Dawa zeigt KI-Video in Echtzeit – und kauft dafür ein Filmstudio

Die Demo, die diese Firma verkauft, ist kein Render. Es ist ein Livestream.

Ein Moderator steht in einem gewöhnlichen Büro. Der Boden bricht weg. Etwas mit Stoßzähnen kommt hoch. Ein Stuhl neben ihm verzerrt zu einem Thron mit Wolfsgesicht, und er setzt sich. Aus einem Blumentopf wächst ein Baum, ein Vorhang fängt Feuer, und dann wird der ganze Raum zu einer animierten Wiese.

In diesem Bild ist niemand hineinkomponiert. Die Person ist echt, die Kamera ist echt, und die Kreaturen, Requisiten und Kulissen werden in Echtzeit auf einer einzigen Consumer-RTX-5090 erzeugt. Das ist die Behauptung, mit der Dawa Technology – ein Unternehmen aus Chongqing, das sich als Werkstatt für generative Weltmodelle beschreibt – im September Scenes AI gestartet hat, und der Grund, warum der Name plötzlich in Investorengesprächen auftaucht.

Was sie tatsächlich gebaut haben

Die Architektur wird als schwere Steuerungsschicht über einer leichten Generierungsschicht beschrieben. Das lohnt das Auspacken, weil es das Gegenteil der aktuellen Mode ist.

Statt ein großes Modell zu bitten, jeden Frame neu zu zeichnen, hat Dawa ein Kontrollsystem zwischen kreative Absicht und Pixel gesetzt. Diese Schicht heißt Latent Stage, hat 34 Milliarden Parameter und modelliert Menschen, Bewegung, Kamera, Licht, Garderobe, Requisiten und physische Interaktion als getrennte, aber gemeinsam eingeschränkte Variablen. Ändere eine Sache, und der Rest des Weltzustands bleibt eingefroren.

Das Unternehmen meldet 98,2 Prozent Erfolg bei gezielten kontinuierlichen Änderungen und 93,3 Prozent Identitätserhalt. Das sind Anbieterzahlen aus eigenen Tests und als Richtungsangabe zu behandeln. Als Richtungsangabe beschreiben sie genau das Problem, über das alle im KI-Video klagen: Du bittest um eine kleine Änderung, und das Modell baut die Welt neu.

Darunter berechnet die Generierungsschicht nur den Teil, der sich bewegt hat. Die sparse lokale Micro-Diffusion berührt 10 bis 20 Prozent des Bildes, was laut Unternehmen den GPU-Stromverbrauch um 40 bis 60 Prozent senkt und die Inferenz drei- bis fünfmal schneller macht. Stabile Wände, Böden und Gesichter werden wiederverwendet statt erneut diffundiert.

Dann ist da LiveStage, der Echtzeitpfad: rund 4 Milliarden Parameter pro Schritt aktiv, 720p bei 25 Bildern pro Sekunde, über 120 Minuten ohne Drift. Auf einer Grafikkarte. Die letzte Zahl ist die, auf die es ankommt, denn Drift killt jede lange generative Session – die Szene mutiert langsam, bis es ein anderer Raum ist.

Warum das Offline-Geschäft der interessante Teil ist

Echtzeitdemos machen Spaß und lassen sich schlecht monetarisieren. Dawas Umsatz, so das Unternehmen, kommt aus etwas viel Unspektakulärerem: Kurzdramen.

Der chinesische Markt für vertikale Kurzdramen ist riesig und brutal kostenempfindlich. Hongguo, ByteDances kostenlose Kurzdrama-App, hatte im Juli und August rund 403 Millionen monatliche Nutzer; der Mini-Programm-Zugang von Tencent erreichte im August 143 Millionen monatliche und in der ersten Oktoberwoche 89,68 Millionen wöchentliche Nutzer, 44,1 Prozent mehr als in der ersten Septemberwoche. Bei so einem Publikum und so dünnen Margen interessiert nur eine Zahl: Kosten pro fertiger Minute.

Dawa sagt, mehrere KI-Kurzdramen liefen bereits auf Hongguo, darunter Titel, die sich grob mit Evolving From the Tiger King, Possessed by the God of Cooking und My Life on a Deserted Island übersetzen lassen. Die zugehörige Behauptung ist konkret und im Prinzip prüfbar: Die Zahl der Wiederholungen pro Einstellung fiel von fünfzig oder sechzig Versuchen auf unter fünf, und die Stückkosten sanken um eine Größenordnung gegenüber gängigen Modellen.

Wenn auch nur die Hälfte davon stimmt, erklärt das die Finanzierung. 500 Millionen Renminbi, rund 70 Millionen Dollar, über eine Pre-A- und eine A-Runde in diesem Jahr, mit Qifu Capital, Kongkong Donghai, Yicun Capital und weiteren. Das Unternehmen sagt außerdem, es habe dieses Jahr knapp 500 Millionen RMB Umsatz bestätigt und sei in der Skalierung profitabel – in dieser Branche ein wirklich ungewöhnlicher Satz.

Die 180 Terabyte, die sonst niemand hat

Der Burggraben, den sie beschreiben, ist nicht das Modell. Es ist der Datensatz darunter.

In Yongchuan, Chongqing, betreibt Dawa eine digitale Produktionsstätte mit 84.000 Quadratmetern und 11 Bühnen, die laut Unternehmen über 92 Prozent ausgelastet sind. In fünf Jahren sind mehr als 300 kommerzielle Projekte von Anfang bis Ende durchgelaufen und haben rund 180 Terabyte strukturierter Prozessdaten produziert: wie die Kamera sich bewegte, wo die Darsteller standen, wie das Licht gesetzt war, wie die Requisiten behandelt wurden. Über 300 Annotationsdimensionen pro Szene.

Das ist eine andere Art von Daten als der Videokorpus des Internets. Ein YouTube-Clip lehrt ein Modell, wie eine Szene aussieht. Ein Drehprotokoll lehrt es, warum die Szene so aussieht. Für ein Steuerungsmodell ist das zweite das ganze Spiel, denn Steuerung ist die Abbildung von Absicht auf Ergebnis, und diese Abbildung existiert nur im Prozessprotokoll.

Es ist zugleich das am schwersten kopierbare Gut der Firma. Man kann es nicht scrapen, und es wächst nur, wenn man ohnehin produziert. Dieses Schwungrad – Drehs erzeugen Daten, Daten verbessern das Steuerungsmodell, das Modell gewinnt mehr Drehs – ist der eigentliche Pitch, und er ist besser als eine Benchmark-Tabelle.

Der Vergleich, den alle ziehen werden

Higgsfield, die San-Francisco-Firma mit dem ähnlichen Namen im Diskurs, ist einen anderen Weg gegangen. Laut der Berichterstattung rund um Dawas Runde hat Higgsfield 10 Millionen Dollar in drei Anläufen verbrannt und dann von acht leitenden Creative Directors dieselbe Antwort gehört: Es fehlt die Kontrolle über Kamera und Einstellung, nicht die Generierungsqualität. Das wurde als Feature der Anwendungsschicht gebaut, der annualisierte Umsatz stieg in achtzehn Monaten von 1 Million auf 100 Millionen Dollar, und nach der B-Runde wird die Bewertung mit 5,4 Milliarden Dollar angegeben. Die öffentliche Position des Gründers: Vertikale Firmen sollten keine allgemeinen Foundation-Modelle jagen; der Burggraben ist Model Routing, mit rund 40 Prozent automatisch zugewiesenen Aufrufen und Bruttomargen über 80 Prozent.

Dawas Gegenargument: Routing entscheidet, welches Modell generiert, während eine Steuerungsschicht entscheidet, ob die Ausgabe geändert und konsistent gehalten werden kann. Das eine optimiert Kosten. Das andere entscheidet, ob du liefern kannst. Das ist eine faire Unterscheidung, und sie erklärt, warum sie ein Filmset gebaut haben statt einer Routing-Tabelle.

Ob es das bessere Geschäft ist, bleibt offen. Routing skaliert mit der Nachfrage und braucht kein Studio. Ein Steuerungsmodell braucht 84.000 Quadratmeter und ein Jahrzehnt an Drehs, bevor es verteidigungsfähig ist.

Was ich sehen müsste, bevor ich es glaube

Drei Dinge.

Erstens eine unabhängige Messung der Wiederholungszahlen. „Fünfzig auf fünf“ ist die Art Zahl, die in einem Pitch gerundet wird, und der Unterschied zwischen fünf und fünfzehn ist der Unterschied zwischen einer profitablen Produktion und einem Hobby.

Zweitens eine Live-Session ohne Schnitt für die Behauptung der 120 Minuten ohne Drift. Drift versteckt sich leicht in einem Highlight-Reel und lässt sich in einer Stunde Dauerstream nicht verstecken.

Drittens ein ausgelieferter Film. Zu Dawas Credits gehören Arbeiten am Cannes-gekrönten Wild Times und am Kinofilm The Vanished, und es sagt, es plane den ersten vollständig KI-generierten Kinofilm der Branche. Ein Spielfilm ist eine sehr öffentliche Art, sich zu irren – genau deshalb würde er die Debatte entscheiden.

Am überzeugendsten finde ich nicht die Demo. Sondern dass die Firma losgezogen ist, ein Filmstudio gekauft, Crews eingestellt und fünf Jahre damit verbracht hat aufzuzeichnen, wie Einstellungen entstehen. Das ist eine langsame, unglamouröse Wette darauf, dass der Flaschenhals im KI-Video nie die Pixel waren. Sondern zu wissen, was man will, und es halten zu können.