世界有了声音，桌子没了

2026-10-28 · 人工智能

DeepMind 的公告里有一段示例视频。湖面，雾，一块风化的混凝土平台漂在水上，上面长着野草、蕨、一棵歪脖子小树，还有一个穿棕色西装的中年人在吹萨克斯。风声、水声、萨克斯，全是真的。

不是录音棚里配的。是模型在同一次生成里一起做出来的。

我看了三遍，第一遍想的是「这画面真不像生成的」。第二遍才反应过来，我根本没在看画面，我在听。

先长出嗓子

公告里有一句话很硬：Genie 4 是第一个原生生成音频的实时世界模型。

「原生」这两个字值钱。视频模型配一条音轨，技术上早就能做，但那是后期贴上去的，画面里风向朝左，声音从右边来，你也只能忍着。Genie 4 的声和画长在同一个循环里。风多大，取决于画面里那棵小树歪到什么程度；脚步落在混凝土上还是草丛里，声音不一样。

更狠的是说话的人。演示里的角色能跟你对话，能对世界里发生的事做反应。这一条比背景音难得多：嘴要动，时机要对，说的内容还得跟刚才发生的事接得上。配音演员做不到实时，实时配音做不到「刚才那声雷你听见了吗」这种上下文。

DeepMind 把这一步讲成了「世界模型的声音」。听着像营销词，其实挺实在——一个世界如果只有画面，你对它的理解永远是隔着玻璃看。有了声音，你就在里面了。

然后是桌子

同一篇公告，后面有一节写着这个模型还不行的部分。

原文的大意是：视觉细节和物体恒存（object permanence）会随时间漂移，尤其是跑得久一点、经过几次复杂的提示编辑之后、或者在场景里走来走去的时候。复杂物理交互、实时音频的准确性、画面里可读的文字、空间准确性、长时间的一致性——这些都还在研究。

物体恒存，这个词本来是给婴儿做实验用的。把玩具藏在布下面，四个月的孩子就当它不存在了，九个月的孩子会去掀布。Genie 4 现在是四个月那个。

你可以让它下一场雨，可以让镜头转过去，可以往场景里塞一个人。这些它都会。但你走两步再回头，刚才那块平台可能已经不在原来的位置，或者干脆没了。它记得住风的方向，记不住自己摆过什么。

一个会说话、会下雨、会跟你聊天的世界，走两步就忘了自己刚才摆过什么。这个组合有点荒诞，但它就是 2026 年 10 月的真实水平。

干活的不是旗舰

真正跑这个循环的，是一个不太上台面的模型。

公告写得很清楚：Gemini 3.8 Flash 在里面当引导的智能体。它盯着不断进来的画面，把你的目标拆成步骤，检查每一步有没有做成，世界的状态一变或者你插一句话，它就重排计划。另一个叫 Gemini Omni 的负责把模拟锚在真实世界的外观和行为上。

财联社的报道里多一句细节：团队试过用 Gemini 4 Argon，但实际跑实时体验的是 Gemini 3.8 Flash。Argon 被拿去做另一件事——和 Gemini Robotics 联合研究，把「让那个机器人下完这盘棋」拆成一步步的字幕，边渲染边送进去，模拟 Apptronik 的 Apollo 人形机器人下跳棋。

这个分工比任何跑分都说明问题。实时回路吃的是每帧算得完的模型，旗舰算不完。于是最聪明的那个退到幕后写剧本，最便宜的那个站在台前盯画面。DeepMind 的研究总监 Tejas Kulkarni 管这叫「混合式世界模型」：Gemini 负责结构和叙事时间线，Genie 负责一帧一帧地渲染眼前的物理现实。

想事情的模型和看画面的模型，从今天起分了工。

谁还需要自己做世界模型

顺手记一笔行业里正在发生的事。

TechCrunch 说，Genie 4 出来之前几个月，Runway 放了 GWM Worlds 2，也能交互、也有音频。同一篇报道列了三笔交易：AMD 9 月 28 日宣布以约 82 亿美元全股票收购李飞飞的 World Labs，年底交割，李飞飞去做 AMD 执行副总裁兼首席科学家；亚马逊在谈 Decart；Rivian 把 Third Dimension 买进了自己家，用来做自动驾驶测试。

做世界模型的独立公司，正在被芯片厂和车厂一个个收走。谷歌不用买——它既是芯片厂又是模型厂，Genie 4 直接长在自家 TPU 和 Gemini 上。

这条赛道最后可能不是「谁的模型更强」，而是「谁不缺算力，也不缺买它的人」。

两分钟

据 TechCrunch 报道，Genie 4 能把一个场景稳住两分钟，是上一代的两倍。公告本身没给这个数字，只说「短时间」。

两分钟。够吹完一段萨克斯，不够让一个人相信这个世界会一直在。

现在它是研究预览，只给受信任的测试者。之后是 Google AI Ultra 订阅用户在 Project Genie 里用，再之后是 Gemini API 和 AI Studio 的早期伙伴。所有生成的画面和声音都嵌了 SynthID，能查出来是机器做的。

我想象那个测试者戴上耳机，站在湖边听两分钟的风。风从左边来，水面有细小的波纹，萨克斯的第三个音有点破。然后他往前走几步，想回头看一眼那块平台。

平台没了。

他记得，世界不记得。