En la industria de los videojuegos, hay un tipo de trabajo del que se habla muy poco, pero que consume una gran cantidad de tiempo y presupuesto. No se trata de la jugabilidad, ni de los niveles, ni del estilo artístico, del que se suele hablar más a menudo. Se trata de esos elementos de la fase final del proceso artístico: la retopología, el mapeado UV, la aplicación de pesos, el rigging de esqueletos…Por muy bonito que esté esculpido el modelo de alta resolución de un personaje, si el cableado subyacente tiene problemas, el error se nota en cuanto se aplica la animación. A continuación viene un largo proceso de retroceso: modificar la topología, volver a aplicar los UV, volver a texturizar, volver a realizar el binding y volver a animar; un cambio en un punto afecta a todo el conjunto. Estas tareas suelen tener un componente creativo bajo, pero son precisamente las que determinan si un activo 3D puede entrar realmente en producción.En los últimos dos años, las imágenes y los vídeos generados por IA han creado unas expectativas muy altas, por lo que, naturalmente, el 3D con IA se ha convertido en la próxima gran expectación. Hay mucha gente trabajando en ello y no faltan demos impresionantes, pero quienes realmente tienen que utilizar estos modelos en la producción saben muy bien que aún queda un largo camino por recorrer desde que sean simplemente «utilizables» hasta que sean realmente «prácticos» y «fáciles de usar».Muchos modelos de alta resolución parecen impresionantes a simple vista, pero al introducirlos en el flujo de trabajo no superan la primera prueba. La malla subyacente es un amasijo de polígonos fragmentados sin lógica, imposible de editar; el renderizado en tiempo real no da abasto y, por supuesto, la animación ni siquiera se puede plantear.¿Qué diferencia hay realmente entre «que parezca 3D» y «3D realmente funcional»? ¿Hay alguien que esté cruzando realmente esta brecha? En este episodio del podcast 405 Youju hemos invitado a Cao Yanpei, científico jefe de VAST.VAST se fundó en 2023 y se centra en los grandes modelos 3D de IA y los modelos de mundo; recientemente ha completado una ronda de financiación Serie A de 50 millones de dólares, liderada conjuntamente por Alibaba y Hengxu Capital. Su producto, Tripo, ya cuenta con numerosas aplicaciones prácticas en el sector.La versión Tripo P1.0, lanzada este mismo mes de marzo, no apuesta por «una mejor estética», sino por la «usabilidad nativa», y busca generar en menos de dos segundos mallas de baja resolución con una topología limpia y compatibles con los motores de juego.
Que se puedan utilizar es solo el primer paso; los activos también deben ser dinámicos e interactivos. El siguiente reto es la generación automática de enlaces y animaciones, y más adelante, dotar a los propios activos de lógica de comportamiento. Siguiendo esta línea, llegamos al modelo de mundo: no se trata solo de crear objetos, sino de crear un mundo en el que esos objetos puedan funcionar.Recientemente también han dado a conocer investigaciones preliminares sobre el modelo del mundo y, según se dice, el primer modelo de este tipo no tardará en llegar. Cao Yanpei es el responsable técnico detrás de estos modelos; se licenció y se doctoró en la Universidad de Tsinghua y, anteriormente, dirigió la investigación sobre 3D generativo en Tencent.Durante una conversación de casi una hora y media, utilizó la metáfora de un «farolillo de papel» para explicar con claridad la estructura de los activos 3D: qué función cumplen la malla, la topología, los UV y el esqueleto, y por qué en el flujo de trabajo tradicional hay que volver a trabajar una y otra vez en los mismos aspectos.Tampoco ocultó las carencias actuales: los problemas de topología están prácticamente resueltos, pero el rigging y la animación aún están lejos de estar listos para la producción.Sin embargo, precisamente porque el camino del 3D es realmente más difícil, su valoración a la hora de elegir la ruta a seguir resulta aún más digna de atención: la mayoría de los investigadores apuestan por el vídeo como vía principal hacia los modelos del mundo, pero él considera que eso es tomar una proyección tras una reducción de dimensiones como si fuera una señal nativa.Y es que el 3D es la forma original de representar el mundo físico, cuyo valor a largo plazo se ha subestimado gravemente. Más allá de esta vía, también planteó una cuestión aún más amplia: si un día se pudieran generar 100 000 activos, ¿seguirías creando juegos igual que hoy?
Quizás, cuando el umbral de acceso a la generación 3D se haya reducido lo suficiente, surjan novedades en el ámbito del entretenimiento interactivo.
A continuación se incluye el diálogo completo, recopilado por «Game Teahouse» con autorización y editado.
01
De «parece» a «realmente funciona»: ¿en qué consiste exactamente la dificultad del 3D?
«Las imágenes y los vídeos no son más que una capa superficial de píxeles en 2D, mientras que los modelos 3D deben tener una estructura precisa, una topología razonable y un esqueleto que permita calcular las colisiones físicas en el motor; entre ambos hay un abismo enorme».
Xiaoning: En los últimos dos años hemos visto muchas imágenes y vídeos generados por IA, pero si damos un paso más allá, el 3D es, en realidad, un tema aún más crucial y complejo: no se trata solo de generar algo, sino de integrarse de verdad en los procesos de creación de videojuegos y contenidos.
Hoy queremos plantear la cuestión de forma más concreta: ¿en qué consiste exactamente la dificultad de la IA 3D? ¿Qué pasos debe seguir un proceso de producción que realmente pueda llegar a la fase de producción? ¿En qué punto se encuentra actualmente el sector?
Cao Yanpei: Has dado en el clavo al señalar el punto débil del ámbito de la generación 3D. En los últimos dos años, ya sea con Sora, Seedance o cualquier otra IA de generación y edición de imágenes, todos nos hemos «malacostumbrado» con unos efectos visuales impresionantes, ¿y no es lógico pensar que la generación 3D debería ser igual de sencilla?Sin embargo, quienes se dedican a los videojuegos o a la interacción 3D saben que existe un abismo enorme entre «que parezca 3D» y «que sea un recurso 3D realmente utilizable en un motor».Las imágenes y los vídeos no son más que una «capa» de píxeles en 2D, mientras que los modelos 3D deben tener una estructura precisa, un cableado topológico, un esqueleto y ser capaces de calcular colisiones físicas en el motor, entre otras cosas.
En Tripo, durante los últimos años nos hemos centrado en una única cosa: cómo conseguir que lo generado por la IA deje de ser una ilusión visual «bonita a la vista pero inútil» para convertirse en recursos de nivel industrial que realmente ayuden a los diseñadores gráficos y a los desarrolladores a crear, en cuestión de segundos, animaciones e interacciones que puedan utilizarse en motores de videojuegos o en herramientas de DCC como Maya.Hace poco lanzamos también Tripo H3.1 y P1.0, en los que hemos llevado a cabo una reestructuración paradigmática de la arquitectura subyacente, y nos complace aprovechar esta oportunidad para analizar en profundidad con todos vosotros la lógica tecnológica que hay detrás del 3D con IA.
Xiaoning: Muchos de nuestros oyentes son profesionales del sector de los videojuegos, pero, incluso entre ellos, quizá haya más diseñadores y programadores, y no sea tan habitual encontrar a gente que conozca a fondo el flujo de trabajo 3D.Vamos a analizarlo paso a paso: desde un punto de vista técnico, ¿cuál es la diferencia fundamental entre una imagen, un vídeo y un recurso 3D realmente utilizable?
Cao Yanpei: La diferencia fundamental radica en la naturaleza distinta de la representación de los datos. A la hora de generar imágenes o vídeos, las redes neuronales procesan matrices de píxeles extremadamente regulares y densas: la IA solo tiene que rellenar cada casilla de una cuadrícula fija con su color correspondiente.Sin embargo, el 3D es, en esencia, una estructura dispersa en el espacio, incluso en un espacio no euclidiano. La IA no solo debe determinar la posición de miles y miles de vértices, sino también construir las relaciones de conexión entre ellos, es decir, la «topología de la malla».
Los modelos 2D estudian las leyes estadísticas de la luz y las sombras en un plano; actualmente ya son capaces de reproducir efectos de luz y sombra muy realistas, pero, en esencia, se trata de un «engaño visual» que no se sustenta en un objeto tridimensional real. Para que un objeto sea válido en un espacio tridimensional, su superficie debe representarse de forma continua y precisa, además de contar con una estructura y una funcionalidad completas.Dar el salto de ajustar las leyes de luz y sombra en 2D a construir una lógica física y topológica rigurosa no es solo una cuestión de mecanismos matemáticos, sino que requiere una mayor reflexión en el diseño de las redes neuronales y los modelos generativos.
Xiaoning: Malla, topología, UV y atado de esqueleto: ¿podrías explicarme, en términos lo menos técnicos posible, por qué son importantes?
Cao Yanpei: Imagina que un modelo 3D es como una linterna de papel. La malla es la forma que se crea al unir las piezas de papel que componen la estructura exterior de la linterna.La topología se refiere a cómo se unen y conectan los trozos de papel; en el cuerpo humano, esto se corresponde con el recorrido de los músculos. ¿Por qué es tan difícil la topología y por qué tiene tanta importancia? Porque si la topología no es buena, el modelo no puede moverse; es como si los músculos crecieran de forma desordenada y se desgarraran al doblar un brazo; al hacer la animación, el modelo parecería un montón de papel arrugado. El UV consiste en cómo desplegar una superficie tridimensional en un plano 2D, como si se pelara una naranja; si el UV está demasiado fragmentado, los artistas que crean los textados se vuelven locos, ya que la superficie queda desmembrada y los bordes nunca coinciden.El rigging consiste en introducir dentro de un farolillo una estructura metálica móvil que determine qué huesos mueven qué trozos de papel, para que el farolillo cobre vida.
Xiaoning: Es una descripción bastante clara. Dejando a un lado la IA, ¿cómo se suele trabajar en un proceso de producción 3D tradicional? ¿Qué fases son las que más tiempo llevan?
Cao Yanpei: Tomemos como ejemplo el proceso de desarrollo de un videojuego de nueva generación: primero se crean los bocetos conceptuales y, a continuación, los modeladores esculpen un «modelo de alta resolución» extremadamente detallado, pero con un elevado número de polígonos.A continuación, se realiza una reestructuración topológica: sobre el modelo de alta resolución se aplica un malla de polígonos simplificada siguiendo reglas específicas para crear el «modelo de baja resolución». Una vez obtenido este, se despliega el UV y se pintan los texturizados; después, se le aplica el esqueleto y se asignan los pesos, y, por último, se entrega al animador.
Lo que más tiempo lleva es la reestructuración de la topología y el rigging; hay muy poco componente creativo, ya que se trata, en esencia, de un laborioso trabajo manual. Además, el rigging y la animación son puntos en los que es muy fácil tener que volver a trabajar, a menudo con gran esfuerzo; muchas veces, solo cuando se entrega el activo al animador para que dé vida al personaje, se descubre que hay problemas en el trazado de la topología al agacharse o al dar un puñetazo.Dado que se trata de un flujo de trabajo totalmente lineal, modificar la topología implica volver a realizar el UV, volver a aplicar los textures, volver a realizar el rigging y volver a animar; un cambio en un punto afecta a todo el conjunto.
02
No dejar que otros tengan que arreglar los desastres de la IA: todo el proceso de un modelo, desde su creación hasta su incorporación a la planta de producción
«La filosofía subyacente a P 1.0 es la siguiente: en la fase actual, la IA debe adaptarse a los estándares industriales que los seres humanos han acumulado a lo largo de décadas, en lugar de que sean los seres humanos quienes tengan que arreglar los problemas generados por los modelos creados por la IA».
Xiaoning: Hace dos años, cuando se hablaba de IA 3D, daba la sensación de que todo el mundo estaba dando lo que tú llamas «el primer paso», es decir, generar modelos de alta resolución muy elaborados. Pero, según lo que acabas de explicar, ¿parece que aún no se ha profundizado en el verdadero núcleo del asunto?
Cao Yanpei: Tu punto de vista es totalmente acertado. Lo primero que abordamos es el problema de la topología de la malla, que muchos han pasado por alto en los últimos dos años. Los legos solo se fijan en si el modelo se parece o no a la realidad, pero lo primero que hacen los modeladores o los artistas técnicos del sector industrial al recibir un modelo es, probablemente, pulsar la tecla de acceso rápido para cambiar al modo de alambre y comprobar si la estructura subyacente es correcta.Si la IA proporciona un conjunto denso y desordenado de triángulos sin lógica, se trata de un recurso muy pesado que plantea grandes retos en cuanto al rendimiento de la edición y el renderizado en tiempo real, además de ser difícil de utilizar directamente en la fase de animación; los modelos de alta resolución no se ajustan a los flujos de trabajo industriales actuales.
Nuestro P1.0 pretende resolver precisamente cómo generar modelos de baja resolución que se puedan utilizar en la línea de producción; es lo que denominamos activos «listos para su uso». A día de hoy, creemos que ha llegado el momento de que el 3D con IA dé el salto de «generar únicamente modelos de alta resolución para pruebas de concepto» a «una verdadera etapa de productividad».
La filosofía subyacente a P1.0 es la siguiente: en la fase actual, la IA debe adaptarse a los estándares industriales que los seres humanos han acumulado a lo largo de décadas, en lugar de que sean los seres humanos quienes tengan que arreglar los errores de los modelos generados por la IA. En el momento en que se genera el modelo, este ya es una malla estándar basada principalmente en polígonos, con un trazado razonable y una forma precisa, lista para su uso inmediato.Desde el modelo de alta resolución hasta la topología, pasando por el mapeado UV y los texturizados, básicamente se pueden importar directamente al motor UE o a Maya para realizar animaciones y simulaciones.
Xiaoning: «"Listo para su uso" significa que se puede editar en varias etapas clave y que se puede incorporar directamente al flujo de producción, ¿no?».
Cao Yanpei: Sí, se trata más bien de incorporarlo directamente al flujo de trabajo, sin necesidad de que muchas personas tengan que realizar correcciones manuales.Si la IA tarda 2 minutos, o incluso 10, en generar un modelo, pero debido a que la topología es un desastre, se necesita que un artista con gran experiencia profesional dedique casi medio día a limpiar los vértices y a rehacer la topología, resulta muy difícil determinar si la IA es realmente una herramienta para mejorar la eficiencia o si, por el contrario, aumenta los costes de reelaboración.
Xiaoning: He oído hablar de dos enfoques para resolver el proceso 3D: uno consiste en avanzar paso a paso, y el otro se parece un poco a abarcar todas las fases de una sola vez. ¿Cuáles son las ventajas de cada uno de ellos?
Cao Yanpei: Mi opinión es la siguiente: en un aspecto concreto, sin duda se trata de una mutación repentina —un día, de repente, una tecnología ya se puede utilizar—; pero la integración en el flujo de trabajo completo es gradual. Por ejemplo, en tareas mecánicas como la reestructuración manual de la topología y el despliegue manual de UV, la versión P1.0 ya se encuentra muy cerca del punto de inflexión, y es posible que la IA se haga cargo de ellas muy pronto.Sin embargo, a largo plazo, los modelos generados seguirán teniendo que circular en formatos estándar a lo largo de los flujos de trabajo habituales. No queremos cambiar por completo los hábitos de uso del motor, sino sustituir la forma en que se generan los activos en cada etapa. Los avances tecnológicos son repentinos, pero cuando cada avance se integra en la producción, preferimos que la incorporación al flujo de trabajo sea gradual.
Xiaoning: ¿Cómo se producirá entonces esta integración progresiva? ¿De qué forma colaborarán la IA y las personas?
Cao Yanpei: Lo planteamos desde dos perspectivas. Por un lado, en lo que respecta a los procesos profesionales, esperamos utilizar la IA para sustituir, en la medida de lo posible, las tareas más tediosas y menos creativas, como la topología y el atado, de modo que podamos centrar nuestros esfuerzos en las fases que realmente requieren creatividad.
Por otro lado, el mayor potencial de la tecnología 3D basada en IA podría residir en el público general que nunca ha tenido contacto con el flujo de trabajo 3D o que ni siquiera sabe qué es un modelo 3D. Una vez que la IA sea capaz de abarcar todo el flujo de trabajo, el usuario final no necesitará tener conocimientos de gráficos ni conocer el proceso de creación de los recursos artísticos.Es como cuando descargas un icono de Internet y no te importa si está hecho con IA o con Photoshop, o cuando descargas una animación SVG y tampoco te preocupa cómo se ha creado.La IA 3D también debe ofrecer a los usuarios comunes esta transformación con un umbral de acceso extremadamente bajo en cuanto a sus capacidades de extremo a extremo, para que nadie perciba el 3D como una forma de expresión misteriosa o exclusiva de un grupo reducido; solo así será posible que surja un ecosistema de contenido generado por los usuarios (UGC) más amplio.
Xiaoning: Hoy en día, quienes realmente utilizan recursos 3D son los creadores de animación, los desarrolladores de videojuegos y los desarrolladores independientes. ¿Qué tipo de personas han adoptado el 3D con IA? ¿Qué tipo de empresas siguen siendo más conservadoras?
Cao Yanpei: Sin duda, quienes más se benefician ahora son los equipos de videojuegos pequeños y medianos, e incluso los independientes, así como los equipos dedicados a plataformas de contenido generado por los usuarios (UGC) o a la generación programática. Los grandes equipos «3A» cuentan con enormes presupuestos para el diseño artístico y se muestran bastante cautelosos a la hora de cambiar sus flujos de trabajo. Sin embargo, en muchos casos, los equipos pequeños y medianos tienen «más ideas que capacidad de producción».La escasez de recursos artísticos es un enorme obstáculo que limita su rápido desarrollo y la expresión de sus ideas fundamentales. El 3D con IA les proporciona una gran ventaja, ya que les permite crear, a un coste muy bajo, mundos que antes solo un equipo artístico de decenas de personas habría podido plasmar.
En el caso de P1.0, en lo que respecta a los elementos del entorno (props), los componentes arquitectónicos de plano medio y lejano, el mobiliario e incluso los personajes NPC sencillos y los vehículos, ya se ha alcanzado prácticamente un nivel de uso inmediato.El siguiente paso es abordar animaciones muy complejas, especialmente las faciales, así como los protagonistas de los videojuegos con animaciones de rigging. Si se logra superar este obstáculo, la aceptación por parte de los estudios AAA irá aumentando poco a poco. Tras dos o tres años de iteraciones en la tecnología de generación 3D, se aprecia claramente que, a medida que mejora la calidad, cada vez más usuarios de la fase inicial descubren su valor.
Xiaoning: Antes, cuando desarrollaba videojuegos, tenía la sensación de que, si los recursos artísticos en su conjunto sumaban 100, el 20 % más importante —los personajes, las imágenes generadas por ordenador (CG) y las animaciones principales— se llevaba quizás el 80 % del presupuesto, mientras que el 80 % restante, que servía de relleno, solo consumía el 20 %.Si no se domina la parte más esencial, ¿no se puede acceder a la parte más importante?
Cao Yanpei: Es cierto que resulta clave para las grandes producciones «3A», pero desde hace tiempo le damos la misma importancia a cómo reducir las barreras de acceso.En este momento, son muy pocas las personas en el mundo que tienen la capacidad real de crear videojuegos; se trata de la cúspide de la pirámide. Para que se incorporen más creadores, es necesario ampliar al máximo el número de personas que tienen acceso a este tipo de tecnología. Además de seguir superando los retos de la generación más detallada, también es necesario que, en cuanto a usabilidad y velocidad, todo el mundo perciba que la generación de activos 3D es algo que no presenta barreras de acceso ni supone ningún coste.
Xiaoning: Hablemos primero con más detalle sobre los aspectos técnicos. Los activos clave no se limitan a los 3A; los personajes principales, los rostros y las animaciones de muchos videojuegos de segunda categoría o relativamente grandes también se consideran activos clave. Para superar este límite, ¿qué nos falta todavía?
Cao Yanpei: La versión P1.0 ya cubre la primera parte del proceso: desde el modelo de alta resolución hasta el de baja resolución, pasando por la topología y los mapas iniciales.Lo más difícil, y en lo que estamos dedicando muchos esfuerzos, es el binding dinámico: la IA no solo debe comprender la forma geométrica, sino también la estructura mecánica y los mecanismos de movimiento físico que hay detrás de los objetos tridimensionales, lo que implica un mayor volumen de información que procesar y requiere más tiempo para la recopilación y limpieza de datos.
La clave está en que no basta con fijarse únicamente en la precisión de los activos en sí, sino que todos los componentes deben estar completos. El usuario debe poder empezar a trabajar y crear animaciones nada más recibirlo. En cuanto al binding y la animación, puede que aún no hayan alcanzado del todo el nivel de «production ready», pero creo que se logrará un avance a gran velocidad.
Xiaoning: No es la única empresa que está trabajando en esto; si realmente se consigue, ¿se convertirá en una tecnología de uso general? ¿En qué compiten realmente todas estas empresas?
Cao Yanpei: Teniendo en cuenta la fase actual del sector, la IA 3D está pasando de la etapa de los últimos dos años, caracterizada por la proliferación de artículos científicos centrados exclusivamente en algoritmos, a una fase de definición de estándares de datos industriales. Quien sea capaz de ofrecer el formato de datos más estable, más estandarizado, más rápido y más fácil de integrar en los motores actuales será quien tenga más posibilidades de ocupar una posición clave en la cadena de valor.
Aquí entra en juego el clásico dilema del innovador.Las grandes empresas con un amplio negocio de videojuegos cuentan con buenos equipos técnicos, potencia de cálculo y financiación, pero sus equipos internos de IA cargan con un pesado lastre histórico, ya que deben adaptarse a flujos de trabajo ya existentes e incluso obsoletos; por ejemplo, utilizar IA de hace diez años para los procesos de producción de videojuegos de hace una década. La fuerte vinculación entre determinados flujos de trabajo y la lógica empresarial hace que el desarrollo y la investigación se vean en una situación complicada.
Por su parte, las plataformas independientes como VAST tienen la ventaja de su neutralidad tecnológica y su agilidad: no se dedican a parchear ningún juego antiguo ni a dar servicio a un proceso de producción concreto, sino que, partiendo de los principios fundamentales, pueden definir directamente, mediante los algoritmos más avanzados, cómo debería ser la generación 3D del futuro.
A más largo plazo, el reto fundamental que siempre nos hemos marcado es: cómo generar de forma instantánea y directa un mundo 3D interactivo y dotado de una lógica subyacente.Un recurso 3D perfecto debe tener piel, carne, huesos y cerebro. En el pasado, la mayoría de los modelos generados en el sector solo llegaban hasta la superficie: contaban con elementos visuales básicos, pero carecían de todo lo que había más allá. La versión P1.0 resolvió la cuestión de la «carne» mediante una malla nativa: una estructura topológica que encaja a la perfección.La animación de atado pertenece a los «huesos»: dota al modelo de una estructura cinemática y física propia, con las articulaciones en posiciones razonables y capaces de responder a la interacción del usuario. El «cerebro» es que el propio activo puede ser un NPC o un agente, que interactúa con el jugador y con otros agentes dentro del entorno.
Avanzar paso a paso desde la generación de formas geométricas puras hasta la construcción de activos que incorporen cinemática y lógica interactiva: ese ha sido nuestro objetivo técnico desde el principio.
Xiaoning: Según lo que acabas de decir, la lógica general de las tuberías va a cambiar. Se ha dedicado mucho personal a las tuberías en 3D, por lo que, como profesionales del sector, es natural que nos preguntemos: ¿qué es lo que no se va a sustituir? ¿Y qué es lo que se va a sustituir fácilmente?
Cao Yanpei: El desarrollo de la IA es tan rápido que no solo los profesionales del arte y los videojuegos, sino incluso los programadores e investigadores —a quienes antes se consideraba la élite intelectual— sienten ahora una gran sensación de amenaza.Este tema requiere un debate a largo plazo. Pero volviendo al proceso de producción 3D en sí, el significado y las tendencias del desarrollo tecnológico, que es también la dirección en la que queremos orientar nuestra tecnología, consisten en liberar a todo el mundo de las tareas repetitivas y tediosas, para que puedan dedicar su energía a aquellos aspectos que realmente requieren creatividad e ideas.Incluso si nos limitamos al flujo de trabajo 3D o al sector de los videojuegos, lo que realmente permitirá destacar y diferenciar a cada uno en el futuro seguirán siendo las ideas, la creatividad y la capacidad de acción.
03
Dos segundos después de generar el modelo, cuando la velocidad es tan alta que cambia la forma de crear
«Si alguien te dijera que puedes generar 100 000 recursos en un solo día, ¿qué tipo de juego crearías? En comparación con tener que tardar medio mes en conseguir un recurso para el protagonista, la gente tomaría decisiones muy diferentes. Antes, esa primera opción ni siquiera existía».
Xiaoning: Has mencionado varias veces la velocidad. ¿Por qué le dais tanta importancia?
Cao Yanpei: Para nosotros, la velocidad no es un argumento de venta, sino un objetivo que hemos perseguido desde la fundación de la empresa. El cambio cuantitativo en la velocidad provoca un cambio cualitativo en la creación de contenidos 3D. En la actualidad, lo más importante es reducir prácticamente a cero el coste de los errores. Generar un modelo lleva 10 minutos, lo que interrumpe el flujo creativo del autor. Sin embargo, la velocidad de generación de 2 segundos de la versión P1.0 permite obtener retroalimentación en tiempo real: puedes validar al instante 10 conceptos diferentes y quedarte con el mejor.
En realidad, esto libera la imaginación de los creadores, que ya no encuentran grandes obstáculos a la hora de plasmar sus ideas. Es como cuando hoy en día escribimos programas: en cuanto se nos ocurre algo, se lo pasamos a Codex o a Claude, y luego comprobamos si está bien. Lo mismo ocurre con el 3D: solo si se reduce al mínimo la velocidad de generación y la presión psicológica que esta conlleva, habrá posibilidades de provocar un verdadero cambio cualitativo.
Para el ecosistema del contenido generado por los usuarios (UGC), la velocidad es aún más crucial. En el desarrollo profesional, la velocidad aporta una mayor eficiencia, pero en el UGC lo que ofrece es la satisfacción inmediata, que es lo más importante. El usuario medio no tiene paciencia para esperar 10 minutos a que avance la barra de progreso; solo la IA puede generar objetos 3D al instante, como al pulsar la tecla «Intro», y así el usuario tiene la motivación para seguir interactuando y creando.
Xiaoning: Creo que, en lo que respecta a la velocidad, las expectativas psicológicas son totalmente diferentes dependiendo de si se considera desde el punto de vista de la producción o del consumo. Estoy bastante de acuerdo con la lógica del contenido generado por los usuarios (UGC). Pero, volviendo al ámbito de la producción, antes crear un recurso 3D llevaba días o semanas, por lo que reducirlo a 2 segundos es algo extremo.¿A partir de qué velocidad se produce realmente un cambio cualitativo? ¿Es necesario llegar a un extremo así?
Cao Yanpei: En 2 segundos se consigue principalmente la generación de la topología de la malla nativa; posteriormente, la aplicación de texturas y el binding de animaciones siguen requiriendo intervención humana o la colaboración entre la IA y las personas.No se trata de generar un activo completo de extremo a extremo en unos segundos, pero ese es el objetivo que queremos perseguir en el futuro. ¿Es realmente necesario que sea en cuestión de segundos? Quizás no, pero cuanto más rápido sea el proceso de generación, más fácil será para todos liberarnos de las limitaciones mentales que antes nos imponían las restricciones de tiempo.
Si alguien te dijera que puedes generar 100.000 recursos en un día, ¿qué juego crearías? En comparación con tener que esperar medio mes para obtener un recurso para el protagonista, la gente tomaría decisiones muy diferentes; antes, esa primera opción ni siquiera existía. Incluso en los ámbitos profesionales, el cambio cuantitativo en la velocidad sigue provocando un cambio cualitativo en los paradigmas de producción y en las formas de pensar.
Xiaoning: Como antigua trabajadora del sector de los videojuegos, esto sin duda supone un impulso positivo para los desarrolladores creativos. Pero para los trabajadores parece que la competencia es aún más dura: antes se creaban uno o dos recursos a la semana, pero ahora, con la ayuda de estas herramientas, ¿quizá haya que crear 10 000 al día?
Cao Yanpei: Yo no creo necesariamente que haya más competencia. Con la llegada de la IA, la forma de crear contenidos también cambiará.Es un poco como la diferencia entre quienes antes hacían vídeos en las cadenas de televisión y quienes hoy en día se dedican a los vídeos cortos en las MCN: el valor personal fundamental puede ser el mismo, pero los formatos de contenido son más variados; además de los vídeos largos, hay miniseries y un sinfín de vídeos cortos, lo que sin duda ofrece más espacio para desarrollar el talento.En cuanto a si la competencia es más intensa, se trata de una cuestión social y económica compleja que no puede atribuirse por completo a una única tecnología.
Xiaoning: Cuando habláis de UGC, ¿os preocupa más reducir las barreras de entrada para los desarrolladores o conseguir de una vez por todas que todo el mundo pueda crear contenido?
Cao Yanpei: El objetivo final es un UGC en 3D más puro; esa fue la razón por la que creamos esta empresa. Pero cada tecnología que reduce las barreras de acceso también contribuye, en cierta medida, a reducir costes y aumentar la eficiencia; se podría llamar «poner huevos por el camino».La gran mayoría de la gente aún no tiene claro cómo es exactamente el contenido generado por los usuarios en 3D (3D UGC), e incluso hay quien se muestra escéptico sobre si es realmente factible. Por eso siempre nos marcamos objetivos muy ambiciosos, pero al mismo tiempo nos aseguramos de que cada tecnología desempeñe el papel que le corresponde en el sector actual.
Cuando hablamos de Tripo, no solemos decir: «Somos una empresa de herramientas 3D que ayuda a las empresas de videojuegos a ahorrar tiempo y esfuerzo». Si nos posicionamos como una herramienta, su valor se reduce a la reducción de costes y la mejora de la eficiencia. Lo que realmente hacemos es desarrollar la infraestructura básica que permitirá el desarrollo de la próxima generación de plataformas de contenido generado por los usuarios (UGC) o de entretenimiento interactivo para todos.
Xiaoning: ¿Hay algún orden de prioridad entre reducir el umbral y alcanzar el límite máximo? ¿Se abordan desde la misma perspectiva en cuanto a las dificultades técnicas?
Cao Yanpei: En las condiciones actuales del sector, en realidad es lo mismo. El umbral mínimo sigue siendo que los activos estén «listos para el pipeline». Aunque se busque una mayor calidad, siguen siendo activos «listos para el pipeline»: una vez que están listos para el pipeline, ya se trate de un motor de videojuegos o de un minijuego programado con Vibe, los requisitos para los activos son los mismos.Al contar con la capacidad de generar activos «listos para el proceso de producción» y disponer de componentes cada vez más completos, el umbral se reduce de forma natural. Al menos en este momento, ambas cosas son lo mismo.
04
Apostar por el 3D en lugar de por el vídeo: una apuesta diferente por el futuro
«El mundo real es, en sí mismo, tridimensional; los píxeles bidimensionales del vídeo no son más que una proyección del mundo tridimensional tras un proceso de compresión y reducción de dimensiones. La capacidad de evolución tecnológica a largo plazo de la estrategia basada en el 3D nativo ha sido muy subestimada en el ámbito de la investigación en inteligencia artificial».
Xiaoning: No paras de hablar de los motores de videojuegos, pero en esta era en la que evolucionan los modelos de vídeo, ¿no se plantea la cuestión de si los propios motores de videojuegos también cambiarán? ¿Existe la posibilidad de que, en el futuro, algunos tipos de videojuegos puedan existir sin necesidad de un motor?
Cao Yanpei: Es totalmente posible; nosotros mismos dedicamos mucho tiempo a reflexionar y explorar esta cuestión. De cara a los próximos años, el contenido interactivo no se limitará únicamente a la forma tradicional de los videojuegos. Por ejemplo, actualmente ya existen modelos de mundos interactivos: partiendo de una imagen, se interactúa con el modelo de vídeo y la imagen, lo que permite explorar el entorno e incluso influir en él.
Por otra parte, a medida que mejoran las capacidades de programación de la IA y de los agentes, ¿no se necesitará un nuevo motor que resulte más fácil de usar para los agentes de IA? Es muy probable que esta sea la tendencia del futuro. Actualmente, los juegos programados con Vibe Coded utilizan Three.js; desde mi punto de vista, esto se debe a que la IA no tiene la capacidad suficiente para manejar motores tan pesados como Unity o UE, por lo que la forma más directa es escribir código JavaScript desde cero.
Xiaoning: El término «modelo del mundo» se ha puesto cada vez más de moda en los últimos seis meses y es objeto de un intenso debate. ¿Cómo definirías el modelo del mundo? ¿En qué se diferencian los vuestros?
Cao Yanpei: Estoy de acuerdo con la definición comúnmente aceptada en el ámbito académico: dada una situación actual y una acción, predecir el estado del entorno en el momento siguiente. Sin embargo, cada uno aplica este concepto en el ámbito que le interesa.
Nos diferenciamos de la línea de generación de vídeo puro, que está tan de moda en el sector. La generación de vídeo puro es más bien un simulador de luces y sombras; lo que se aprende son los cambios de luz y sombra, pero es difícil garantizar que se respeten las leyes del mundo tridimensional subyacente. Esta es también la razón por la que se critica que los modelos del mundo en vídeo suelen contener errores de sentido común o de lógica.
Desde el principio, nuestro objetivo ha sido que el modelo de vídeo funcione en un entorno de interacción simultánea entre múltiples usuarios, con mecánicas y comportamientos altamente controlables, que permita que varios jugadores y agentes influyan al mismo tiempo en el entorno.Y lo que es más importante, las mecánicas y los comportamientos del mundo deben ser altamente predecibles y deterministas: si en un juego de carreras A adelanta a B, significa que está por delante de B, y la posición no puede cambiar de repente en un fotograma concreto. Los modelos puramente de vídeo tienen dificultades, desde el punto de vista de sus mecanismos fundamentales, para garantizar esta unicidad y determinismo.
Por supuesto, habrá quien diga que esa característica de los modelos de mundo en vídeo, en la que «no sabes cómo quedará el lugar por el que has pasado cuando vuelvas a él», también es una experiencia novedosa. Sin embargo, creemos que esa novedad es, en esencia, un recurso provisional basado en las limitaciones de memoria de los modelos de vídeo, y que difícilmente puede ayudar a los creadores que realmente quieren tener el control y dar rienda suelta a su creatividad a construir contenidos que puedan disfrutarse una y otra vez.Nuestra filosofía a la hora de diseñar modelos de mundo sigue siendo la misma: permitir la interacción multijugador, y que las mecánicas y el futuro del mundo sean predecibles y estén determinados de forma única.
Xiaoning: La lógica de la generación puramente a partir de vídeo no es una comprensión en el sentido estricto de la palabra, y los pequeños errores se acumulan. Para alcanzar el objetivo al que te refieres, ¿parece que se da por supuesto que debe haber una verdadera cadena lógica en el razonamiento del modelo?
Cao Yanpei: Totalmente de acuerdo. Por eso debemos alejarnos del paradigma del modelo de vídeo único y confiar tanto la deducción como la representación visual a un mismo modelo; con las capacidades actuales, resulta difícil garantizar un alto nivel de control.Introduciremos más estados explícitos en la fase de razonamiento, como los 3D o los de código. Se trata de una exploración aún en una fase bastante temprana, pero una vez que tengamos clara la línea de trabajo, la validaremos rápidamente mediante iteraciones.
Xiaoning: ¿Por qué no esperamos a que otros lo hagan y lo usemos directamente?
Cao Yanpei: Dado que hay grandes diferencias en cuanto a cómo debe ser el modelo del mundo y qué problemas hay que resolver primero, las opciones tecnológicas varían mucho. Los escenarios de aplicación más habituales podrían ser el control de robots y la simulación, lo cual difiere bastante de las aplicaciones en las que nos centramos para los próximos tres o cinco años, por lo que se desarrollarán diferentes líneas tecnológicas.Además, Tripo siempre se ha centrado en resolver los «estados» del mundo digital: generar activos equivale a generar estados, pero cómo evolucionan esos activos y cómo se produce la transición entre unos estados y otros es precisamente lo que debe resolver el modelo del mundo. Nos encontramos justo en este punto de inflexión, y el modelo del mundo es, además, una línea tecnológica con un enorme potencial y capacidad de innovación.
Xiaoning: ¿En qué área se centrarán vuestras inversiones más importantes durante el próximo año o los dos próximos años?
Cao Yanpei: En el ámbito de la IA, unos planes a dos o tres años vista son realmente muy largos: los mecanismos de los algoritmos, la potencia de cálculo, la construcción de redes neuronales y los paradigmas de investigación multimodal pueden sufrir una gran reestructuración cada pocos meses.Para nosotros, lo fundamental es mantener una gran perspicacia tecnológica y una gran agilidad en la toma de decisiones, sin crear una fuerte dependencia de una línea de actuación concreta, de modo que, cuando surja una nueva tendencia, podamos ajustar el rumbo con gran rapidez y seguir una ruta de iteración muy ágil, desde la reestructuración tecnológica hasta los modelos a nivel de producto y, finalmente, las capacidades del producto.
En mi mente, la situación dentro de dos o tres años consistirá, más o menos, en haber completado la transición de ser una herramienta de productividad para la creación de activos 3D a convertirse en una plataforma de computación espacial o de interacción UGC; pero, en realidad, lo que más nos preocupa son las rápidas iteraciones de los próximos dos o tres meses, o incluso de las próximas semanas.
Xiaoning: ¿Cuánto tiempo se tardará en que la IA 3D se incorpore directamente al proceso de producción con una alta calidad? ¿Podremos verlo dentro de dos o tres años?
Cao Yanpei: Teniendo en cuenta el impulso tecnológico actual, dos o tres años puede parecer incluso un plazo un poco largo. Para estas fechas del año que viene, es totalmente previsible que los activos generados por IA cuenten con un buen mapeado y topología, y que puedan utilizarse como activos de juego completos.
Por estas fechas el año pasado, todo el mundo criticaba mucho la calidad de los modelos de alta resolución generados automáticamente: si se generaba al azar la forma de un coche, esta no era precisa, y ni siquiera las figuras de colección alcanzaban el nivel deseado para su impresión.Sin embargo, tras más de diez meses, los modelos de alta resolución se han acercado al nivel de los esculpidos a mano por artistas humanos, y los modelos de baja resolución con topología adecuada también se pueden realizar con muy buenos resultados. Para el año que viene, la IA debería ser capaz de generar de principio a fin activos con «piel, carne, huesos y cerebro».
Xiaoning: A día de hoy, en el ámbito de la IA y el 3D, ¿qué se ha sobrevalorado? ¿Y qué se ha subestimado?
Cao Yanpei: Lo que se sobrevalora es el realismo visual. La gente ve en Internet resultados generados en 3D muy realistas, pero se presentan en formato de vídeo. Desde el punto de vista de los modelos de alta resolución renderizados, son realmente detallados; los profesionales lo perciben así, pero el público en general no sabe apreciarlo.
Se subestima el valor fundamental de la señal 3D como representación nativa del mundo físico. En el ámbito académico, esta modalidad 3D se considera en gran medida poco prometedora.Muchos académicos citan «lecciones amargas» para argumentar que el 3D es difícil de escalar, no es generalizable y conlleva mucho diseño artificial, y consideran que la vía ganadora será sin duda aquella que se base de forma más pura en enormes cantidades de datos de vídeo. Creo que esta perspectiva tiene grandes limitaciones: el marco que implica se ve restringido por la mentalidad propia de las tareas tradicionales de visión artificial.
Volvamos a los principios fundamentales: ¿qué es más «nativo», una matriz de píxeles en 2D o una señal en 3D con escalas espaciales absolutas? La respuesta es, evidentemente, la segunda. El mundo real es, en sí mismo, tridimensional; los píxeles en 2D son una proyección del mundo tridimensional tras una compresión y reducción de dimensiones.P1.0 aprende y genera directamente en estructuras tridimensionales; no introduce diseños artificiales, sino que permite que la IA se adapte directamente a las señales originales del mundo físico. Al mantener la línea del 3D nativo, se subestiman en gran medida su capacidad de expansión tecnológica a largo plazo y su sostenibilidad.
Xiaoning: Durante la GDC, Simon (fundador de VAST) me comentó que mucha gente aún no ha experimentado de verdad el 3D con IA, ni siquiera en una conferencia tan importante para los desarrolladores como la GDC. ¿No es esto también una forma de subestimación?
Cao Yanpei: En mi caso, es justo lo contrario: soy bastante optimista. El hecho de que aún no hayamos tenido contacto con algo que es claramente útil significa que hay un margen de crecimiento enorme en el futuro. Es fácil entender por qué ocurre esto: no fue hasta que salió la versión P1.0 cuando pudimos obtener rápidamente activos con una topología correcta.Antes, los primeros en probarlo se encontraron con modelos de alta resolución y, al considerar que no eran de gran utilidad, no tuvieron motivos para promocionarlos. Con la llegada de la versión P1.0, todos se dieron cuenta de que lo que se ofrecía eran realmente mallas de activos de videojuegos, por lo que muchos clientes extranjeros se mostraron muy proactivos a la hora de conectarse a la API y, tras la prueba, se suscribieron de forma natural. Sin duda, este ha sido un punto de inflexión bastante importante.
Xiaoning: Si tuvieras que describirlo en una o dos frases, ¿cómo te gustaría que el público en general entendiera Tripo?
Cao Yanpei: Esperamos que todos consideren a Tripo como una plataforma interactiva de contenido generado por los usuarios (UGC) totalmente nueva y como la base para la creación de un ecosistema de contenidos 3D. No es solo una herramienta de creación 3D que ahorra tiempo y esfuerzo, sino que ofrece un conjunto completo de capacidades fundamentales para la próxima generación de formas de interacción y el ecosistema de contenidos 3D.Tanto los grandes equipos «3A» como el público general —que carezca de conocimientos artísticos, pero cuente con entusiasmo y la cabeza llena de ideas— podrán construir en tiempo real el mundo 3D que tienen en mente con un umbral de acceso muy bajo.
Xiaoning: Es un proyecto de gran envergadura.
Cao Yanpei: No niego que se trate de un objetivo muy ambicioso. Pero nuestro equipo siempre ha querido fijarse metas muy altas y seguir mejorando continuamente, en lugar de limitarnos a un futuro que se pueda vislumbrar a corto plazo.
原创文章，作者：游茶妹儿，禁止转载：https://youxichaguan.com/es/archives/216298
