有个反差值得琢磨。过去几年，AI行业活像一场漫长的全国统考，各家轮流晒成绩单——谁的数学多对几道、谁的编程少错一题，媒体跟进、分析师调表、企业采购照单比价。假设在2026年10月，谷歌不动声色地推出Genie 4世界模型，原生支持音频。这件事的热闹程度，远不如一场模型榜单大战来得喧哗，但它敲掉了一面墙：竞争从“写答案”换轨到了“建世界”。
这里有个概念得先掰扯清楚。所谓世界模型（能模拟交互环境、而不仅是输出一段文字或一张图的AI系统），和过去的大语言模型有一个本质区别：大语言模型回答完一个问题，任务就结束了；世界模型要维护的是一个持续运转的交互空间，里面有物体、有时间流逝、有因果关系，现在还把声音变成了原生能力。注意，不是给画面配一段背景音，而是模型本身就理解声音在这个世界里的物理属性——声源在哪里、空间回响怎么走、哪些声音是事件信号、哪些只是环境噪声。
要讲明白这个变化的份量，我想起1927年的好莱坞。那年华纳兄弟拍出《爵士歌王》，第一次把同步声音放进电影。在今天的视角看，这不过是个技术补丁；但在当年，它直接重写了整个行业的算账方式。默片时代的核心成本是...