Introducción
De «Next Token» a «Next State».
Ahora que la IA generativa ya es capaz de crear imágenes tan realistas que parecen auténticas, escribir guiones fluidos e incluso generar fragmentos de vídeo coherentes, surge la siguiente pregunta: ¿por qué aún no hemos visto ningún producto de entretenimiento interactivo que pertenezca verdaderamente a la era de la IA?
Parece que todos los elementos técnicos están ya en su sitio, pero se asemejan más bien a piezas esparcidas por el suelo, que aún no se han ensamblado para formar una máquina capaz de funcionar. El sector en su conjunto se encuentra más bien en una fase similar a la de «los ciegos y el elefante»: cada uno palpa una parte del elefante, pero nadie ha podido vislumbrar aún la imagen completa.
Los dos invitados que el programa «405» ha recibido recientemente se encuentran, precisamente, a ambos lados de este elefante.
Dai Bo, fundador de Feeling AI (Yunwu Intelligence) y profesor adjunto de la Universidad de Hong Kong.Lleva dedicado al campo de la IA generativa desde que comenzó su doctorado en 2014, que cursó en el MMLab de la Universidad China de Hong Kong bajo la tutela del profesor Lin Dahua. Cuenta con más de 10 000 citas en Google Académico y, en los últimos tres años, ha sido seleccionado consecutivamente entre el 2 % de los mejores científicos del mundo.Su trabajo más conocido es AnimateDiff, un modelo de generación de vídeo de código abierto que, en su momento, causó furor en toda la comunidad de Stable Diffusion. En 2024, rechazó ofertas de varias grandes empresas y optó por fundar Feeling AI, con el objetivo de construir la infraestructura de los modelos del mundo y dotar al mundo virtual de una «sensación de vida real».En menos de seis meses desde su fundación, la empresa completó dos rondas de financiación por un importe superior a los 100 millones de yuanes.
Hu Xiuhan, fundador de NieTa (See Concept). Licenciado en Ciencias de la Inteligencia y Economía por la Universidad de Pekín, con un máster por la Universidad de Columbia, trabajó sucesivamente en Meta como responsable de la arquitectura tecnológica de vídeos cortos, en Alibaba como el experto P8 más joven de la división de tecnología de datos y en Tezhan, donde creó desde cero una línea de productos con ingresos superiores a los 100 millones.A finales de 2022, tan solo cuatro meses después del lanzamiento de Stable Diffusion, llegó a la conclusión de que «los Lego del contenido habían cambiado» y, acto seguido, dejó su empleo para fundar su propia empresa. Nieta cuenta actualmente con más de 12 millones de usuarios registrados y una duración media de interacción diaria superior a los 110 minutos. En marzo de 2026 acaba de completar una ronda de financiación Pre-A+ de más de 10 millones de dólares.
La relación entre ambos se remonta a antes de la historia empresarial. Eran viejos amigos de la época de las competiciones informáticas, y lo que los volvió a unir fue AnimateDiff: en cuanto Dai Bo creó este modelo, se lo envió a Xiu Han para que lo viera, y la reacción de este fue: «Siempre había querido algo así».Desde entonces, uno se ha sumergido en la arquitectura subyacente de los modelos del mundo, mientras que el otro ha construido una comunidad creativa nativa de IA en la capa de aplicación; aunque sus caminos son diferentes, ambos apuntan hacia un mismo objetivo final.
Este diálogo gira en torno a varias cuestiones fundamentales: cuando la unidad básica del contenido evoluciona de los píxeles a los conceptos, ¿cómo se redefinirán los límites entre la creación y el consumo?¿Por qué las aplicaciones nativas de IA deben ser «activas» y «en tiempo real», en lugar de generarse previamente y redistribuirse? ¿Cómo debe entenderse realmente el «modelo del mundo»? Dai Bo lo desglosa en una arquitectura de tres capas: la capa de ideas, la capa dinámica y la capa estática, mientras que Xiu Han se centra más en si puede convertirse en un sistema sostenible con dinámica propia.También debatieron en profundidad sobre una distinción que suele pasarse por alto: la «creación» (creación profesional) y la «recreación» (recreación popular o creación recreativa). Las prácticas de contenido generado por los usuarios (UGC) verdaderamente populares se acercan más, en esencia, a esta última: exigen una alta calidad en el proceso, pero no tanto en el resultado, y lo que se disfruta es el flujo mental que genera la propia construcción.
Los dos fundadores comparten una misma convicción: la mayor oportunidad no reside en que alguien cree un «oasis», sino en que alguien proporcione los bloques de construcción para crearlo. Cuando los usuarios puedan construir mundos, definir reglas y crear personajes a partir de conceptos en lugar de código, las formas de entretenimiento interactivo ya no estarán limitadas por la imaginación actual, sino únicamente por el momento en que la tecnología esté a la altura.
A continuación se incluye la conversación entre 405 Youju, Dai Bo y Hu Xiuhan. «Game Teahouse» ha recopilado la versión escrita con autorización, y el contenido ha sido ligeramente editado.
01
Los «bloques de contenido» se están redefiniendo
«Antes, los bloques de construcción del contenido eran los píxeles; en el futuro, serán los conceptos. Cuando los conceptos y las palabras clave se vinculen directamente, se producirá el cambio más fundamental a nivel de los bloques de construcción».
Xiaoning: Los dos tenéis una formación más bien técnica, ¿por qué, en esta iniciativa empresarial, habéis optado por un enfoque más orientado al entretenimiento y a los contenidos?
Xiu Han: Participé junto con Dai Bo en concursos de informática y, tras graduarme, me he dedicado siempre a proyectos de producto. En una empresa como Facebook, donde prima la cultura del producto, he llevado a cabo numerosas pruebas A/B de diseño y experimentos de crecimiento, lo que me ha ido acostumbrando a analizar el impacto de la innovación tecnológica desde una perspectiva de ingeniería y desarrollo de productos. Cada vez que surge una nueva generación de tecnología de IA, mi primera reacción es pensar en cómo resolver problemas en situaciones reales más concretas.
Dai Bo: Yo soy bastante sencillo.De pequeño, mi madre me compró una consola educativa «Xiaobao» y, desde entonces, me interesan mucho los contenidos interactivos. Cuando tenía que elegir la especialidad para el doctorado, pensé: «Poder crear contenidos interactivos con la tecnología que yo mismo desarrolle sería algo que me haría sentir muy satisfecho». Al ver cómo la tecnología maduraba poco a poco, pensé que no estaría de más hacerlo yo mismo, porque solo así podría encontrar las respuestas.
Xiaoning: ¿Qué indicios os llevaron a decidir crear vuestra propia empresa en aquel momento?
Xiu Han: Lo que siempre me ha interesado es la naturaleza atómica del contenido, cómo deconstruirlo y reconstruirlo, y también reflexiono sobre cómo los modelos influyen en la forma de colaborar de los creadores. Por supuesto, no desde el punto de vista técnico de los principios fundamentales, sino desde la perspectiva de la ingeniería de contenidos: cómo influye en la colaboración entre las personas y cómo influye en la forma en que los creadores elaboran sus contenidos.
En julio de 2022, cuando vi Stable Diffusion, ni siquiera tuve que esperar a que aparecieran los grandes modelos de lenguaje para darme cuenta claramente de que los «Lego» del contenido habían cambiado: antes podía ser un fotograma, una capa o incluso algo tan preciso como un píxel; mientras que los «bloques de construcción» del futuro probablemente serán conceptos, algún tipo de concepto a nivel visual.Este es el cambio fundamental a nivel de los «bloques de construcción». Durante este proceso, hemos llevado a cabo numerosas exploraciones y hemos pasado por etapas de evolución constante de diversos «bloques de construcción», como LoRA.
Creo que avances recientes como Nano Banana y Seedance 2.0 se están acercando poco a poco a un estado en el que «se puede construir un mundo a partir de un concepto». Se trata de un proceso de comprensión gradual.
Xiaoning: Ya lo comentamos la última vez: hay cosas que no han cambiado en absoluto; por ejemplo, tu definición inicial de este asunto era «GitHub + IP».
Xiu Han: Si reflexionamos sobre la evolución de los «átomos de contenido», históricamente se pueden distinguir unas tres o cuatro generaciones: la primera se centraba en los píxeles puros; en la segunda aparecieron las plantillas, las capas y los modelos 3D;la tercera generación fue la de Figma, caracterizada por la modularidad; y la cuarta generación es la actual, con una estructura atómica centrada en los conceptos. Cada generación ha dado lugar a productos magníficos: las generaciones primera y segunda, con Photoshop; la tercera, con Figma; y la cuarta, que probablemente sea la actual.
Cuanto más se profundiza, más se parecen estos bloques de construcción al código. Y las propiedades inherentes del código determinan que permita una colaboración al estilo de GitHub. Antes, las iniciativas de creación conjunta se limitaban a la colaboración en el ámbito textual, como en Wikipedia; cuando se traspasa al ámbito visual, surge la oportunidad de un cambio de paradigma fundamental. Entre ellos, los bloques más reutilizados son los elementos de la propiedad intelectual.
Dai Bo: Empecé a interesarme por la IA generativa en 2014, cuando cursaba el doctorado, y he seguido de cerca su evolución desde entonces. En 2022, al ver el grado de madurez alcanzado por Stable Diffusion, pensé que la tecnología había llegado a un punto crítico.
En 2023 creamos un proyecto de generación de vídeos llamado AnimateDiff; en cuanto lo terminamos, se lo envié a Xiu Han para que lo viera, y él me dijo directamente: «Siempre había querido algo así».Tras publicarlo como código abierto, en unos dos o tres meses toda la comunidad de Stable Diffusion se interesó por él. En Reddit sigue habiendo un subforo dedicado a ello, e incluso ahora que existe Seedance, sigue habiendo gente que utiliza AnimateDiff para crear todo tipo de contenidos.
Esto me hizo darme cuenta de que parece que yo también puedo dominar esta tecnología tan consolidada. Al principio, nos inclinábamos por avanzar mediante la colaboración: yo me encargaba de la parte técnica, ya fuera en código abierto o en colaboración. Pero, tras probarlo durante la segunda mitad de 2023, la sensación general era de que no avanzábamos lo suficientemente rápido.AnimateDiff se terminó en mayo y se se lo envié a Xiu Han en julio, pero no fue hasta octubre cuando realmente empezó a generar expectación, es decir, tres meses después. Si no te pones manos a la obra tú mismo, el progreso es muy lento.
En ese momento, empiezas a preguntarte: ¿es suerte, una casualidad o algo inevitable? La mejor forma es abordar directamente las necesidades, ya que solo así sabremos en qué dirección debe acelerarse la iteración tecnológica. Por eso decidimos ponernos manos a la obra y desarrollar una infraestructura de IA sólida.Creemos que de esta infraestructura surgirán aplicaciones más nativas, y para ello es necesario que los usuarios evolucionen sus ideas a lo largo del proceso.
02
Características de las aplicaciones nativas de IA:
Proactivo, en tiempo real, consumo en el momento de la generación
«Si se tratara de un modelo basado exclusivamente en la creación previa y la posterior distribución, no tendría mucha confianza en que pudiera superar a Douyin. Por eso apoyo totalmente el concepto de “consumo durante la creación”».
Xiaoning: Todos decís que estáis creando «algo nuevo»; para ser más concretos, ¿cómo os imagináis ese «lejos» desde el punto de vista de la experiencia?
Dai Bo: No puedo describir su forma concreta, pero sí puedo enumerar las características que debería tener. La principal característica de la IA generativa es su incertidumbre —una incertidumbre dentro de unos límites controlables—.El término «IA», desde su aparición en 1956, se definió con el concepto de «creatividad»: ¿es capaz de realizar conjeturas fundamentadas? Tienes el control, estás bien informado, pero también existe la incertidumbre.
Esta incertidumbre implica que las aplicaciones nativas de IA deben funcionar en tiempo real. No se trata de generar contenido sin conexión para que luego el usuario lo consuma, sino de que, durante la interacción en tiempo real, el modelo colabore con la persona para razonar y generar contenido.
La segunda característica es el paso de un enfoque pasivo a uno activo. No espera a que seas tú quien actúe, sino que te proporciona retroalimentación y estímulos de forma proactiva. Por lo tanto, las dos características más destacadas de la nueva aplicación son: la proactividad y la infinidad en tiempo real.
Xiu Han: Desde el punto de vista comercial y de la demanda, también se llega a una conclusión similar. Cuando el usuario ve el contenido de otros en la comunidad, es más bien como si viera un anuncio; el proceso de consumo real tiene lugar en el momento en que él mismo genera ese contenido.
Si lo proyectamos a largo plazo: la forma definitiva a largo plazo es, en cierto sentido, la fantasía común de la humanidad: el espacio virtual o una experiencia al estilo de «World of West». Sin embargo, habrá algunos aspectos que los contenidos tradicionales no podrán abarcar, por lo que el papel de la propiedad intelectual (IP) será aún más importante, ya que, dado que cada contenido es variable, se necesita algo constante que facilite el reconocimiento; si todo cambia en un sistema, este resulta inutilizable.La «cola larga» será más marcada y el carácter personal, más acentuado, ya que la calidad genérica ya se ha resuelto muy bien; la siguiente cuestión es cómo producir «calidad no genérica». La relación entre la oferta y la demanda hará que la distribución de los beneficios económicos se desplace también en esta dirección, y la calidad genérica se devaluará.
Ya se puede observar esta tendencia: los vídeos de chicas guapas bailando generados por IA que abundan en muchas plataformas, aunque siguen teniendo valor en términos de tráfico, resultan muy difíciles de aprovechar para vender productos. Este es el proceso de revalorización y devaluación que se está produciendo.
Xiaoning: Habéis mencionado varias veces el término «IP». En la era de la IA, ¿cómo debemos entender el concepto de «IP»?
Xiu Han: Es posible que, en la era de la IA, la propiedad intelectual no sea lo que entendemos hoy en día como propiedad intelectual en el ámbito comercial. El concepto de propiedad intelectual surgió con la industria de la imprenta y, en esencia, es un sistema derivado de la tecnología de dicha industria. En cierta medida, la IA ha rompido por completo la hipótesis básica de que «la producción de cada contenido requiere trabajo humano».
Lo que yo considero que es la esencia es lo siguiente: una IP es un consenso sobre un tipo de contenido. Ya sea un consenso sobre una imagen o sobre el contexto de una historia, todo el mundo comparte una percepción común al respecto. A veces se manifiesta en forma de meme, otras veces como una broma recurrente. En esencia, se trata de «repetidores» que la gente utiliza una y otra vez y que, a largo plazo, constituyen una IP en cierto sentido.
03
Creación y recreación,
La lógica real del contenido generado por los usuarios (UGC) y las oportunidades en el ámbito de las aplicaciones
«Hay que diferenciar claramente entre “creation” y “recreation”. La “recreation” —el ocio— es una actividad de contenido generado por los usuarios (UGC) muy amplia, que exige una gran calidad en el proceso, pero no tanto en el resultado».
Xiaoning: Nuestra generación está muy bien atendida por los contenidos PGC. ¿De verdad tenemos tanta necesidad de contenidos UGC? Si el consumo depende esencialmente de que los propios usuarios participen en el proceso de creación, ¿no se están exigiendo demasiado a las personas?
Dai Bo: Volviendo a lo que decía Xiu Han, el verdadero proceso de consumo tiene lugar durante el proceso creativo, y el contenido resultante se parece más a un tráiler. Este espacio sigue existiendo, porque todo el mundo tiene ganas de expresarse. Douyin, al permitir grabar momentos de la vida cotidiana con la cámara, ofrece una vía para el contenido generado por los usuarios (UGC).
En cuanto a la segunda cuestión, la creatividad tiene dos aspectos: la motivación y la capacidad. La IA generativa aporta la capacidad. ¿Y por qué insisto en que la aplicación debe ser proactiva? Precisamente para resolver el problema de la motivación.Puedes tener inspiración, pero el proceso creativo no es fácil; por ejemplo, muchos escritores dicen que crear es, en realidad, muy doloroso. El modelo de creación interactivo te permite partir de pequeñas ideas y mantener poco a poco el entusiasmo. La IA generativa es precisamente la respuesta a esta paradoja.
Xiu Han: Añadiré algo desde otro punto de vista. Es posible que los oyentes de este podcast vean las cosas más bien desde la perspectiva de los videojuegos; no negamos que, en general, el sector de los videojuegos esté dominado por el PGC. Pero si lo miramos desde el punto de vista más amplio de la experiencia lúdica como forma de entretenimiento, el UGC está presente en todas partes.
Las experiencias orientadas al servicio se caracterizan por que los creadores deben diseñar con gran dedicación para su público, lo que exige un alto nivel de exigencia y, por lo tanto, se limita inevitablemente a un grupo reducido de personas. Sin embargo, gran parte del contenido generado por los usuarios (UGC) es, en esencia, una forma de complacerse a uno mismo, tiene un carácter social y su esencia radica en la expresión personal.Desde los juegos con filtros de Douyin hasta las actividades presenciales como tejer jerséis, hacer manualidades con abalorios o montar con Lego, lo primero es disfrutar del proceso de «flujo» y, después, imaginar que se puede crear algo bonito para mostrarlo. El alarde es algo derivado, pero es importante contar con ese espacio para la imaginación.
No conozco a nadie que se dedique a la fotografía y no quiera que sus fotos salgan bien. Sin embargo, entre quienes compran equipo para divertirse por su cuenta, es posible que muy pocos compartan sus fotos, pero sigue siendo una actividad de ocio muy gratificante.
El ocio —una actividad que, en sus inicios, no se centra en la expresión pura— exige una gran calidad en el proceso, pero no tanto en el resultado. Basta con que un pequeño grupo te apoye constantemente para sentirte feliz. Esto se ajusta al valor del contenido del «efecto de la cola larga». Además, en el contenido no existe un UGC (contenido generado por el usuario) ni un PGC (contenido generado por profesionales) absolutos.Si creas algo utilizando una plantilla de TikTok —que muy probablemente sea de origen PGC—, el contenido final es fruto de tu expresión y de la plantilla; a veces resulta difícil determinar quién ha contribuido más. De hecho, la IA ofrece una garantía universal de calidad básica.
Partiendo de esta base, cualquier forma de entretenimiento a largo plazo cuenta con cuatro elementos clave: en primer lugar, el personaje —tu propio representante, tu punto de vista—; en segundo lugar, el entorno y el mundo; en tercer lugar, las reglas —las normas de juego derivadas de ellos—; y, en cuarto lugar, la forma de interacción.
Ahora todo el mundo busca una forma de interacción fija para desarrollar simulaciones de plataformas estables, pero Vibe Coding ha puesto en tela de juicio este enfoque. Lo que no cambia fácilmente son el mundo y las reglas. Los personajes son lo más fácil de crear al principio, pero también es muy probable que se descarten una vez utilizados; el entorno y las reglas, en cambio, tienden a perdurar, lo que permite crear una serie de sistemas dinámicos.
Con todo esto se puede crear un «Creative Harness»: ¿cómo convertir la IA en un caballo salvaje que se pueda domar? No está encerrado en una jaula, sigue dando sorpresas, pero al mismo tiempo lo tienes atado para que galope en una dirección determinada y divierta a todo el mundo.
Xiaoning: Si se lograra la coherencia visual, ¿qué cambiaría?
Dai Bo: La clave está en la capacidad de razonamiento en tiempo real. Si, partiendo de la estabilidad del razonamiento a largo plazo, se consigue reducir el retraso de cada razonamiento individual hasta alcanzar el tiempo real, ya no se está utilizando una simple herramienta, sino que se está interactuando con un agente dentro de un modelo completo del mundo. En cierto sentido, es como el «Oasis» de la película *Ready Player One*.
Xiaoning: ¿Dónde está la mayor oportunidad en la capa de aplicaciones? En «Ready Player One», el Oasis también fue creado por alguien, ¿no?
Dai Bo: Lo más importante no es que alguien haya creado un oasis, sino que alguien haya proporcionado los bloques de construcción para crearlo. El oasis final está formado por un sinfín de planetas, y cada uno de ellos lo crea el propio usuario. Gracias a la flexibilidad de los bloques, puede construir diferentes visiones del mundo y establecer sus propias reglas.Como dice Xiu Han, la diversión reside en el proceso de construcción. Una vez terminada la construcción —o incluso sin necesidad de terminarla—, pueden sumarse innumerables personas para seguir participando y construir juntos. El punto de partida es que alguien te ha proporcionado el espacio y los bloques para que construyas.
Xiu Han: Quisiera añadir algo: ¿por qué existe esta necesidad a largo plazo? La percepción y la experiencia que las personas tienen del entorno contribuyen, en esencia, a construir en su mente una comprensión del mundo. No se puede comprender de verdad algo que nunca se ha vivido en primera persona. Por lo tanto, en esencia, se trata de ofrecer múltiples vidas.
Las necesidades de las personas no son más que alargar la vida, aumentar el tiempo dedicado a las experiencias y multiplicar las experiencias en una unidad de tiempo determinada; por lo tanto, crear infraestructuras que ofrezcan más experiencias vitales constituye, en sí mismo, la mayor oportunidad. Estas experiencias no pueden ser creadas y ofrecidas íntegramente por otros; eso sería, en cierta medida, una falacia.
Dai Bo: Muchas veces, lo que nos limita en el mundo real es la idea de que «tengo que elegir y solo puedo seguir un camino».Un modelo del mundo debería poder crear esa posibilidad. En esencia, es lo mismo que un juego: «jugar» es pasear por todas partes, e «interactuar» es tocar aquí y allá para interactuar. Algunos aspectos de los juegos anteriores adoptaron su forma actual debido a las limitaciones técnicas, pero eso no es un límite de la imaginación humana, sino una limitación de la tecnología. Es necesario liberarnos de esa restricción.
Xiu Han: Voy a plantear un pequeño contraargumento. «El videojuego es un arte con limitaciones»: desde el punto de vista de los videojuegos tradicionales, esto es totalmente válido, y es precisamente la razón principal por la que respeto tanto al sector de los videojuegos.Rara vez decimos que «los usuarios pueden crear videojuegos directamente», porque respeto mucho la definición de «juego» en sentido estricto. Se trata de una planificación de experiencias —al igual que una boda, algo que quizá solo se viva una vez en la vida—; es muy sutil cómo se han ido forjando las normas y requisitos actuales, no basta con improvisar una experiencia sobre la marcha.
Sin embargo, los módulos de experiencia se pueden desglosar y diseñar de forma sistemática. Por ejemplo, en muchos videojuegos de mundo abierto actuales, la gente suele decir que parecen un «monstruo de Frankenstein», ya que incluyen numerosas formas de juego e incluso se intenta incorporar la experiencia de ver una película. Se trata de una tendencia impulsada por el entorno y el mundo, en la que se integran múltiples formas de juego.
Sin embargo, para sacar el máximo partido a la IA, se debe partir de lo básico y ir avanzando hacia lo más complejo, en lugar de desglosar la experiencia profesional en partes más pequeñas. Y es que desglosar la experiencia profesional limita el potencial de la IA.Suelo decir que «desde la perspectiva del juego, si los activos no tienen peso, siempre da la sensación de que no se les puede respetar». Esta perspectiva hace que, al desglosar el juego en contenido generado por los usuarios (UGC), siempre quede un regusto difícil de definir.
Por eso nos preguntamos: desde una perspectiva nativa de la IA, ¿cuáles son los módulos más pequeños con los que sería mejor construirla? Las partes que resulten difíciles de construir, que las haga primero el ser humano. Muchas de las soluciones reales para el contenido generado por los usuarios (UGC) surgen de una lógica más nativa, que parte de lo pequeño y va creciendo poco a poco.
04
Modelo del mundo,
De «los ciegos y el elefante» a la arquitectura de tres capas
«El modelo del mundo debería transmitir una sensación de vida. Esa sensación de vida consiste en que se mueva».
Xiaoning: Si queremos capacidad de tiempo real, capacidad de razonamiento y creatividad controlada, ¿qué nos falta hoy para lograrlo?
Xiu Han: Los elementos ya están implementados, pero aún no se han integrado bien en su conjunto para ofrecer una experiencia satisfactoria a los usuarios. No es que ahora no se pueda empezar a crear personajes, a construir un mundo orientado a la IA o a establecer reglas con las que se pueda jugar en el futuro; por ejemplo, en los productos tipo «taberna», se trata principalmente de establecer reglas de juego hasta cierto punto;quizá nos centremos más en los elementos del entorno y el consenso visual desde la perspectiva que va de los personajes al mundo. Sin embargo, si la capacidad de respuesta en tiempo real y la sostenibilidad del modelo presentan muchos cuellos de botella y los costes son elevados, la transformación de la experiencia que podrán ofrecer las reglas creadas acabará siendo limitada.
Dai Bo: La situación actual me da la sensación de estar a la vez muy cerca y muy lejos. Se dan todos los elementos, pero de una forma muy generalista —se abarcan todas las direcciones—, lo que significa que ya se puede empezar a combinarlos. En cuanto a la «maduración» de la visión del mundo y las reglas a la que se refiere Xiu Han, esta maduración no tendrá que volver a empezar desde cero por la evolución de la tecnología.
Sin embargo, la tecnología presenta carencias en tres aspectos: profundidad, amplitud y dimensión. Profundidad: por ejemplo, en las escenas de taberna, empiezan a surgir problemas cuando se alarga la complejidad de la trama o la duración de la interpretación.Amplitud: en los distintos géneros siempre hay una distinción entre lo que se domina y lo que no. Dimensiones: los modelos basados en texto y en el lenguaje cuentan con elementos más completos; sin embargo, aún hay una gran carencia en lo que respecta a modelos de mundo más visuales y tridimensionales.
En general, se puede combinar este estado «que no es cero», pero si realmente se quiere llegar al final, al menos desde el punto de vista técnico hay que tomarse un respiro para reflexionar sobre la estética técnica y, a continuación, seguir avanzando a un ritmo bastante rápido.
Xiaoning: ¿Cómo entendéis el concepto de «modelo del mundo»?
Dai Bo: Hoy en día hay mucha gente que habla de modelos del mundo, y la expresión más adecuada para describirlo es: «los ciegos tocando al elefante». Dependiendo de sus respectivos contextos y situaciones de aplicación, cada persona palpa una parte diferente del elefante.
Mi interpretación es muy sencilla: se trata de un juego similar al metaverso, que debería contar con todos los elementos que hay en el mundo real; lo dividimos en tres niveles.
Primer nivel: el nivel lógico/de ideas — La idea de cada entidad dinámica: ¿por qué realizo estas actividades?
Segundo nivel: el nivel dinámico. Una vez que tengo una idea, ¿cómo la pongo en práctica?
Tercer nivel: nivel estático/de representación: se trata de incorporar las acciones dinámicas en un entorno para presentarlas. Da igual si se trata de un entorno 3D creado con un motor de videojuegos tradicional, de un entorno 3D generado por IA —como el World Lab de la profesora Li Feifei— o de un entorno de vídeo, como el representado por Genie 3 de Google.
Dependiendo de la situación, es posible que no sea necesario desarrollar las tres capas. Sin embargo, un modelo del mundo auténtico se caracteriza por su capacidad para reflejar fielmente la realidad; es un modelo vivo, en el que cada entidad dinámica tiene sus propias ideas y planes.
Xiu Han: Espero que, como mínimo, sea un sistema continuo y con su propia dinámica interna.El problema actual es que, cuando un personaje pasa de una escena a otra, hay una discontinuidad; o bien no actúa de forma autónoma, y si no lo impulsas, no se mueve. Sin embargo, en el mundo real y en las experiencias presenciales, gran parte de lo que hacemos se debe a que el propio entorno nos ayuda a alcanzar nuestros objetivos. Si logramos resolver los problemas de continuidad y autonomía, muchas de las hipótesis que teníamos anteriormente sobre el contenido de calidad podrían modificarse.
Xiaoning: En cuanto al entrenamiento de los modelos visuales, ¿se enfrentan a retos muy diferentes a los de los modelos de lenguaje?
Dai Bo: El paradigma de los modelos de lenguaje es la predicción del siguiente token, mientras que los modelos del mundo hacen hincapié en la predicción del siguiente estado.De hecho, los modelos lingüísticos también pueden implementar el modelo del mundo en el ámbito del lenguaje: se utiliza el texto para mantener el estado del mundo. Por eso es tan importante la capacidad de programar: ofrece una forma constante, estable y coherente de comprobar el proceso de razonamiento del modelo y la precisión de su lógica. Si se tratara únicamente de una descripción en lenguaje natural, uno se vería sumido en el dilema de «¿es que realmente no lo entiende o es que no lo ha explicado con claridad?».
El contenido visual también requiere coherencia, pero no una coherencia lógica, sino una coherencia con la intuición física. Quiero destacar que, desde el punto de vista de la aplicación, lo que buscamos no es la «coherencia física», sino la «coherencia con la intuición física». Las personas no se paramos a calcular si las leyes físicas que subyacen al contenido visual son coherentes; siempre que no resulte incongruente, consideramos que se ajusta a la intuición física.
Xiaoning: En el ámbito del entretenimiento interactivo, ¿cuáles son los retos que hay que superar en el ámbito visual?
Dai Bo: El método tradicional consiste en crear el contenido del mundo mediante un motor de videojuegos. La forma en que los motores de videojuegos incorporan las leyes de la física es bastante «rígida»: se trata de simulación tradicional, en la que las fórmulas se introducen directamente para realizar los cálculos.En cambio, a una red neuronal solo se le indican la entrada y la salida; el proceso intermedio, desde la entrada hasta la salida, lo aprende por sí misma, sin ninguna guía basada en leyes o fórmulas, lo cual es muy «flexible». Sin embargo, el problema que esto plantea es que tiende a tomar atajos, por lo que no se puede determinar si las leyes que extrae coinciden con las que uno desea.
Por lo tanto, la cuestión que hay que resolver ahora es: ¿cómo combinar las ventajas de ambos? Cómo contar tanto con la flexibilidad de lo «blando» como con la garantía de lo «duro». Solo así se podrá lograr la coherencia a largo plazo en el contenido visual.
Desde el punto de vista de la estructura del contenido visual, el modelo debería saber qué es lo que está representando. No se trata de «de qué color es este píxel ahora y cómo debería cambiar en el siguiente instante», sino de saber que «este píxel pertenece a la mano de una persona, que en el siguiente instante es la mano entera la que cambia y, por lo tanto, cómo debería cambiar la proyección sobre el píxel».Con esta percepción, más acorde con la estructura de la realidad, se puede resolver de raíz el problema de las alucinaciones, que, en esencia, se deben a que el modelo desconoce el significado de los píxeles que genera.
Xiaoning: El modelo de código abierto que habéis publicado recientemente se centra en la memoria y la planificación, ¿por qué?
Dai Bo: Estamos evolucionando de forma sincronizada en tres niveles: el nivel de las ideas, el nivel dinámico y el nivel estático. Incluso en el nivel dinámico intermedio, estamos construyendo un modelo del mundo cinético y acabamos de completar una innovación en la arquitectura del modelo.Por poner un ejemplo: es como si la arquitectura Transformer ya estuviera definida y lo que quedara fuera el proceso de pasar de GPT-1 a GPT-2 y de ahí a GPT-3.
Las tres capas evolucionan de forma sincronizada, y cada una tiene su propio grado de madurez tecnológica y su propio ritmo. La capa de las ideas avanza a un ritmo algo más rápido, debido al rápido desarrollo y la gran madurez de las tecnologías relacionadas con los agentes inteligentes. Consideramos que la capa dinámica es muy importante, aunque actualmente sea una parte que todo el mundo pasa por alto; queda oculta tras la ola de la inteligencia encarnada, pero resulta igualmente clave para el entretenimiento interactivo.
Xiaoning: ¿Cómo se entiende el «modelo del mundo cinético»?
Dai Bo: El movimiento, como parte del estado del mundo, debe regirse por las leyes de la física. Las leyes físicas del movimiento que el ser humano ha deducido a partir de la realidad se denominan, en conjunto, «dinámica»: la cinemática humana, la dinámica de la ropa, la dinámica de fluidos, la aerodinámica, etc. Lo que hacemos es integrar los principios físicos a priori de la dinámica en la arquitectura Transformer, lo que permite que la predicción del estado siguiente sea muy estable.
Xiaoning: ¿Por qué es tan importante la capa dinámica en los entornos de entretenimiento interactivo?
Dai Bo: En un entorno estático no puede hablarse de interacción. Sin un espacio dinámico ni un soporte dinámico, no puede hablarse de iniciativa ni de interacción. En lo estático solo puedes participar de forma unidireccional, ya que no hay retroalimentación. Solo lo dinámico te proporciona retroalimentación, y es a través de ella como surgen nuevas posibilidades y se generan continuamente experiencias y contenidos cada vez más amplios.
En pocas palabras: el modelo del mundo debe dar la sensación de estar vivo. Esa sensación de estar vivo significa que se mueve; si se queda inmóvil, resulta bastante inquietante.
Xiaoning: Los vídeos, por naturaleza, son dinámicos. ¿Qué quieres decir al destacar especialmente ese aspecto dinámico?
Dai Bo: Es cierto que el vídeo se mueve, pero la continuidad a nivel de píxeles no implica que las leyes subyacentes sean uniformes; de ahí que se produzcan la acumulación de errores y las ilusiones ópticas. O bien se utilizan más datos para obligar al modelo a aprender por sí mismo un conjunto de leyes físicas uniformes, o bien se incorporan al modelo, como datos a priori, las leyes físicas que el ser humano ha acumulado en la realidad. Ambas opciones son válidas.
Por otra parte, la generación de vídeo consiste en modelar conjuntamente, en un mismo modelo, la representación del entorno estático y el movimiento.Creo que deberían separarse. Un ejemplo intuitivo: estamos sentados en una habitación y yo hago un gesto con la mano; desde un punto de vista lógico, solo se actualizan los estados relacionados con la persona, mientras que el entorno no debería actualizarse conmigo. Es como si, en un videojuego, un personaje diera un paso adelante y todo el entorno se regenerara por completo, lo cual no es lógico.
05
Sobrevaloración y subvaloración,
Cómo pueden los emprendedores superar los ciclos tecnológicos
«Cuando las cosas van despacio, a una empresa le cuesta bastante desaparecer; cuando van rápido, es muy fácil que desaparezca. Mucha gente tiene la falsa impresión de que, cuando las cosas van rápido, es cuando surgen las oportunidades».
Xiaoning: ¿Cómo distinguís si algo es simplemente una cuestión técnica que parece muy avanzada o si realmente puede dar lugar a algo nuevo?
Dai Bo: Analizamos una tecnología partiendo de principios cualitativos objetivos: dejando de lado los términos técnicos, nos centramos en cuál es realmente el punto en el que supone un avance.
¿Qué es lo que se tiende a sobrevalorar? En primer lugar, la velocidad de iteración; en segundo lugar, la capacidad de adaptación de las personas.A las personas les cuesta imaginar cosas que no han vivido. Incluso quienes desarrollamos estas tecnologías tenemos nuestras limitaciones: una vez creado AnimateDiff, no tiene por qué ser que seamos nosotros quienes acabemos creando contenidos de gran calidad con él. Por eso siempre me he mostrado bastante comedido y no me gusta definir cuáles son exactamente las aplicaciones nativas del modelo mundial.
Xiu Han: Desde una perspectiva técnica, es fácil sobreestimar la velocidad de implementación de una aplicación y subestimar el coste que supone cambiar la mentalidad de los usuarios.El error más común de los últimos años ha sido centrarse excesivamente en el resultado final. La ausencia de las condiciones básicas necesarias es la razón fundamental por la que, en el pasado, resultaba tan difícil «desarrollar productos de IA desde una perspectiva puramente de gestor de producto»: el resultado era, o bien una experiencia insostenible que se esfumaba en cuanto pasaba la novedad, o bien un producto con características puntuales que no sorprendían lo suficiente. Estas dos facetas siempre han estado en conflicto.
Xiaoning: El ritmo de desarrollo de las tecnologías subyacentes de la IA no deja de cambiar: en el primer semestre de 2023 fue muy rápido, en 2024 se mantuvo relativamente estable y, en los últimos seis meses, ha vuelto a acelerarse mucho. ¿Qué etapa te gusta más?
Xiu Han: Cada situación tiene sus propios retos. La cuestión fundamental es: cuando las cosas van despacio, hay que pensar en lo que la empresa está acumulando; cuando van rápido, hay que saber cómo relacionar de inmediato esa acumulación con los cambios rápidos, para no entrar en pánico en esos momentos.
Otra paradoja es que, cuando las cosas van despacio, a las empresas les cuesta bastante desaparecer, mientras que cuando van rápido, es muy fácil que desaparezcan. Mucha gente tiene la falsa impresión de que, cuando las cosas van rápido, es cuando surgen las oportunidades.
Xiaoning: Si os encontrarais ante una nueva tecnología revolucionaria, ¿cuál sería vuestra primera reacción?
Dai Bo: Lo primero es rastrear el origen: de dónde ha surgido, en qué se diferencia y por qué ha causado tanto revuelo.En mi ámbito de visión, no suele dar la sensación de que las nuevas tecnologías surjan de la nada. Hay dos aspectos importantes: en primer lugar, dejar de lado el ruido y comprender la esencia del cambio; en segundo lugar, reflexionar: ¿por qué no he sido yo quien ha impulsado este cambio? Solo así, a la larga, se puede llegar a ser un líder.
Xiu Han: Nuestra primera reacción es ponerlo a prueba cuanto antes para ver de qué nivel se trata, ya que hoy en día hay demasiados casos de «cherry picking» en los artículos científicos. Una vez superada esa fase de evaluación, lo que nos interesa es si mejora la experiencia del usuario en el flujo principal.Muchas tecnologías son meros adornos y no suelen influir demasiado en la experiencia principal. Un criterio fundamental es si el usuario está dispuesto a volver y gastar más tokens. Si supone una mejora o un cambio significativo en el ciclo principal del usuario, entonces es un cambio que hay que aprovechar sin duda.
Xiaoning: Últimamente habéis hablado bastante, ¿cuál es el tema del que más habláis?
Dai Bo: Por un lado, el avance tecnológico sigue siendo demasiado lento.
Especialmente en lo que respecta al contenido visual. Aunque los modelos de generación de vídeo están avanzando muy bien, lo hacen con demasiada lentitud en aspectos clave: no se están desarrollando exclusivamente en la dirección del entretenimiento interactivo, ya que hay otras fuerzas que los impulsan. En segundo lugar, hay que analizar qué tecnologías son solo moda y cuáles tienen verdadero potencial.Lo que más esperamos es que, dado que la tecnología se encuentra en una fase en la que «los ciegos se palpan el elefante», podamos compartir una visión común en cuanto a los escenarios de aplicación.
Xiaoning: En este contexto, ¿cuál es la capacidad más importante que debe tener un fundador a la hora de crear una empresa dedicada al desarrollo de aplicaciones?
Xiu Han: Desde mi punto de vista, creo que nos guiamos por la tenacidad a la hora de trabajar.Siempre he pensado que se pueden lograr resultados parciales de muchas formas diferentes: hay quien practica el surf y hay quien escala montañas. Lo más importante es tener una visión clara de uno mismo, conocerse a uno mismo y conocer al equipo, y no obligarse a hacer cosas para las que no se está preparado. Si se establecen expectativas demasiado altas, al equipo le resultará difícil sacar el máximo partido a sus puntos fuertes y lograr resultados que superen el nivel de los demás.
Dai Bo: Deja a un lado el ego, analiza la evolución tecnológica de forma objetiva, deduce la arquitectura y los elementos finales partiendo de los principios fundamentales y, a continuación, combinando las fortalezas del equipo, elige la dirección en la que el descenso por gradiente sea más rápido y avanza por ella. Es especialmente importante evitar el ego que genera la tecnología.
Xiaoning: ¿Qué es lo que más os gustaría conseguir en los próximos dos o tres años?
Xiu Han: Estamos construyendo poco a poco un sistema de trabajo para «construir juntos el mundo», en el que colaboran tanto las personas como los agentes.La cuestión fundamental para los próximos dos o tres años es: ¿será posible crear experiencias de una calidad realmente lo suficientemente alta, capaces de competir en igualdad de condiciones con otros tipos de consumo? En cuanto surjan los primeros modelos de este tipo, la eficiencia sistémica mejorará y, a partir de ahí, será muy difícil frenar el proceso.
Por lo tanto, en esencia estamos abordando el mecanismo del arranque en frío: el problema definido, o mejor dicho, el problema del protocolo. A continuación, es posible que realicemos más experimentos en el extranjero, y el impulso definitivo se reflejará en los resultados emergentes que surjan de estas combinaciones.
Xiaoning: En el último año, ¿la comercialización ha supuesto una presión y un reto?
Xiu Han: Hay buenas y malas noticias. La buena noticia es que la disposición a pagar y la tasa de pago en los juegos interactivos son mejores de lo previsto a nivel mundial. La mala noticia es que el coste de los tokens y los precios del nuevo modelo no han bajado, por lo que la presión de los costes seguirá existiendo. Por eso, ahora me inclino por aprovechar al máximo nuestro potencial, pero sin llegar al límite.Los ingresos crecerán de forma natural a medida que avance el proceso, quizá de una manera más natural de lo que todos pensamos.
Dai Bo: En los próximos dos o tres años seguiremos construyendo el modelo básico del mundo según una estructura de tres capas y, partiendo de ahí, exploraremos las aplicaciones nativas; tenemos bastante clara la visión general del panorama tecnológico.También prestaremos mucha atención al desarrollo de la IA agentiva: por un lado, forma parte de la capa conceptual del modelo del mundo y, por otro, es una fuente de productividad. Si realmente consigue mejorar la eficiencia, muchas cosas se adelantarán. Quizá dos años sea demasiado tiempo; en el ámbito de la IA, dos años son muchísimo tiempo.
Xiaoning: ¿Queréis desarrollar vuestras propias aplicaciones o no os conformáis con limitaros a crear modelos?
Dai Bo: Es fundamental perfeccionar nuestros conocimientos en el ámbito de las aplicaciones. Alejarse de los escenarios de aplicación puede desviar la evolución tecnológica; además, nos referimos a aplicaciones nativas basadas en modelos del mundo, al igual que los modelos lingüísticos en los que se basa ChatGPT: la distancia entre el modelo y la aplicación no es tan grande.
Xiaoning: ¿Esta aplicación será una herramienta o un contenido?
Dai Bo: Desde luego que no es una herramienta, sino una aplicación de entretenimiento interactivo, y tampoco es contenido en el sentido tradicional: en cuanto el usuario entra, se dedica al mismo tiempo a consumir y a crear contenido.
Xiaoning: ¿Se podría entender como una plataforma?
Dai Bo: Creo que se trata de una plataforma, pero ahora soy bastante cauteloso a la hora de describirla. Es como ChatGPT: cuando el modelo madura, rápidamente se convierte en un consenso. Por eso, ahora no quiero definirla con los términos existentes.
原创文章，作者：游茶妹儿，禁止转载：https://youxichaguan.com/es/archives/216124
