Scenes AI genera el escenario en directo sobre una sola RTX 5090

La demo que vende esta empresa no es un render. Es una emisión en directo.

Un presentador está de pie en una oficina corriente. El suelo se hunde. Algo con colmillos sale por el agujero. Una silla a su lado se deforma hasta convertirse en un trono con cabeza de lobo y él se sienta. Un árbol crece de una maceta, una cortina se prende y luego toda la sala se transforma en una pradera animada.

Nadie en ese plano está compuesto. La persona es real, la cámara es real, y las criaturas, los objetos y el decorado se generan en tiempo real en una única RTX 5090 de consumo. Eso es lo que afirmó Dawa Technology —una empresa de Chongqing que se describe como casa de modelos fundacionales de mundos generativos— al lanzar Scenes AI en septiembre, y es la razón por la que su nombre aparece de repente en conversaciones de inversores.

Qué han construido en realidad

La arquitectura se describe como capa de control pesada, capa de generación ligera, y merece desmontarse porque es lo contrario de la moda actual.

En lugar de pedirle a un modelo grande que redibuje cada fotograma, Dawa puso un sistema de control entre la intención creativa y los píxeles. Esa capa, llamada Latent Stage, tiene 34.000 millones de parámetros y modela personas, movimiento, cámara, iluminación, vestuario, atrezo e interacción física como variables separadas pero restringidas en conjunto. Cambias una cosa y el resto del estado del mundo queda congelado.

La empresa declara un 98,2% de éxito en ediciones continuas dirigidas y un 93,3% de preservación de identidad. Son cifras de la propia empresa, medidas en sus propias pruebas, y hay que tomarlas como orientativas. Orientativamente, sin embargo, describen justo el problema del que se queja todo el mundo en el vídeo con IA: pides un cambio pequeño y el modelo reconstruye el mundo.

Por debajo, la capa de generación solo calcula la parte que se ha movido. Su microdifusión local dispersa toca entre el 10% y el 20% del fotograma, lo que según ellos reduce el consumo de la GPU entre un 40% y un 60% y hace la inferencia de tres a cinco veces más rápida. Paredes, suelos y caras estables se reutilizan en vez de volver a difundirse.

Luego está LiveStage, la vía en tiempo real: unos 4.000 millones de parámetros activos por paso, 720p a 25 fotogramas por segundo, funcionando más de 120 minutos sin derivar. En una sola tarjeta gráfica. Esa última cifra es la que importa, porque la deriva es lo que mata cualquier sesión generativa larga: la escena muta poco a poco hasta convertirse en otra habitación.

Por qué el negocio offline es la parte interesante

Las demos en tiempo real son divertidas y difíciles de monetizar. Los ingresos de Dawa, según la empresa, vienen de algo mucho menos glamuroso: los dramas cortos.

El mercado chino de drama vertical es enorme y brutalmente sensible al coste. Hongguo, la app gratuita de dramas cortos de ByteDance, tuvo unos 403 millones de usuarios mensuales en julio y agosto; la entrada por miniprograma de Tencent llegó a 143 millones de usuarios mensuales en agosto y a 89,68 millones semanales en la primera semana de octubre, un 44,1% más que en la primera semana de septiembre. Cuando tu público es así de grande y tus márgenes así de finos, la única cifra que le importa a alguien es el coste por minuto terminado.

Dawa dice que ya hay varios dramas cortos con IA en emisión en Hongguo, con títulos que vendrían a ser Evolving From the Tiger King, Possessed by the God of Cooking y My Life on a Deserted Island. La afirmación que los acompaña es concreta y verificable en principio: los reintentos por plano bajaron de cincuenta o sesenta intentos a menos de cinco, y el coste unitario de producción cayó un orden de magnitud frente a los modelos convencionales.

Si la mitad de eso se sostiene, explica la financiación. Quinientos millones de renminbi, unos 70 millones de dólares, repartidos entre una ronda Pre-A y una A este año, con Qifu Capital, Kongkong Donghai, Yicun Capital y otros participantes. La empresa también dice haber confirmado cerca de 500 millones de renminbi en ingresos este año y ser rentable a escala, que en este sector es una frase realmente poco habitual.

Los 180 terabytes que nadie más tiene

La barrera que describen no es el modelo. Es el conjunto de datos que hay debajo.

En Yongchuan, Chongqing, Dawa opera unas instalaciones de producción digital de 84.000 metros cuadrados con 11 platós que, según ellos, funcionan por encima del 92% de ocupación. En cinco años han pasado por allí más de 300 proyectos comerciales de principio a fin, generando unos 180 terabytes de datos de proceso estructurados: cómo se movía la cámara, dónde se colocaban los actores, cómo se montaban las luces, cómo se manipulaba el atrezo. Más de 300 dimensiones de anotación por escena.

Es un tipo de datos distinto del corpus de vídeo de internet. Un clip de YouTube le enseña a un modelo cómo se ve una escena. Un parte de rodaje le enseña por qué la escena se ve así. Para un modelo de control, lo segundo es todo el juego, porque el control es el mapeo de la intención al resultado, y ese mapeo solo existe en el registro del proceso.

También es el activo menos replicable de la empresa. No se puede raspar, y solo se acumula si ya estás haciendo producciones. Ese círculo virtuoso —los rodajes producen datos, los datos mejoran el modelo de control, el modelo gana más rodajes— es la propuesta real, y es mejor que una tabla de benchmarks.

La comparación que todo el mundo hará

Higgsfield, la empresa de San Francisco con un nombre parecido en el debate, tomó otra ruta. Según las crónicas de la ronda de Dawa, Higgsfield quemó 10 millones de dólares en tres intentos, y luego oyó la misma respuesta de ocho directores creativos sénior: la pieza que falta es el control de cámara y plano, no la calidad de generación. Lo construyó como función de capa de aplicación, pasó de 1 a 100 millones de dólares de ingresos anualizados en dieciocho meses, y según los informes está valorada en 5.400 millones tras su ronda B. La postura pública de su fundador es que las empresas verticales no deben perseguir modelos fundacionales generalistas; la barrera es el enrutado de modelos, con cerca del 40% de las llamadas asignadas automáticamente y márgenes brutos por encima del 80%.

El contraargumento de Dawa es que el enrutado decide qué modelo genera, mientras que una capa de control decide si la salida se puede cambiar y mantener consistente. Una optimiza coste. La otra decide si puedes entregar. Es una distinción justa, y explica también por qué construyeron un plató de cine en lugar de una tabla de enrutado.

Si es el negocio mejor está por ver. El enrutado escala con la demanda y no necesita estudio. Un modelo de control necesita 84.000 metros cuadrados y una década de rodajes antes de ser defendible.

Qué querría ver antes de creérmelo

Tres cosas.

Primera, una medición independiente de los reintentos. «De cincuenta a cinco» es el tipo de cifra que se redondea en una presentación, y la diferencia entre cinco y quince es la diferencia entre una producción rentable y un pasatiempo.

Segunda, una sesión en directo y sin montaje de la afirmación de 120 minutos sin deriva. La deriva es fácil de esconder en un vídeo de highlights e imposible de esconder en una hora de emisión continua.

Tercera, una película estrenada. En los créditos de Dawa figuran trabajos en Wild Times, ganadora en Cannes, y en el estreno en salas The Vanished, y dicen que planean el primer largometraje de la industria hecho íntegramente con IA. Un largometraje es una forma muy pública de equivocarse, y precisamente por eso zanjaría la discusión.

Lo que más me convence no es la demo. Es que la empresa fuera y comprara un estudio de cine, contratara equipos y pasara cinco años registrando cómo se hacen los planos. Es una apuesta lenta y poco lucida por la idea de que el cuello de botella del vídeo con IA nunca fueron los píxeles. Era saber qué querías, y ser capaz de mantenerlo.