Scenes AI、1枚のRTX 5090で世界を実時間生成する

この会社を売っているデモはレンダリングではない。ライブ配信だ。

プレゼンターが普通のオフィスに立っている。床が抜ける。牙のある何かがそこから上がってくる。傍らの椅子が狼頭の玉座に歪み、彼は座る。植木鉢から木が伸び、カーテンが燃え、そして部屋全体がアニメーションの草原に変わる。

そのフレームに合成された人物はいない。人物は実在し、カメラも実在し、生き物も小道具もセットも、1枚のコンシューマ向けRTX 5090でリアルタイムに生成されている。重慶の企業で、自らを生成的ワールド基盤モデルの会社と称するDawa Technologyが9月にScenes AIを立ち上げたときの主張がこれで、投資家の会話に突然名前が出てくる理由でもある。

実際に作ったもの

アーキテクチャは「重い制御層、軽い生成層」と説明されている。現在の流行とは逆なので、分解する価値がある。

1つの大きなモデルに毎フレーム描き直させるのではなく、Dawaは創作意図とピクセルの間に制御システムを置いた。Latent Stageと呼ばれるその層は34Bパラメータで、人物、動き、カメラ、照明、衣装、小道具、物理的相互作用を、別個だが連成した変数としてモデル化する。1つを変えれば、残りの世界状態は凍結される。

会社の報告では、対象を絞った連続編集の成功率98.2%、同一性保持93.3%。ベンダー自身の試験による数字であり、方向性として読むべきだ。ただ方向性としては、AI動画で誰もが愚痴る問題そのものを表している。小さな変更を1つ頼んだら、モデルが世界を作り直す。

その下で、生成層は動いた部分だけを計算する。スパースな局所マイクロ拡散はフレームの10〜20%に触れ、それによってGPUの消費電力を40〜60%削減し、推論を3〜5倍速くすると会社は言う。安定した壁、床、顔は再拡散されず再利用される。

さらにリアルタイム経路のLiveStageがある。1ステップあたり約4Bパラメータが稼働し、720p・毎秒25フレーム、120分以上ドリフトせずに動き続ける。1枚のグラフィックスカードで。最後の数字が重要だ。長時間の生成セッションを殺すのはドリフトだからだ。シーンはゆっくり変異し、最後には別の部屋になる。

面白いのはオフライン事業のほう

リアルタイムのデモは楽しいがマネタイズしにくい。Dawaの収益は、会社によればもっと地味なところから来ている。短劇だ。

中国の縦型短劇市場は巨大で、容赦なくコストに敏感だ。ByteDanceの無料短劇アプリ红果は7月と8月に月間約4.03億人。Tencentのミニプログラム版は8月に月間1.43億人、10月第1週に週間8,968万人で、9月第1週から44.1%増えた。読者層がその規模で利益率がその薄さなら、誰もが気にする唯一の数字は完成1分あたりのコストになる。

Dawaは、红果でAI短劇がすでに複数配信されていると言う。虎王から進化食神に憑かれて無人島の俺の生活と訳せるタイトルを含む。それに付いている主張は具体的で、原理的には検証可能だ。1カットあたりのリトライ回数が50〜60回から5回未満に落ち、単位制作コストが主流モデル比で桁違いに下がったという。

その半分でも本当なら、資金調達の説明がつく。今年のPre-AとAラウンドで合計5億元、約7,000万ドル。Qifu Capital、Kongkong Donghai、Yicun Capitalなどが参加した。会社は今年、約5億元の売上を確定し、規模の上で黒字だとしている。この分野では本当に珍しい一文だ。

誰も持っていない180テラバイト

彼らが語る堀はモデルではない。その下のデータセットだ。

重慶市永川区で、Dawaは8万4,000平方メートル、11ステージのデジタル制作施設を運営し、稼働率は92%を超えるという。5年間で300以上の商業プロジェクトが端から端まで通され、約180テラバイトの構造化された工程データを生んだ。カメラがどう動いたか、俳優がどこに立ったか、照明がどう置かれたか、小道具がどう扱われたか。1シーンあたり300以上のアノテーション軸。

これはインターネットの動画コーパスとは種類の違うデータだ。YouTubeのクリップは、シーンがどう見えるかをモデルに教える。撮影ログは、なぜそう見えるかを教える。制御モデルにとって後者がすべてだ。制御とは意図から結果への写像であり、その写像は工程記録にしか存在しない。

これは会社の中で最も複製しにくい資産でもある。スクレイピングできないし、すでに制作を回していなければ蓄積しない。撮影がデータを生み、データが制御モデルを改善し、モデルがさらなる撮影を獲る。このフライホイールが実際の売り物であり、ベンチマーク表より良い。

誰もがする比較

議論の中で似た名が出るサンフランシスコのHiggsfieldは、別の道を取った。Dawaのラウンドに関する報道によれば、Higgsfieldは3度の試みで1,000万ドルを燃やし、その後8人のシニアクリエイティブディレクターから同じ答えを聞いた。足りないのは生成品質ではなくカメラとカットの制御だ、と。それをアプリケーション層の機能として作り、18カ月で年換算収益100万ドルから1億ドルへ伸ばし、Bラウンド後は54億ドルと評価されているという。創業者の公の立場は、バーティカル企業は汎用基盤モデルを追うべきではない、堀はモデルルーティングで、呼び出しの約40%が自動割当、粗利率は80%超だ、というものだ。

Dawaの反論はこうだ。ルーティングはどのモデルが生成するかを決めるが、制御層は出力を変更でき、一貫させられるかを決める。片方はコストを最適化する。もう片方は納品できるかを決める。妥当な区別で、彼らがルーティングテーブルではなく撮影所を建てた理由でもある。

どちらが良いビジネスかは未決着だ。ルーティングは需要とともにスケールし、スタジオを要さない。制御モデルは防衛可能になる前に8万4,000平方メートルと10年の撮影を要する。

信じる前に見たいもの

3つある。

1つ目、リトライ回数の独立した測定。「50から5へ」はピッチで丸められる種類の数字で、5と15の差は、黒字の制作と趣味の差だ。

2つ目、120分ノードリフトという主張の、編集なしのライブセッション。ドリフトはハイライト集では隠せて、1時間の連続配信では隠せない。

3つ目、公開された映画。Dawaの実績にはカンヌ受賞作Wild Timesと劇場公開作The Vanishedでの仕事が含まれ、業界初の全編AI劇場長編を計画しているという。長編は間違えるのが非常に公開的な方法で、だからこそ決着をつけるのだ。

私が最も説得力を感じるのはデモではない。会社が撮影所を買い、クルーを雇い、5年かけてカットがどう作られるかを記録してきたことだ。AI動画のボトルネックは決してピクセルではなかった、という考えへの、遅くて地味な賭けである。ボトルネックは、自分が何を欲しいかを知り、それを保ち続けられることだった。