A Dawa passou cinco anos a filmar para ensinar controlo a um modelo

A demonstração que vende esta empresa não é uma renderização. É uma transmissão em direto.

Um apresentador está de pé num escritório comum. O chão abre-se. Algo com presas sobe por ali acima. Uma cadeira ao lado dele deforma-se numa espécie de trono com cabeça de lobo e ele senta-se. Uma árvore cresce de um vaso, uma cortina pega fogo, e depois a sala inteira transforma-se numa pradaria animada.

Ninguém naquele plano está composto. A pessoa é real, a câmara é real, e as criaturas, os adereços e o cenário são gerados em tempo real numa única RTX 5090 de consumo. É essa a alegação da Dawa Technology — uma empresa de Chongqing que se descreve como oficina de modelos de fundação para mundos generativos — quando lançou o Scenes AI em setembro, e é por isso que o nome começou de repente a aparecer em conversas de investidores.

O que construíram, na prática

A arquitetura é descrita como camada de controlo pesada, camada de geração leve, e vale a pena destrinçá-la porque é o contrário da moda atual.

Em vez de pedir a um modelo grande que redesenhe cada frame, a Dawa colocou um sistema de controlo entre a intenção criativa e os pixels. Essa camada, chamada Latent Stage, tem 34 mil milhões de parâmetros e modela pessoas, movimento, câmara, iluminação, guarda-roupa, adereços e interação física como variáveis separadas mas com restrições conjuntas. Muda-se uma coisa e o resto do estado do mundo fica congelado.

A empresa reporta 98,2% de sucesso em edições contínuas dirigidas e 93,3% de preservação de identidade. São números do fornecedor, medidos nos testes dele, e devem ser lidos como indicação de direção. Como indicação, porém, descrevem exatamente o problema de que todos se queixam no vídeo com IA: pede-se uma pequena alteração e o modelo reconstrói o mundo.

Por baixo, a camada de geração calcula apenas a parte que se mexeu. A micro-difusão local esparsa toca em 10% a 20% do frame, o que, segundo eles, corta o consumo da GPU em 40% a 60% e torna a inferência três a cinco vezes mais rápida. Paredes, chãos e rostos estáveis são reaproveitados em vez de redesenhados.

Depois há o LiveStage, o caminho em tempo real: cerca de 4 mil milhões de parâmetros ativos por passo, 720p a 25 frames por segundo, a correr mais de 120 minutos sem deriva. Numa única placa gráfica. É esse último número que importa, porque a deriva é o que mata qualquer sessão generativa longa — a cena vai mudando aos poucos até ser outra sala.

Porque é que o negócio offline é a parte interessante

Demonstrações em tempo real são divertidas e difíceis de monetizar. A receita da Dawa, segundo a empresa, vem de algo bem menos glamoroso: séries curtas.

O mercado chinês de séries curtas verticais é enorme e brutalmente sensível ao custo. O Hongguo, a aplicação gratuita de séries curtas da ByteDance, tinha à volta de 403 milhões de utilizadores mensais em julho e agosto; a entrada por mini-programa da Tencent chegou a 143 milhões de utilizadores mensais em agosto e a 89,68 milhões semanais na primeira semana de outubro, mais 44,1% do que na primeira semana de setembro. Com um público desta dimensão e margens tão finas, o único número de que alguém se importa é o custo por minuto acabado.

A Dawa diz que várias séries curtas feitas com IA já estão no ar no Hongguo, incluindo títulos que se traduzem mais ou menos como Evolving From the Tiger King, Possessed by the God of Cooking e My Life on a Deserted Island. A alegação que lhes está associada é específica e, em princípio, verificável: o número de tentativas por plano caiu de cinquenta ou sessenta para menos de cinco, e o custo unitário de produção desceu uma ordem de grandeza em comparação com os modelos correntes.

Se metade disso se confirmar, explica o financiamento. Quinhentos milhões de renminbi, cerca de 70 milhões de dólares, entre uma ronda Pre-A e uma Série A este ano, com a Qifu Capital, a Kongkong Donghai, a Yicun Capital e outras a participar. A empresa diz também ter confirmado perto de 500 milhões de renminbi de receita este ano e ser lucrativa à escala, o que neste setor é uma frase genuinamente invulgar.

Os 180 terabytes que mais ninguém tem

A barreira que descrevem não é o modelo. É o conjunto de dados por baixo dele.

Em Yongchuan, Chongqing, a Dawa opera uma instalação de produção digital de 84 mil metros quadrados com 11 estúdios que, dizem, funcionam acima de 92% de ocupação. Ao longo de cinco anos, mais de 300 projetos comerciais passaram por lá de ponta a ponta, produzindo cerca de 180 terabytes de dados de processo estruturados: como a câmara se moveu, onde estavam os atores, como foram colocadas as luzes, como foram manuseados os adereços. Mais de 300 dimensões de anotação por cena.

É um tipo de dados diferente do corpus de vídeo da internet. Um clipe do YouTube ensina ao modelo o aspeto de uma cena. Um registo de rodagem ensina-lhe porque é que a cena tem aquele aspeto. Para um modelo de controlo, o segundo é o jogo todo, porque controlar é o mapeamento da intenção para o resultado, e esse mapeamento só existe no registo de processo.

É também o ativo menos replicável da empresa. Não se pode raspar, e só se acumula se já se estiverem a fazer produções. Esse ciclo — as rodagens produzem dados, os dados melhoram o modelo de controlo, o modelo ganha mais rodagens — é o verdadeiro pitch, e é melhor do que uma tabela de benchmarks.

A comparação que todos vão fazer

A Higgsfield, a empresa de São Francisco com um nome parecido no discurso, seguiu outro caminho. Segundo a reportagem em torno da ronda da Dawa, a Higgsfield queimou 10 milhões de dólares em três tentativas e depois ouviu a mesma resposta de oito diretores criativos seniores: a peça em falta é o controlo de câmara e de plano, não a qualidade da geração. Construiu isso como funcionalidade de camada de aplicação, passou de 1 milhão para 100 milhões de dólares de receita anualizada em dezoito meses, e estará avaliada em 5,4 mil milhões depois da ronda B. A posição pública do fundador é que as empresas verticais não devem perseguir modelos de fundação generalistas; a barreira está no encaminhamento de modelos, com cerca de 40% das chamadas atribuídas automaticamente e margens brutas acima de 80%.

O contra-argumento da Dawa é que o encaminhamento decide que modelo gera, enquanto uma camada de controlo decide se o resultado pode ser alterado e mantido coerente. Um otimiza o custo. O outro decide se se consegue entregar. A distinção é justa, e explica também porque construíram um estúdio de filmagem em vez de uma tabela de encaminhamento.

Se é o melhor negócio, isso está por resolver. O encaminhamento escala com a procura e não precisa de estúdio. Um modelo de controlo precisa de 84 mil metros quadrados e de uma década de rodagens antes de ser defensável.

O que eu quereria ver antes de acreditar

Três coisas.

Primeiro, medição independente do número de tentativas. «Cinquenta para cinco» é o tipo de número que se arredonda num pitch, e a diferença entre cinco e quinze é a diferença entre uma produção lucrativa e um passatempo.

Segundo, uma sessão em direto e sem edição da alegação de 120 minutos sem deriva. A deriva é fácil de esconder num reel de highlights e impossível de esconder numa hora de transmissão contínua.

Terceiro, um filme estreado. Os créditos da Dawa incluem trabalho em Wild Times, vencedor em Cannes, e no lançamento em sala The Vanished, e a empresa diz que está a planear a primeira longa-metragem totalmente feita com IA do setor. Uma longa é uma forma muito pública de estar errado, e é precisamente por isso que resolveria a discussão.

O que me convence mais não é a demonstração. É que a empresa foi comprar um estúdio de cinema, contratou equipas e passou cinco anos a registar como se fazem os planos. É uma aposta lenta e pouco glamorosa na ideia de que o estrangulamento do vídeo com IA nunca foram os pixels. Era saber o que se quer, e conseguir mantê-lo.