Scenes AI: عالم يتغيّر في بثّ حي على بطاقة رسوم واحدة

العرض التجريبي الذي يبيع هذه الشركة ليس تصييراً. إنه بثّ حي.

يقف مقدّم في مكتب عادي. تنهار الأرضية. ويصعد منها شيء بأنياب. ويتحول كرسي إلى جانبه إلى عرش برأس ذئب فيجلس عليه. تنمو شجرة من أصيص نبات، وتشتعل ستارة، ثم تتحول الغرفة كلها إلى مرج متحرك.

لا شيء في تلك اللقطة مركّب رقمياً. الشخص حقيقي، والكاميرا حقيقية، والمخلوقات والديكورات والخلفية تُولّد في الوقت الحقيقي على وحدة RTX 5090 استهلاكية واحدة. هذا ما ادّعته Dawa Technology — شركة من تشونغتشينغ تصف نفسها بأنها بيت نماذج أساس للعوالم التوليدية — عند إطلاقها Scenes AI في سبتمبر، وهو سبب ظهور اسمها فجأة في محادثات المستثمرين.

ما بنوه فعلاً

تُوصف المعمارية بأنها طبقة تحكم ثقيلة وطبقة توليد خفيفة، وهذا يستحق تفكيكاً لأنه نقيض الموضة السائدة.

بدل أن يُطلب من نموذج كبير واحد إعادة رسم كل إطار، وضعت Dawa نظام تحكم بين النية الإبداعية والبكسلات. تلك الطبقة، وتُسمى Latent Stage، بـ34B معامل، وتنمذج الأشخاص والحركة والكاميرا والإضاءة والأزياء والديكورات والتفاعل الفيزيائي كمتغيرات منفصلة ومقيَّدة معاً. غيّر شيئاً واحداً ويبقى بقية حال العالم مجمّداً.

تعلن الشركة نجاحاً بنسبة 98.2% في التعديلات المستمرة الموجّهة و93.3% في الحفاظ على الهوية. أرقام بائع، مقيسة على اختباراته، ويجب التعامل معها كإشارة اتجاه. لكنها من حيث الاتجاه تصف المشكلة الدقيقة التي يشكو منها الجميع في فيديو الذكاء الاصطناعي: تطلب تغييراً صغيراً فيعيد النموذج بناء العالم.

وفي الأسفل، تحسب طبقة التوليد الجزء الذي تحرّك فقط. انتشارها المحلي المتناثر يمسّ 10% إلى 20% من الإطار، وتقول إن ذلك يخفض استهلاك طاقة GPU بنسبة 40% إلى 60% ويجعل الاستنتاج أسرع ثلاث إلى خمس مرات. والجدران والأرضيات والوجوه الثابتة تُعاد استخدامها بدل إعادة انتشارها.

ثم هناك LiveStage، المسار الفوري: نحو 4B معامل نشطة لكل خطوة، و720p بمعدل 25 إطاراً في الثانية، يعمل أكثر من 120 دقيقة دون انزياح. على بطاقة رسوم واحدة. وهذا الرقم الأخير هو المهم، لأن الانزياح هو ما يقتل كل جلسة توليد طويلة — يتحوّل المشهد ببطء حتى يصبح غرفة أخرى.

لماذا العمل خارج البثّ الحي هو الجزء المثير

العروض الفورية ممتعة وصعبة التسويق. وإيرادات Dawa، بحسب الشركة، تأتي من شيء أقل بريقاً بكثير: المسلسلات القصيرة.

سوق المسلسلات القصيرة العمودية في الصين ضخم وحسّاس للكلفة بلا رحمة. Hongguo، تطبيق المسلسلات القصيرة المجاني من ByteDance، سجّل نحو 403 ملايين مستخدم شهري في يوليو وأغسطس؛ ومدخل Tencent المصغّر وصل إلى 143 مليون مستخدم شهري في أغسطس و89.68 مليون مستخدم أسبوعي في الأسبوع الأول من أكتوبر، بزيادة 44.1% عن الأسبوع الأول من سبتمبر. وحين يكون جمهورك بهذا الحجم وهوامشك بهذا الرقّة، فالرقم الوحيد الذي يهم أحداً هو كلفة الدقيقة المنتهية.

تقول Dawa إن عدة مسلسلات قصيرة بالذكاء الاصطناعي تُبثّ بالفعل على Hongguo، بينها أعمال تُترجم تقريباً إلى Evolving From the Tiger King وPossessed by the God of Cooking وMy Life on a Deserted Island. والادعاء المرتبط بها محدد وقابل للتحقق من حيث المبدأ: عدد مرات إعادة المحاولة لكل لقطة هبط من خمسين أو ستين محاولة إلى أقل من خمس، وكلفة إنتاج الوحدة انخفضت بمعامل عشرة مقارنة بالنماذج السائدة.

وإن صحّ نصف ذلك، فهو يفسّر التمويل. 500 مليون يوان، نحو 70 مليون دولار، بين جولة Pre-A وجولة A هذا العام، بمشاركة Qifu Capital وKongkong Donghai وYicun Capital وآخرين. وتقول الشركة أيضاً إنها أكدت إيرادات تقارب 500 مليون يوان هذا العام وإنها مربحة عند الحجم الكبير، وهذه جملة غير معتادة فعلاً في هذا القطاع.

مئة وثمانون تيرابايت لا يملكها غيرهم

الخندق الذي يصفونه ليس النموذج. إنه مجموعة البيانات تحته.

في Yongchuan، بتشونغتشينغ، تدير Dawa منشأة إنتاج رقمي بمساحة 84,000 متر مربع و11 مسرحاً تقول إن نسبة إشغالها تتجاوز 92%. وعلى مدى خمس سنوات مرّ عبرها أكثر من 300 مشروع تجاري من البداية إلى النهاية، أنتجت نحو 180 تيرابايت من بيانات العملية المنظمة: كيف تحركت الكاميرا، وأين وقف الممثلون، وكيف وُضعت الإضاءة، وكيف جرى التعامل مع الديكورات. وأكثر من 300 بُعد تعليق لكل مشهد.

هذا نوع مختلف من البيانات عن مدونة فيديو الإنترنت. مقطع YouTube يعلّم النموذج كيف يبدو المشهد. وسجل اللقطة يعلّمه لماذا يبدو المشهد كذلك. ولنموذج تحكم، الثاني هو اللعبة كلها، لأن التحكم هو الربط بين النية والنتيجة، وهذا الربط لا يوجد إلا في سجل العملية.

وهو أيضاً أقل أصول الشركة قابلية للاستنساخ. لا يمكن كشطه، ولا يتراكم إلا إذا كنت تدير إنتاجات بالفعل. وهذه العجلة — التصوير ينتج بيانات، والبيانات تحسّن نموذج التحكم، والنموذج يفوز بتصويرات أكثر — هي العرض الفعلي، وهي أفضل من جدول مقارنة.

المقارنة التي سيجريها الجميع

Higgsfield، الشركة في سان فرانسيسكو ذات الاسم المشابه في النقاش، سلكت طريقاً آخر. بحسب التقارير حول جولة Dawa، أحرقت Higgsfield عشرة ملايين دولار في ثلاث محاولات، ثم سمعت الجواب نفسه من ثمانية مديرين إبداعيين كبار: القطعة الناقصة هي التحكم بالكاميرا واللقطة، لا جودة التوليد. فبنت ذلك كميزة في طبقة التطبيق، وانتقلت من مليون دولار إلى 100 مليون دولار إيرادات سنوية في ثمانية عشر شهراً، ويُقال إن تقييمها 5.4 مليارات دولار بعد جولة B. وموقف مؤسسها العلني أن الشركات العمودية لا يجب أن تطارد النماذج الأساسية العامة؛ فالخندق هو توجيه النماذج، مع نحو 40% من الاستدعاءات تُسند آلياً وهوامش إجمالية تتجاوز 80%.

وحجة Dawa المضادة أن التوجيه يقرر أي نموذج يولّد، بينما طبقة التحكم تقرر هل يمكن تغيير المخرج والحفاظ على اتساقه. أحدها يحسّن الكلفة. والآخر يقرر هل تستطيع التسليم. وهذا تمييز منصف، ويفسّر أيضاً لماذا بنوا موقع تصوير بدل جدول توجيه.

أي النموذجين أفضل تجارياً؟ السؤال مفتوح. التوجيه يتوسّع مع الطلب ولا يحتاج استوديو. ونموذج التحكم يحتاج 84,000 متر مربع وعقداً من التصوير قبل أن يكون قابلاً للدفاع عنه.

ما أريد رؤيته قبل أن أصدّق

ثلاثة أشياء.

أولاً، قياس مستقل لأعداد إعادة المحاولة. «من خمسين إلى خمس» رقم يُقرَّب في العروض التقديمية، والفرق بين خمس وخمس عشرة هو الفرق بين إنتاج مربح وهواية.

ثانياً، جلسة حية غير محرّرة لادعاء الـ120 دقيقة بلا انزياح. الانزياح يسهل إخفاؤه في شريط أفضل اللقطات، ويستحيل إخفاؤه في ساعة بثّ متواصل.

ثالثاً، فيلم مُنجَز. تشمل أعمال Dawa المشاركة في Wild Times الذي فاز في كان، وفيلم الصالات The Vanished، وتقول إنها تخطط لأول فيلم روائي طويل بالذكاء الاصطناعي بالكامل في الصناعة. والفيلم طريقة علنية جداً لتكون مخطئاً، ولهذا بالضبط سيحسم الجدل.

الشيء الأكثر إقناعاً عندي ليس العرض التجريبي إطلاقاً. بل أن الشركة ذهبت واشترت استوديو أفلام، واستأجرت طواقم، وأنفقت خمس سنوات تسجّل كيف تُصنع اللقطات. هذا رهان بطيء وغير لامع على أن عنق الزجاجة في فيديو الذكاء الاصطناعي لم يكن البكسلات يوماً. بل معرفة ما تريد، والقدرة على الاحتفاظ به.