事件
36氪獨家報導：字節跳動正探索進入自動駕駛領域，由 Seed 旗下周暢的世界模型團隊負責。業務方向鎖定無人物流，隸屬火山引擎汽車行業線。字節已向多位頭部自動駕駛人才發出邀約，項目進入早期籌備。字節官方迴應「在物理 AI 領域有早期研究，但沒有智能駕駛業務計畫」——標準的「探索中」措辭。
背景
Seed 是字節 2023 年成立的一級戰略部門，是基礎大模型研究基地。周暢 2024 年加入字節，負責多模態大模型研發，管理範疇已擴至視覺生成業務。
換句話說：字節在 Seed 已經完成了「多模態理解 + 世界模型」的技術積累。世界模型的核心是什麼？是根據當前視覺狀態，推理出下一幀的環境變化——這正是自動駕駛決策的核心。
為什麼是能力遷移、而非「新業務」？
第一層：技術正交軸重合
世界模型的能力分解： - 視覺輸入編碼（video understanding） - 時序推理（temporal reasoning） - 動態預測（dynamics prediction） - 不確定性估計（uncertainty estimation）
自動駕駛的核心決策鏈： - 攝影頭 / 感測器輸入編碼 - 下一秒鄰車 / 行人軌跡推理 - 道路狀態預測 - 決策置信度估計
這兩套能力在「時序多模態推理」上有 80% 重疊。不是外形相似，是骨架相同。
第二層：組織能力遷移的成本結構
一個新創做自動駕駛的成本拆解： - 招募視覺 AI 專家：6-12 個月、2-3 千萬人民幣 - 從零構建多模態理解管線：12-18 個月、技術積累 - 收集 / 標註駕駛數據：6-12 個月 - 反覆迭代控制邏輯：12+ 個月 - 總耗時：3-4 年、技術債積累
字節的遷移成本： - 周暢團隊已經會做「視頻理解 + 預測」：能力已有 - 重新標定一套「駕駛場景」的世界模型適配：3-6 個月 - 搭接火山引擎的車隊數據 + 控制層：3-6 個月 - 總耗時：6-12 個月、技術棧復用
這不是「快 3 倍」，這是整個技術風險譜系被壓縮——你已經知道多模態推理怎麼做、只是換個任務域 fine-tune。
第三層：人才吸引的杠桿
當周暢說「我們要做自動駕駛的世界模型」時，他邀請的人才看到的不是「又一個 startup」，而是「有 Seed 這個千億級基礎設施做後盾的自動駕駛隊」。這改變了融資信號、招人說服力、以及長期方向的確定性。
能力遷移的幾何學
遷移的成功機率取決於三個維度：
1. 技術距離（Technical Distance）：源域和目標域共享多少基礎能力？ - 世界模型 → 自動駕駛：短（都是時序多模態推理） - 推薦系統 → 自動駕駛：極長（完全不同的信號結構）
2. 數據可獲得性（Data Availability）：新域能否快速獲得足量標註數據？ - 無人物流：高（字節火山引擎已有車隊、數據相對容易收集） - 乘用車自動駕駛：低（需要數百萬小時視頻、法規複雜）
3. 組織學習速度（Organizational Learning Velocity）：團隊能否高效吸收新域知識？ - Seed 團隊（高 AI 稠密度） + 周暢（有多模態經驗）：快 - 傳統汽車公司內部 AI 團隊：慢
這三個維度都指向同一個結論：字節做無人物流自動駕駛的相對優勢，來自能力遷移、而非成本優勢或先發優勢。
為什麼官方否認？
字節迴應「沒有智能駕駛業務計畫」，邏輯上是真的——他們確實沒有「業務」，只有「技術探索」。這不是撒謊，是。一旦公開，會面臨： - 特斯拉 / 華為等玩家的警惕 - 監管部門對「科技公司進入汽車」的審視 - 現有自動駕駛陣營的壓力