Scenes AI genera il mondo mentre lo riprendi, su una sola RTX 5090

La demo che vende questa azienda non è un render. È un live.

Un presentatore sta in un ufficio qualunque. Il pavimento cede. Da sotto sale qualcosa con le zanne. Una sedia accanto a lui si deforma in un trono con la testa di lupo e lui si siede. Un albero cresce da un vaso, una tenda prende fuoco, e poi la stanza intera diventa una prateria animata.

Nessuno in quell'inquadratura è compositato. La persona è reale, la camera è reale, e creature, oggetti di scena e set sono generati in tempo reale su una singola RTX 5090 consumer. È la dichiarazione che Dawa Technology, azienda di Chongqing che si descrive come bottega di modelli fondazionali per mondi generativi, ha fatto a settembre al lancio di Scenes AI, ed è la ragione per cui il suo nome è apparso all'improvviso nelle conversazioni tra investitori.

Cosa hanno costruito davvero

L'architettura è descritta come strato di controllo pesante, strato di generazione leggero, e vale la pena scompattarla perché è l'opposto della moda attuale.

Invece di chiedere a un modello grande di ridisegnare ogni fotogramma, Dawa ha messo un sistema di controllo tra l'intento creativo e i pixel. Quello strato, chiamato Latent Stage, ha 34 miliardi di parametri e modella persone, movimento, camera, luci, guardaroba, oggetti e interazione fisica come variabili separate ma vincolate insieme. Cambi una cosa e il resto dello stato del mondo resta congelato.

L'azienda dichiara il 98,2% di successo sulle modifiche continue mirate e il 93,3% di conservazione dell'identità. Sono numeri del fornitore, misurati sui propri test, e vanno presi come indicativi. Indicativamente, però, descrivono esattamente il problema di cui tutti nell'AI video si lamentano: chiedi un piccolo cambiamento e il modello ricostruisce il mondo.

Sotto, lo strato di generazione calcola solo la parte che si è mossa. La loro micro-diffusion locale sparsa tocca dal 10% al 20% del fotogramma, il che secondo loro riduce il consumo delle GPU del 40-60% e rende l'inferenza da tre a cinque volte più veloce. Muri, pavimenti e volti stabili vengono riusati invece di essere ri-diffusi.

Poi c'è LiveStage, il percorso in tempo reale: circa 4 miliardi di parametri attivi per passo, 720p a 25 fotogrammi al secondo, in esecuzione per oltre 120 minuti senza deriva. Su una scheda grafica. È l'ultimo numero quello che conta, perché la deriva è ciò che uccide ogni sessione generativa lunga: la scena muta piano piano finché non è un'altra stanza.

Perché il business offline è la parte interessante

Le demo in tempo reale sono divertenti e difficili da monetizzare. Il fatturato di Dawa, secondo l'azienda, arriva da qualcosa di molto meno glamour: gli short drama.

Il mercato cinese degli short drama verticali è enorme e brutalmente sensibile ai costi. Hongguo, l'app gratuita di short drama di ByteDance, aveva circa 403 milioni di utenti mensili a luglio e agosto; l'ingresso via mini-programma di Tencent ha raggiunto 143 milioni di utenti mensili ad agosto e 89,68 milioni settimanali nella prima settimana di ottobre, il 44,1% in più della prima settimana di settembre. Con un pubblico così vasto e margini così sottili, l'unico numero che interessa a qualcuno è il costo per minuto finito.

Dawa dice che diversi short drama fatti con l'AI sono già live su Hongguo, con titoli che si traducono più o meno come Evolving From the Tiger King, Possessed by the God of Cooking e My Life on a Deserted Island. L'affermazione che li accompagna è specifica e in linea di principio verificabile: i tentativi per inquadratura sono scesi da cinquanta o sessanta a meno di cinque, e il costo unitario di produzione è calato di un ordine di grandezza rispetto ai modelli mainstream.

Se anche solo metà fosse vero, spiegherebbe il finanziamento. Cinquecento milioni di renminbi, circa 70 milioni di dollari, tra un Pre-A e un round A quest'anno, con Qifu Capital, Kongkong Donghai, Yicun Capital e altri. L'azienda dice anche di aver confermato quasi 500 milioni di renminbi di ricavi quest'anno e di essere redditizia su scala, che nel settore è una frase davvero insolita.

I 180 terabyte che nessun altro ha

Il fossato che descrivono non è il modello. È il dataset sotto.

A Yongchuan, Chongqing, Dawa gestisce un impianto di produzione digitale di 84.000 metri quadrati con 11 teatri di posa che, dice, girano sopra il 92% di occupazione. In cinque anni ci sono passati da capo a fondo più di 300 progetti commerciali, producendo circa 180 terabyte di dati strutturati di processo: come si muoveva la camera, dove stavano gli attori, come erano posizionate le luci, come venivano maneggiati gli oggetti. Oltre 300 dimensioni di annotazione per scena.

È un tipo di dato diverso dal corpus video di internet. Una clip di YouTube insegna al modello che aspetto ha una scena. Un diario di girato gli insegna perché la scena ha quell'aspetto. Per un modello di controllo la seconda cosa è tutto, perché il controllo è la mappatura dall'intento al risultato, e quella mappatura esiste solo nel registro del processo.

È anche l'asset meno replicabile dell'azienda. Non lo puoi scrapare, e si accumula solo se stai già producendo. Quel volano, le riprese producono dati, i dati migliorano il modello di controllo, il modello vince più riprese, è la vera proposta, ed è migliore di una tabella di benchmark.

Il confronto che faranno tutti

Higgsfield, l'azienda di San Francisco con un nome simile nel discorso, ha preso un'altra strada. Secondo i resoconti intorno al round di Dawa, Higgsfield ha bruciato 10 milioni di dollari in tre tentativi, poi ha sentito la stessa risposta da otto direttori creativi senior: il pezzo mancante è il controllo di camera e inquadratura, non la qualità della generazione. L'ha costruito come funzione di livello applicativo, è passata da 1 a 100 milioni di dollari di ricavi annualizzati in diciotto mesi, e secondo le indiscrezioni vale 5,4 miliardi dopo il round B. La posizione pubblica del fondatore è che le aziende verticali non dovrebbero inseguire i modelli fondazionali generalisti; il fossato è il routing dei modelli, con circa il 40% delle chiamate assegnate automaticamente e margini lordi sopra l'80%.

La contro-argomentazione di Dawa è che il routing decide quale modello genera, mentre uno strato di controllo decide se l'output può essere cambiato e mantenuto coerente. Uno ottimizza il costo. L'altro decide se riesci a consegnare. La distinzione è onesta, e spiega anche perché hanno costruito un set cinematografico invece di una tabella di routing.

Se sia il business migliore resta aperto. Il routing scala con la domanda e non ha bisogno di uno studio. Un modello di controllo ha bisogno di 84.000 metri quadrati e di un decennio di riprese prima di essere difendibile.

Cosa vorrei vedere prima di crederci

Tre cose.

Primo, una misura indipendente dei conteggi di tentativi. «Da cinquanta a cinque» è il tipo di numero che si arrotonda in un pitch, e la differenza tra cinque e quindici è la differenza tra una produzione redditizia e un hobby.

Secondo, una sessione live e non montata della promessa di 120 minuti senza deriva. La deriva è facile da nascondere in una highlight reel e impossibile da nascondere in un'ora di streaming continuo.

Terzo, un film distribuito. I crediti di Dawa includono lavori su Wild Times, premiato a Cannes, e sull'uscita in sala The Vanished, e dice di stare pianificando il primo lungometraggio interamente in AI del settore. Un lungometraggio è un modo molto pubblico di sbagliare, ed è proprio per questo che chiuderebbe la discussione.

La cosa che trovo più convincente non è affatto la demo. È che l'azienda è andata a comprarsi uno studio cinematografico, ha assunto troupe e ha passato cinque anni a registrare come si fanno le inquadrature. È una scommessa lenta e poco glamour sull'idea che il collo di bottiglia del video AI non siano mai stati i pixel. Era sapere cosa volevi, e riuscire a mantenerlo.