Scenes AI：一张 RTX 5090，实时把办公室变成草原

真正卖出这家公司的演示不是一段渲染，是一场直播。

一个主讲人站在一间普通办公室里。地板塌了。有獠牙的东西从下面钻上来。他旁边一把椅子扭曲成一个狼头王座，他坐了下去。一棵树从花盆里长出来，窗帘着了火，然后整个房间变成一片动画风的草原。

画面里没有一处是合成的。人是真的，摄影机是真的，怪物、道具和布景是在单张消费级 RTX 5090 上实时生成的。这就是重庆公司 Dawa Technology 在九月发布 Scenes AI 时给出的说法——它自称是一家生成式世界基座模型公司——也是它的名字突然出现在投资人对话里的原因。

他们到底做了什么

架构被描述为“重控制层，轻生成层”，值得展开讲讲，因为它和当下的风向正相反。

Dawa 没有让一个大模型去重画每一帧，而是在创作意图和像素之间放了一套控制系统。这一层叫 Latent Stage，34B 参数，把人物、运动、镜头、灯光、服装、道具和物理交互建模成各自独立又互相约束的变量。改一个东西，世界状态的其余部分冻结。

公司报告说定向连续编辑成功率 98.2%，身份保持 93.3%。这是厂商数字，测的是他们自己的用例，只能当方向看。不过方向上，它们描述的正是所有做 AI 视频的人都在抱怨的那个问题：你要一个小改动，模型把整个世界重建一遍。

再往下，生成层只算动了的那部分。他们的稀疏局部微扩散只碰画面的 10% 到 20%，按他们的说法，GPU 功耗降 40% 到 60%，推理快三到五倍。稳定的墙、地板和脸被复用，而不是重新去噪一遍。

还有 LiveStage，实时那条路：每步大约 4B 参数激活，720p、25 帧每秒，连续跑 120 分钟以上不漂。在一张显卡上。最后这个数字才是关键，因为漂移是所有长时生成会话的杀手——场景慢慢变形，最后变成另一个房间。

为什么线下那门生意才是有意思的部分

实时演示好玩，但很难变现。按公司的说法，Dawa 的收入来自一个远没那么光鲜的东西：短剧。

中国的竖屏短剧市场极大，而且对成本敏感到残酷。字节的免费短剧应用红果，七月和八月月活大约 4.03 亿；腾讯的小程序入口八月月活 1.43 亿，十月第一周周活 8,968 万，比九月第一周增长 44.1%。当你的观众有这么多、利润这么薄，所有人唯一在乎的数字就是每分钟成片的成本。

Dawa 说已有几部 AI 短剧在红果上线，包括大致可译作 Evolving From the Tiger King、Possessed by the God of Cooking 和 My Life on a Deserted Island 的几部。附带的说法很具体，原则上也可核查：单镜头重试次数从五六十次降到五次以内，单位制作成本比主流模型低一个数量级。

如果这些哪怕一半成立，融资就解释得通了。今年 Pre-A 和 A 轮合计五亿人民币，约合 7,000 万美元，Qifu Capital、Kongkong Donghai、Yicun Capital 等参与。公司还说今年确认收入接近 5 亿人民币，并且已经规模化盈利——在这个行业里，这句话确实少见。

别人没有的那 180TB

他们描述的护城河不是模型。是模型下面的数据集。

在重庆永川，Dawa 运营着一个 8.4 万平方米的数字制作基地，11 个摄影棚，据称使用率超过 92%。五年里，300 多个商业项目在这里从头走到尾，产出了大约 180TB 的结构化过程数据：摄影机怎么动、演员站哪、灯怎么布、道具怎么拿。每个场景超过 300 个标注维度。

这和互联网上的视频语料是两种数据。一段 YouTube 视频教模型一个场景长什么样。一份镜头场记教它这个场景为什么长那样。对控制模型来说，后一种就是全部，因为控制是意图到结果的映射，而这个映射只存在于过程记录里。

这也是这家公司最难复制的东西。你爬不到它，而且只有你本来就在做制作，它才会累积。那个飞轮——拍摄产数据，数据改进控制模型，模型赢下更多拍摄——才是真正的卖点，它比一张 benchmark 表好。

所有人都会做的那个对比

Higgsfield，那家名字在讨论里很像的旧金山公司，走了另一条路。按围绕 Dawa 这轮融资的报道，Higgsfield 在三次尝试里烧掉 1,000 万美元，然后从八位资深创意总监那里听到同一个答案：缺的是镜头和场面控制，不是生成质量。他们把这做成了应用层功能，十八个月里年化收入从 100 万美元做到 1 亿美元，B 轮后据报道估值 54 亿美元。其创始人的公开立场是，垂直公司不该去追通用基座模型；护城河是模型路由，大约 40% 的调用自动分配，毛利率超过 80%。

Dawa 的反驳是：路由决定由哪个模型生成，控制层决定输出能不能改、能不能保持一致。一个优化成本，另一个决定你能不能交付。这个区分站得住，也解释了为什么他们建的是一个摄影棚，而不是一张路由表。

这是不是更好的生意，还没有答案。路由随需求扩展，不需要摄影棚。控制模型需要 8.4 万平方米和十年的拍摄，才谈得上防御性。

我要看到什么才会信

三件事。

第一，重试次数的独立测量。“五十降到五”是那种在 pitch 里会被四舍五入的数字，而五和十五的差别，是一个能赚钱的制作和一个爱好的差别。

第二，一场未经剪辑的、120 分钟不漂移的直播。漂移在花絮集锦里很好藏，在连续推流一小时里藏不住。

第三，一部上映的片子。Dawa 的作品列表里有戛纳获奖的 Wild Times 和院线片 The Vanished，还说在筹备业界第一部全 AI 院线长片。长片是一种非常公开的犯错方式，也正因如此，它能一锤定音。

最让我信服的其实不是那个演示。是这家公司去买了一个摄影棚、雇了剧组、花五年记录镜头是怎么拍出来的。这是一个缓慢、不光鲜的赌注，赌的是 AI 视频的瓶颈从来不是像素。是知道自己想要什么，并且能一直保持住。