генерації відео. Поточна Seedance 2.0 є мультимодальною аудіовідеомоделлю: вона приймає текст, зображення, аудіо та відео як вхідні дані.

Просторова система, за наявними повідомленнями, має створювати інтерактивні віртуальні світи для прямих ефірів, коротких драм і відеоігор. 7 Ключова різниця полягає в реакції на дію: замість наперед згенерованої послідовності кадрів система повинна підтримувати сцену, яка змінюється відповідно до рухів або команд людини.

Саме це наближає розробку до поняття «моделі світу». Google DeepMind описує такі моделі як системи, що імітують розвиток середовища та наслідки дій у ньому. Її Genie 3, наприклад, створює інтерактивні середовища за текстовим описом у реальному часі.

Чому важлива особиста участь Чжана Їміна

За інформацією Bloomberg, Чжан Їмін координує команди різних підрозділів ByteDance і спрямовує на проєкт обчислювальні ресурси та ШІ-експертизу компанії. 1 Це не є доказом готового продукту чи гарантією релізу. Утім, залучення засновника може свідчити, що ByteDance розглядає напрям як базову платформну технологію, а не як додаткову функцію для відеогенератора.

Bloomberg також називає Meta та Alphabet конкурентами ByteDance в цій гонці й зазначає можливі застосування в робототехніці та автономних системах. 1 Найближчою комерційною сферою можуть бути розваги та інтерактивний контент, але довгострокова мета — система, що здатна зберігати цілісність середовища, коли користувач змінює його своїми діями.

Що повідомляють про Pico, частоту кадрів і затримку

Одне з повідомлень із посиланням на обізнаних співрозмовників стверджує, що модель нібито генерує відеопотік приблизно з 20 кадрами за секунду та затримкою близько 0,05 секунди, тобто 50 мс. Також вона, за цими даними, може реагувати на голосові команди або рухи користувача гарнітури Pico — XR-підрозділу ByteDance. 7

До цих цифр варто ставитися обережно: це дані з повідомлень медіа, а не результати відкритих бенчмарків чи технічної документації ByteDance. Для комфортного XR-досвіду недостатньо самої швидкості генерації. Важливі також стабільність зображення, просторова узгодженість сцени, надійність мережі, затримка між рухом голови та зміною картинки, а також вартість інференсу.

Хмарний рендеринг теоретично здатен винести частину обчислень із гарнітури на сервери й знизити вимоги до її локального «заліза». Але робити висновок, що це точно здешевить Pico або забезпечить вирішальну перевагу над Meta чи Apple, зарано. Наразі це лише можлива стратегічна перевага, а не підтверджена характеристика продукту.

«Уже наступного місяця» — не означає призначену дату

Формулювання про можливий запуск уже наступного місяця ґрунтується на словах неназваних джерел. Bloomberg пише, що продукт готують до можливого запуску, а не повідомляє про затверджену дату. 1 Інші публікації, що переказують цю інформацію, також зазначають: графік ще може змінитися. 8

До офіційної заяви ByteDance варто чітко відокремлювати три рівні інформації:

• Повідомлений напрям: модель просторового відео реального часу на основі Seedance.
• Повідомлені сценарії: інтерактивні світи для трансляцій, коротких драм і ігор.
• Непідтверджені деталі: дата релізу, спосіб доступу, інтеграція з пристроями, реальні затримка й частота кадрів, комерційна доступність.

Ресурси ByteDance для ШІ-перегонів

ByteDance має значні ресурси для розвитку ШІ-інфраструктури, хоча вони не є окремим бюджетом саме для цієї моделі. Reuters повідомляв, що компанія отримала кредит на 29,6 млрд доларів США від майже 30 банків; за словами джерел, кошти мають підтримати закордонну ШІ-експансію. Обсяг фінансування зріс із початково запланованих 20 млрд доларів.

Окремо Bloomberg повідомляв, що ByteDance розглядала капітальні витрати до 70 млрд доларів у 2026 році на дата-центри та іншу ШІ-інфраструктуру. Це оцінка можливого плану витрат, а не підтверджений бюджет чи виділення коштів на конкретну просторову модель.

Публікації, що посилаються на 36Kr, також повідомляли про внутрішню ціль ByteDance: до кінця 2026 року випустити щонайменше одну модель світу й орієнтуватися за рівнем на Google Genie 3. Це не публічна обіцянка компанії, а інформація про ймовірні внутрішні пріоритети.

Чому це може бути важливо

Генеративний ШІ вже навчився створювати переконливі відеокліпи. Але інтерактивне середовище потребує складнішого набору властивостей: система має зберігати логіку сцени в часі й правдоподібно реагувати на дії користувача. У цьому і головна привабливість, і головна технічна складність моделей світу.

Якщо ByteDance вдасться реалізувати задум, вона зможе поєднати свої відеомоделі з інтерактивними розвагами та XR. Для індустрії це означатиме ще одного великого гравця у сфері, де публічно активні Google і Meta. Проте обґрунтований висновок поки вузький: ByteDance, схоже, серйозно працює над Seedance-базованою моделлю просторового відео, а Чжан Їмін приділяє їй особливу увагу. Якість у реальному використанні, терміни запуску та практична користь для Pico залишаються непідтвердженими до офіційного релізу й появи вимірюваних технічних результатів. 17