Con una financiación de 200 millones de dólares, VAST quiere convertirse en la base de un ecosistema de contenidos interactivos

Recientemente, la empresa de inteligencia artificial general VAST ha completado dos rondas de financiación, A+ y A++, por un importe total de casi 200 millones de dólares.Esta ronda de financiación ha estado liderada por Yuce Capital y el Fondo de Innovación Científica del Delta del Yangtsé de China Life, con la participación de capital industrial y financiero como el Fondo de la Industria de Terminales de Inteligencia Artificial de Shenzhen, Shanghai Semiconductor Industry Investment, Shenzhen Venture Capital y YuanSheng Capital.

Junto con esta ronda de financiación, también se presentó el proyecto de modelo mundial que revelaban por primera vez al público: Project Eden (nombre en clave: Edén).

Esta ronda de financiación y el lanzamiento de la demo del nuevo proyecto han añadido una variable bastante interesante al ya de por sí animado sector de los modelos del mundo.

En el último año, los avances en IA han sido tan rápidos que casi te dejan sin aliento.Hace poco, el propietario de una empresa de videojuegos me comentó que la reacción del sector ante los avances en IA se parece mucho a la que se tiene ante una alerta sísmica: en cuanto suena la alarma, uno no puede evitar bajar a echar un vistazo. La mayoría de las veces resulta ser una falsa alarma, pero tampoco te atreves a quedarte quieto, porque quién sabe si alguna vez la situación cambiará de verdad.

Esto se percibe especialmente en el caso de los modelos del mundo. A principios de este año, tras el lanzamiento de Genie 3 por parte de DeepMind (Google), el ánimo de los mercados financieros se disparó al instante: Unity registró su peor caída diaria desde 2022, y las acciones de empresas de videojuegos como Take-Two y Roblox también se desplomaron de forma generalizada.Sin embargo, el sector no tardó en darse cuenta de que se trataba más bien de una reacción exagerada provocada por el optimismo en torno a la IA, y el director ejecutivo de Unity, Matthew Bromberg, señaló una limitación más fundamental: los resultados de este tipo de modelos del mundo son probabilísticos e indeterminados.

Desde el punto de vista de la industria de los videojuegos, la estrategia tecnológica de Genie 3 adolece de un defecto inherente. Aunque es capaz de generar un vídeo con imágenes muy realistas a simple vista, no da para sostener un mundo de juego en el que realmente se pueda jugar, al que se pueda acceder repetidamente e incluso en el que se pueda jugar en modo multijugador.

En comparación, el lanzamiento hoy por parte de VAST de su primer proyecto de modelo mundial, Project Eden, sí que me ha llamado la atención.Antes de este modelo de mundo, VAST era más conocido por su serie de modelos generativos 3D con IA «Tripo», dedicada a «crear todo tipo de cosas». Según la narrativa de VAST, pasar de crear todo tipo de cosas a crear mundos es el siguiente paso lógico.

«Los activos 3D generados por IA y los modelos del mundo son, por naturaleza, dos motores que impulsan el proyecto». Cao Yanpei, científico jefe de VAST, me explicó que su objetivo desde el primer día ha sido crear una plataforma de contenido generado por los usuarios (UGC) interactiva de última generación; la IA 3D resuelve la rapidez y la facilidad de «crear todo tipo de objetos», mientras que los modelos del mundo se encargan de la simulación sistémica necesaria para «crear mundos»,«Es la prolongación de la evolución tecnológica y, al mismo tiempo, el siguiente paso lógico».

Mientras que la gran mayoría se decanta por elegir entre la «generación de vídeos en función del movimiento» de Google Genie y la «generación de escenas 3D estáticas» de World Labs Marble, Project Eden ha abierto una tercera vía: desacoplar de forma nativa, a nivel arquitectónico, la «evolución del estado del mundo» y la «representación visual de la imagen».

Esta arquitectura única ha superado de forma natural tres obstáculos insuperables para otros modelos de mundo anteriores: la persistencia a largo plazo del entorno, la reutilización libre de escenarios y la interacción simultánea de múltiples usuarios.

01

Dos enfoques sobrevalorados y la solución única de VAST

Para comprender el camino de VAST, veamos primero por qué los modelos del mundo anteriores resultaban tan difíciles de aplicar realmente en el sector de los videojuegos.

Huang Xun, un reconocido científico del ámbito de la IA generativa, propuso en su día cinco atributos para distinguir entre la «generación de vídeo» y los «modelos del mundo real».Un modelo del mundo real debe, además de cumplir con los requisitos de causalidad e interactividad, alcanzar, en la medida de lo posible, la mayor persistencia, inmediatez y precisión física. Si aplicamos este criterio, descubriremos que las dos corrientes principales que actualmente acaparan gran parte de la atención en la industria de los videojuegos se enfrentan, cada una por su parte, a limitaciones insuperables a la hora de cumplir con los exigentes estándares de los videojuegos a nivel de producción.

La primera es la «corriente de generación de vídeo», la que más rápido avanza y más atención acapara, representada por Genie. Esta línea de trabajo consiste, en esencia, en realizar una predicción autorregresiva de píxeles en 2D, es decir, observar la imagen existente para adivinar cómo debe ser cada píxel del siguiente fotograma.Cao Yanpei afirma sin rodeos que equiparar esta generación de vídeo de extremo a extremo con un modelo del mundo es un error: «Todos los estados de los modelos de vídeo de extremo a extremo están estrechamente vinculados a la perspectiva actual. En cuanto la cámara gira y sale de la esquina, el modelo solo puede reconstruir la escena basándose en el contexto, sin poder proporcionar en absoluto la “persistencia a largo plazo” que requiere el juego».

La generación de vídeo combina a la fuerza dos tareas de una magnitud completamente diferente: por un lado, predecir lo que va a suceder a continuación en el mundo, lo cual es, en realidad, una información relativamente «ligera»; por otro, dibujar con precisión cada píxel, lo cual es una información extremadamente «pesada».Esta lógica subyacente, que no distingue entre lo «ligero» y lo «pesado», hace que, en la práctica, se parezca mucho a un dibujante de cómics sin guion, que debe inventar la trama sobre la marcha mientras dibuja; esto no solo provoca que la imagen sufra desplazamientos o distorsiones al cambiar de perspectiva, sino que también dificulta enormemente la interacción multijugador en línea.

La segunda corriente es la de la «reconstrucción estática», representada por Marble, de World Labs. La «inteligencia espacial» que defiende esta corriente da en el clavo en cuanto a la estabilidad de la geometría espacial y permite reconstruir a gran velocidad espacios tridimensionales que se pueden recorrer. Sin embargo, su limitación radica en que, por el momento, solo cuenta con el espacio, pero no con el tiempo.Carece de la capacidad de simular la evolución de los estados a lo largo de la línea temporal, por lo que lo que crea es un entorno congelado. Según los criterios de Huang Xun, este enfoque adolece de un grave defecto en cuanto a la «interactividad»: se asemeja más a un exquisito espécimen en 3D, bonito, pero incapaz de evolucionar.

Dado que el enfoque de generación de vídeo carece de «guion» y el de reconstrucción estática carece de «evolución», la solución de Project Eden consiste en separar el trabajo de guionización del de dibujo (desacoplamiento). Esto lo convierte en el primer modelo de mundo del sector que permite el mantenimiento autónomo del estado del mundo y la aplicación de un control determinista.

02

Separar el estado y la imagen: crear un motor con IA

El paradigma técnico que propone VAST, resumido en una frase, consiste en separar arquitectónicamente la «gestión y predicción del estado» de la «renderización y presentación de imágenes».

A primera vista, esta frase puede resultar difícil de entender. Sin embargo, para quienes se dedican a los videojuegos, este concepto resulta muy familiar: se parece mucho al funcionamiento de un motor de videojuegos.La memoria del motor mantiene una «base de datos del mundo» en la que se registran la posición, las propiedades y el estado de todos los objetos; cuando la cámara se mueve, el proceso de renderizado dibuja en tiempo real la escena que se ve en el campo de visión, según el ángulo de visión. El estado es una cosa y la imagen es otra; son dos aspectos distintos.

Lo que VAST pretende es crear, mediante IA, un motor de este tipo dentro de una red neuronal. Se trata de un reto muy difícil de superar: cómo expresar el estado en una red neuronal, qué arquitectura de red utilizar y cómo obtener y ampliar una enorme cantidad de datos; en opinión de Cao Yanpei, esto supone, de hecho, un enorme obstáculo.

Para superar esta brecha, el Proyecto Edén ha adoptado de forma innovadora una arquitectura tecnológica de tres capas desacoplada.

En su base se encuentra la capa de estado estructurada, que gestiona de forma unificada la estructura geométrica de las escenas, las propiedades de los objetos y la lógica de los eventos, y se encarga por completo de la deducción del estado objetivo.

La capa de interfaz de condiciones intermedia actúa como centro de conversión entre el estado y la representación, transformando el estado 3D en condiciones de restricción en función de las diferentes perspectivas, lo que garantiza desde el origen la coherencia física entre planos.

La capa superior es la de renderizado generativo, que, basándose en el estado objetivo de la capa inferior y en las restricciones de la capa intermedia, genera en tiempo real y según las necesidades imágenes detalladas, completando así los detalles dinámicos.

Cao Yanpei utilizó la escena «El bombero apaga el fuego» de la demo para mostrar la lógica de funcionamiento de Project Eden: el usuario describe las condiciones iniciales de la cocina, el bombero y el incendio mediante una frase de prompt, y esa descripción se convierte directamente en un estado implícito subyacente.Cuando el jugador controla los movimientos del bombero y pulsa el botón para apagar el fuego, el cálculo de la cantidad de polvo pulverizado y si el fuego se ha extinguido o no se lleva a cabo íntegramente en la capa de estado subyacente. Aunque en ese momento aún no se haya renderizado ni un solo fotograma, este mundo ya está funcionando «de verdad» según una lógica física subyacente.

Por su parte, la capa de renderizado situada por encima es como un pintor realista siempre listo para la acción: solo tiene que basarse en el estado actual de la capa subyacente y combinarlo con cualquier perspectiva que el jugador haya seleccionado en ese momento para renderizar ese fotograma.Los movimientos de fluidos —como la difusión de gases o las llamas que lamen las paredes—, que resultan extremadamente difíciles de representar en la informática gráfica tradicional, pueden simularse de forma muy natural en esta arquitectura gracias a la capa de renderizado.

Este diseño de desacoplamiento, que separa el estado de la interfaz gráfica, no solo resulta más elegante desde el punto de vista técnico, sino que también resuelve de forma natural algunos de los principales problemas que más quebraderos de cabeza causan a los desarrolladores de videojuegos.

En primer lugar, el retorno de la «coherencia». Dado que el estado del mundo se mantiene independientemente del punto de vista, si te das la vuelta, te alejas y vuelves, ese árbol seguirá intacto en la base de datos subyacente, a la espera de ser renderizado de nuevo.El viejo problema de los métodos de generación de vídeo, en los que los objetos se desplazan y la escena se distorsiona al dar la vuelta, se ha resuelto aquí de raíz.

En segundo lugar, se ha dotado al escenario de una vitalidad que permite su «reutilización». Dado que el estado del mundo es independiente y se puede leer y escribir, todo lo que el jugador haya hecho en el escenario quedará registrado de forma realista.Si un jugador rompe una mesa, ese cambio se registra en tiempo real en el estado subyacente; así, cuando otro jugador entre en la misma escena, verá el resultado de la destrucción, en lugar de una habitación que se haya «reconstruido mentalmente» y que esté intacta como al principio.

Siguiendo esta lógica, el problema de la interacción multijugador también se resuelve fácilmente. Dado que en el fondo existe un estado del mundo unificado e independiente de la perspectiva, varios jugadores pueden compartir ese estado y renderizar cada uno su propia perspectiva.Solo así se puede hablar de una verdadera interacción en tiempo real entre jugadores y entre jugadores y PNJ. Esto es similar a la arquitectura «servidor-cliente» de los juegos multijugador actuales.

Además, este modelo aporta una enorme ventaja comercial: la drástica reducción del coste de la potencia de cálculo.En una arquitectura desacoplada, la capa de renderizado consume bastante potencia de cálculo, mientras que la simulación de estado de la capa subyacente es un cálculo de alta dimensión muy ligero. Esto resuelve directamente la preocupación subyacente de la ruta de generación de vídeo: «tener que generar imágenes a nivel de píxel de forma individual para cada perspectiva y cada usuario en línea, lo que provoca que el gasto en potencia de cálculo se dispare exponencialmente con el número de usuarios».

Por supuesto, esta arquitectura se encuentra todavía en una fase bastante temprana. Sin embargo, en la demostración de Project Eden podemos ver cómo intenta ir superando poco a poco los retos más difíciles: la exploración coherente del entorno durante largos periodos de tiempo, la interacción en tiempo real entre varios jugadores y algunos mecanismos de resolución deterministas.

03

Antes de que se alcance el punto crítico, ¿qué puede aportar al desarrollo de videojuegos?

Al leer esto, es inevitable que a uno se le corte la respiración: cuando esta tecnología esté realmente madura, ¿ya no se necesitarán motores para crear videojuegos?

Cao Yanpei me dijo que lograr que los modelos de mundo sustituyan realmente a los motores de videojuegos es un objetivo a muy largo plazo y plagado de dificultades. Solo cuando la eficiencia computacional, la estabilidad y la controlabilidad de la simulación de los cambios de estado en los modelos de mundo superen por completo el umbral de la respuesta en tiempo real, se producirá ese cambio radical.

Por ahora, en lugar de discutir cuándo se producirá el cambio, es mejor analizar cómo esta tecnología puede integrarse en el proceso de desarrollo de videojuegos antes de que llegue ese punto de inflexión.

En esta fase inicial, podemos desglosar esta arquitectura desacoplada e integrarla punto por punto en el flujo de trabajo del juego existente. Por ejemplo, el modelo de renderizado del back-end puede orientarse hacia el «renderizado generativo».Imagina que eres un diseñador de juegos y no tienes grandes habilidades artísticas ni de programación: primero puedes crear la estructura del espacio y los niveles con un «blockout» (modelo en gris) muy sencillo para validar la jugabilidad. A continuación, deja que el modelo de renderizado convierta ese modelo en gris en el estilo artístico que desees.

La iluminación, la creación detallada de los elementos y hasta la representación de fenómenos físicos complejos se dejan para que el modelo los complete en fases posteriores.

Para los equipos pequeños y medianos, esto equivale prácticamente a reducir los costosos gastos de producción artística a una simple llamada a un modelo. El estilo artístico pasará de ser una restricción de costes que debe fijarse antes de iniciar el proyecto a convertirse en un «interruptor» que se puede activar con un solo clic antes del lanzamiento.

Al mismo tiempo, el modelo de predicción de estados del front-end puede aislarse y utilizarse como una «máquina de estados inteligente», lo que ahorra a los desarrolladores una gran cantidad de trabajo repetitivo a la hora de escribir scripts y crear máquinas de estados.Por ejemplo, cuántos grados debe girar una puerta al recibir una patada, a qué velocidad gira o si rebotará y golpeará a alguien: la animación o la máquina de estados pueden derivarse directamente del modelo, sin que el programador tenga que especificarlo línea a línea de código.

A medida que la tecnología madura, la siguiente etapa consiste en que el modelo del mundo se haga cargo parcialmente de los «escenarios dinámicos y abiertos». En esta etapa, el juego sigue estando impulsado por código tradicional, pero en algunos escenarios dinámicos especialmente abiertos y complejos —y que, al mismo tiempo, no requieran una gran certeza—, se puede recurrir al modelo del mundo para realizar simulaciones fuera de línea o de alcance limitado.

Por ejemplo, los daños que una tormenta aleatoria causa en el escenario, o las interacciones espontáneas entre un gran número de PNJ. Dejar las partes que requieren un alto grado de determinismo para el código tradicional y confiar las partes dinámicas —abiertas, aleatorias y difíciles de enumerar exhaustivamente— a los modelos es, en esta fase, el enfoque más adecuado.

Y solo una vez superado el punto crítico se alcanzará el final definitivo de la sustitución total de la codificación fija.

«Queremos sustituir esas definiciones lógicas y físicas que requieren una codificación rígida por una red neuronal más versátil y de menor barrera de entrada».Cao Yanpei afirma que, en una situación ideal, en el futuro toda la lógica engorrosa que actualmente se especifica código a código se convertirá en una deducción basada en datos y en grandes modelos, lo que supondrá un salto cualitativo en cuanto a la facilidad de desarrollo y la eficiencia.

Sin embargo, la relación entre los modelos de mundo y los motores tradicionales no tiene por qué ser una sustitución a vida o muerte. Tal y como señaló acertadamente Tim Sweeney, fundador de Epic: en el futuro veremos cómo la «IA centrada en los motores» y la «IA centrada en los modelos de mundo» se van acercando y fusionando continuamente, hasta que un día ambas se unan.

Lo que VAST está haciendo es precisamente seguir avanzando todo lo posible por el camino «centrado en el modelo del mundo», y cada paso que se da antes de llegar al punto crítico aporta al sector de los videojuegos un conjunto de herramientas realmente útiles.

Final

Para que los modelos del mundo alcancen una verdadera madurez técnica y se implanten en la industria, aún es necesario un proceso gradual. En cuanto a la eficiencia computacional, la precisión absoluta de las leyes físicas y la estabilidad en la simulación de escenarios a gran escala, los motores de redes neuronales aún tienen que superar numerosos retos técnicos.

Sin embargo, los recursos 3D que sustentan el funcionamiento de este motor son cada vez más abundantes.Como actividad principal de VAST, su serie de grandes modelos 3D Tripo, desarrollada internamente, ha experimentado una rápida evolución en los últimos tiempos. Los modelos Tripo H3.1 y Tripo P1.0, lanzados en marzo de este año, han alcanzado un nivel de precisión geométrica y velocidad de generación aptos para su uso industrial.

Recientemente, también han lanzado en Tripo Studio un algoritmo de texturizado 8K basado en IA, que reduce a menos de 2 minutos un proceso que antes requería varios días de trabajo manual o de escaneo, y han presentado la función «División inteligente de componentes V2», que permite controlar el nivel de detalle en tres niveles, de modo que los activos 3D generados se dividan automáticamente en partes y pasen directamente a la fase posterior del proceso.

Además, VAST también está impulsando la colaboración en el sector a través del código abierto; hasta la fecha, ha publicado más de 30 proyectos de código abierto, entre los que se incluyen TripoSplat, AniGen, SkinTokens y LegoACE —desarrollados conjuntamente con universidades como Tsinghua y la Universidad de Hong Kong—, que abarcan múltiples áreas de vanguardia, como la resolución dinámica y el enlazamiento automático de esqueletos.

A nivel de aplicaciones, su plataforma integral Tripo Studio cuenta actualmente con 20 millones de creadores y ha establecido una estrecha colaboración con empresas líderes como Tencent, NetEase, Alibaba y ByteDance.

En el plan estratégico de VAST, el modelo del mundo y el gran modelo de activos 3D no son elementos aislados, sino un circuito cerrado impulsado por «dos motores». Su visión a largo plazo es muy clara: convertirse en «la base de una plataforma interactiva de contenido generado por los usuarios (UGC) y de un ecosistema de contenido 3D».

Sobre esta base, tanto los desarrolladores profesionales como los creadores en general podrán, en el futuro, crear y explorar mundos digitales interactivos con menos barreras de acceso y mayor libertad.

Es cierto que la maduración del motor de redes neuronales requiere tiempo, pero gracias a la abundancia de recursos 3D subyacentes y al buen funcionamiento de la arquitectura desacoplada, un espacio digital basado en datos y con interacción en tiempo real está pasando de ser un concepto a convertirse en realidad. Y VAST está sentando las bases tanto a nivel tecnológico como del ecosistema para ello.