Buenas, esto es BIMPRAXIS, el podcast donde el
Download transcript (.srt)
0:10
0:15
0:20
0:23
0:26
0:28
0:30
0:40
0:41
0:44
0:47
0:48
0:49
0:52
0:54
0:55
0:58
1:00
1:00
1:03
1:06
1:11
1:14
1:16
1:17
1:19
1:22
1:24
1:26
1:28
1:31
1:31
1:33
1:37
1:39
1:41
1:43
1:46
1:47
1:48
1:51
1:52
1:55
2:00
2:01
2:03
2:04
2:07
2:09
2:10
2:12
2:14
2:14
2:15
2:17
2:20
2:21
2:25
2:26
2:27
2:28
2:29
2:30
2:33
2:35
2:38
2:40
2:43
2:43
2:45
2:48
2:50
2:53
2:56
2:57
2:59
3:00
3:02
3:05
3:07
3:10
3:12
3:15
3:18
3:20
3:21
3:23
3:23
3:25
3:28
3:30
3:31
3:32
3:36
3:38
3:39
3:41
3:43
3:46
3:49
3:53
3:55
3:57
4:00
4:03
4:06
4:09
4:11
4:15
4:17
4:19
4:21
4:22
4:25
4:28
4:31
4:34
4:35
4:37
4:40
4:42
4:44
4:46
4:49
4:51
4:54
4:55
4:59
5:01
5:03
5:05
5:06
5:09
5:12
5:14
5:16
5:18
5:22
5:24
5:27
5:30
5:32
5:35
5:36
5:38
5:41
5:43
5:46
5:47
5:50
5:52
5:53
5:53
5:56
5:58
6:00
6:02
6:04
6:06
6:08
6:10
6:14
6:16
6:18
6:18
6:19
6:20
6:22
6:25
6:27
6:29
6:32
6:34
6:36
6:39
6:40
6:42
6:45
6:47
6:50
6:51
6:51
6:54
6:56
6:57
6:59
7:01
7:01
7:03
7:08
7:10
7:12
7:13
7:16
7:16
7:19
7:21
7:23
7:24
7:26
7:27
7:31
7:33
7:36
7:38
7:38
7:40
7:41
7:42
7:44
7:45
7:47
7:49
7:51
7:52
7:55
7:56
7:57
8:01
8:03
8:04
8:07
8:10
8:13
8:14
8:16
8:18
8:20
8:21
8:24
8:26
8:27
8:30
8:32
8:34
8:36
8:38
8:40
8:42
8:44
8:45
8:47
8:50
8:52
8:54
8:57
8:59
9:00
9:05
9:08
9:10
9:13
9:15
9:17
9:19
9:20
9:21
9:24
9:27
9:29
9:31
9:33
9:35
9:36
9:39
9:42
9:46
9:49
9:51
9:54
9:58
10:00
10:02
10:04
10:05
10:07
10:09
10:12
10:13
10:16
10:18
10:20
10:23
10:25
10:27
10:30
10:32
10:35
10:37
10:39
10:42
10:43
10:44
10:46
10:48
10:49
10:51
10:53
10:54
10:56
10:57
10:59
11:01
11:03
11:05
11:07
11:07
11:09
11:12
11:14
11:16
11:17
11:19
11:21
11:24
11:27
11:30
11:31
11:32
11:35
11:35
11:37
11:40
11:41
11:42
11:44
11:45
11:47
11:51
11:53
11:55
11:56
11:57
11:58
11:59
12:02
12:04
12:05
12:07
12:09
12:10
12:12
12:14
12:14
12:17
12:18
12:21
12:24
12:24
12:26
12:28
12:32
12:35
12:37
12:38
12:40
12:42
12:44
12:46
12:48
12:49
12:51
12:53
12:55
12:57
12:58
13:00
13:03
13:05
13:07
13:09
13:12
13:14
13:16
13:18
13:22
13:23
13:26
13:28
13:29
13:32
13:32
13:34
13:36
13:38
13:41
13:44
13:46
13:49
13:49
13:53
13:55
13:57
13:59
14:00
14:03
14:05
14:05
14:08
14:10
14:12
14:15
14:16
14:18
14:19
14:21
14:23
14:25
14:28
14:30
14:32
14:35
14:36
14:38
14:40
14:41
14:43
14:44
14:47
14:50
14:52
14:53
14:56
14:57
15:00
15:02
15:05
15:05
15:08
15:10
15:11
15:13
15:14
15:17
15:20
15:22
15:25
15:28
15:29
15:31
15:33
15:34
15:37
15:38
15:40
15:42
15:44
15:47
15:51
15:54
15:56
15:57
16:00
16:02
16:04
16:06
16:10
16:11
16:13
16:16
16:18
16:20
16:23
16:25
16:27
16:29
16:30
16:32
16:35
16:38
16:42
16:44
16:46
16:48
16:50
16:51
16:53
16:56
16:57
16:59
17:03
17:04
17:06
17:09
17:11
17:13
17:15
17:17
17:18
17:21
17:23
17:25
17:28
17:30
17:33
17:35
17:38
17:41
17:53
17:56
18:07
18:09
18:32
BIM se encuentra con la inteligencia artificial.
Exploramos la ciencia, la tecnología y el futuro
desde el enfoque de la arquitectura, ingeniería y
construcción.
¡Empezamos!
Muy buenas, bienvenidas, bienvenidos a un nuevo episodio
de BIMPRAXIS.
Hoy os traemos la revolución del vídeo poría
en tu propio ordenador, descifrando el modelo One
2.2.
Hola, ¿qué tal?
Encantada de estar aquí para diseccionar un lanzamiento
que de verdad está sacudiendo los cimientos de
toda la industria.
Vale, vamos a analizar esto paso a paso,
porque resulta impactante plantear el escenario que tenemos
ahora mismo.
O sea, hace apenas un par de meses,
el consenso generalizado era que para generar video
hiperrealista con inteligencia artificial, necesitabas, no sé, granjas
de servidores del tamaño de un estadio.
Ya, y presupuestos de millones de dólares.
Exacto.
Sin embargo, los datos de hoy ponen sobre
la mesa un modelo que es 100% gratuito,
de código abierto y capaz de ejecutarse en
un hardware doméstico.
Y ojo, que acaba y empata en evaluaciones
oficiales con titanes corporativos gigantes.
Sí, sí.
Es que hablamos de mirar de tú a
tú a sistemas como el BO3 de Google,
Agiluo 2 o Asidans.
Es una locura.
Semejante desafío al status quo nos obliga a
examinar de cerca qué está pasando exactamente con
esta arquitectura.
Esa es la clave.
A ver, la ruptura del monopolio de la
capacidad de cómputo.
Durante mucho tiempo, esto de generar vídeo coherente
era el feudo exclusivo de cuatro empresas con
un músculo financiero brutal.
Totalmente inabarcable para el resto.
Eso es.
Que un proyecto abierto logre infiltrarse en esa
liga de élite, pues no es una simple
anécdota.
Es que altera por completo la economía y
hacia dónde va el desarrollo visual de la
IA.
Claro.
Y para comprender cómo narices logran este nivel
de disrupción, hay que entender la herramienta que
tenemos entre manos.
Porque WAN 2.2 no es un bloque monolítico,
o sea, no es un único archivo que
hace de todo.
No, no, para nada.
Son varios.
Exacto.
Es una familia compuesta por tres modelos diferentes.
A ver, por un lado tenemos un modelo
pequeño, entre comillas, de 5.000 millones de parámetros.
El famoso 5B.
Que ya es una barbaridad, ojo.
Ya ves.
Y este es súper ágil.
Genera vídeo tanto desde texto como desde imagen
hasta 720p.
Pero luego, luego están los dos hermanos mayores,
los mastodontes de 14.000 millones de parámetros.
Los 14B.
Que ahí es donde la cosa se pone
seria.
Sí, porque ahí se divide en el trabajo.
Uno se especializa estrictamente en texto a vídeo,
o sea, el T2V, y el otro va
solo de imagen a vídeo, el I2V.
Y todo, y esto es lo fuerte, bajo
la licencia libre Apache 2.0.
Que eso significa uso comercial sin restricciones.
Puedes ganar dinero con ello.
De locos.
Y aquí me surge una reflexión usando una
analogía.
A ver qué te parece.
Esto de los parámetros, pasar de 5.000 a
14.000 millones, no es solo que el archivo
pese más gigas.
Claro que no.
Yo lo veo como el modelo de 5B
es como un estudiante en prácticas muy brillante
y muy rápido, ¿no?
Te hace el trabajo volando.
Sí, resuelve rápido pero le faltan tablas.
Exacto, mientras que el modelo de 14B es
el director de cine súper experimentado Necesita más
tiempo, necesita más café, más recursos Pero te
entrega una maldita obra maestra porque entiende la
geometría y las físicas en el tiempo Esa
analogía me encanta, porque, a ver, el número
de parámetros define en esencia la resolución del
mapa mental de la IA Un modelo de
5B, como decías, es muy eficiente, entiende el
concepto general de, yo qué sé, un coche
moviéndose Pero igual le cuesta mantener la coherencia
de los reflejos del sol en la chapa
del coche durante 5 segundos de vídeo.
Se empieza a desmoronar.
Empieza a alucinar cosas raras.
Eso es, al saltar a los 14.000 millones,
el modelo ya tiene suficiente espacio neuronal para
separar el objeto del entorno.
Calcula cómo rebota la luz, mantiene la integridad
de la escena.
Y esa es la diferencia entre un vídeo
que parece un sueño febril y uno que
engaña completamente al ojo humano.
Ostras, es que es brutal.
Y fíjate, esto hace que lo de la
licencia Apache 2.0 sea aún más fascinante.
O sea, liberar algo con este nivel de
sofisticación, gratis, para uso comercial, parece un suicidio
económico, ¿no?
Desde una mentalidad corporativa tradicional, sí, totalmente.
Claro, es que un estudio de animación cualquiera
puede coger los pesos de este modelo de
14B, meterlo en su flujo de trabajo y
no pagar un céntimo.
Si las empresas privadas se gastan fortunas en
crear estos motores para luego alquilar el acceso,
¿cuál es la lógica de regalar el motor
entero y encima darte los planos?
Bueno, lo fascinante aquí es que la lógica
es aprovechar el intelecto de la comunidad frente
al aislamiento corporativo.
Al liberar los pesos, los creadores de OneDoc
2.0 le pasan el testigo de la investigación
y desarrollo a todo el planeta.
Ya, externalizan el I más D gratis.
Exacto.
En una empresa cerrada tienes, no sé, a
100 ingenieros probando cosas.
En el código abierto tienes a decenas de
miles de desarrolladores ajustando el código a la
vez.
Mejoran la eficiencia, crean herramientas nuevas, le dan
usos que a los creadores originales ni se
les habían pasado por la cabeza.
Totalmente.
Y claro, el modelo base se acaba convirtiendo
en un estándar de la industria.
Es un lienzo donde todos pintan.
Y eso acelera la evolución a una velocidad
que un laboratorio cerrado no puede ni soñar.
Y vaya se acelera.
Esa velocidad de la que habla se nota
muchísimo al comparar el salto entre el modelo
anterior, el One 2.1, y este nuevo 2.2.
Es un salto cuántico.
Sobre todo en la parte de texto a
vídeo.
Es una barbaridad.
Sí, sí.
Antes le pedías a la IA a personas
y te generaba unas siluetas borrosas moviéndose como
robots estropeados.
y ahora de repente tienes anatomía realista, dinámicas
de fluidos, el movimiento del agua interactuando con
la luz ahora es supernatural.
Y ojo que el salto metodológico en la
parte de imagen a vídeo es igual o
más crítico.
Porque el gran talón de Aquiles de casi
todos los modelos, incluso los de pago, son
los puñeteros artefactos visuales.
Uf, sí, esas deformaciones que te sacan de
la ilusión de golpe.
Exacto.
Típico vídeo de un tren moviéndose y de
repente las ventanas empiezan a temblar o cambian
de tamaño.
O las columnas de un edificio que parece
que se están derritiendo al mover la cámara,
sí, sí.
Pues One 2.2 ha introducido unas mejoras enormes
en lo que llamamos consistencia espaciotemporal.
Entiende la persistencia de las cosas.
Si tienes a alguien camunando por un campo
de flores y hace viento...
El modelo ya sabe separar qué es qué,
¿no?
Eso es, separa el movimiento caótico de la
hierba y las flores de la trayectoria recta
del sujeto sin que se mezclen las texturas
por el camino.
Aquí es donde la cosa se pone muy
interesante.
Porque claro, tanta precisión técnica tiene una contrapartida.
El modelo se ha vuelto súper obediente.
O sea, tiene una sensibilidad al prompt brutal.
Es casi como un genio de la lámpara.
Literal.
¡Ay, el genio literal!
¡Qué peligro tiene eso!
Ya ves.
Es que si no eres específico, el modelo
enloquece.
En las fontes mencionaban un ejemplo buenísimo de
un usuario que le pidió al modelo un
ratón corriendo delante de una pantera.
Vale, suena sencillo.
Sí, pero el usuario no detalló nada sobre
el ratón.
Y claro, como no le dio contexto, la
IA sufrió una especie de colapso semántico tremendo.
Se hizo un lío.
Un lío tremendo.
Fusionó conceptos y generó una especie de monstruo,
un mutante caótico que era mitad rata y
mitad leopardo, corriendo por ahí de forma súper
extraña.
Y claro, yo me pregunto, ¿no es esto
un defecto enorme para el usuario medio que
solo quiere escribir dos palabras y que la
IA le haga magia?
Esto plantea una pregunta importante sobre diseño de
software, sin duda.
¿Qué priorizamos?
¿Que sea fácil de usar para cualquiera o
que dé un control absoluto al profesional?
Claro, el equilibrio es complicado.
Un modelo que se inventa los detalles y
rellena huecos parece mágico para el que está
jugando un rato.
Escribes perro saltando y te saca un vídeo
precioso, aunque el perro no sea de la
raza que querías.
Te da igual porque queda bonito.
Pero en un entorno profesional, la creatividad aleatoria
de la máquina no sirve de nada.
Si estás dirigiendo una escena, necesitas que la
luz, el encuadre y los sujetos hagan exactamente
lo que tú tienes en la cabeza.
Ni más ni menos.
Entonces, One.2.2 ha forzado sus codificadores para obligar
al usuario a ser hiperespecífico.
Te obliga a escribir un manual técnico casi,
pero a cambio, elimina la incertidumbre.
Recrea exactamente tu visión.
Es como trabajar con un actor que improvisa
sin parar frente a uno que te clava
cada línea del guión tal y como está
escrito.
Y a ver, los números respaldan esta decisión,
porque en los benchmarks, en las evaluaciones objetivas,
las puntuaciones son alucinantes.
Sí, los datos de artificial análisis son para
enmarcar.
Es que el modelo de 14B de texto
a vídeo se ha colado en la octava
posición global, la octava, superando a gigantes de
la industria como Sora o Clean 115 Pro
a Pixers, empatando con el C2.0 y pisándole
los talones al BO2 que se dice pronto.
Es que es una auténtica locura ver a
un modelo de código abierto, gratuito, superando al
todopoderoso Sora en una tabla de clasificación oficial.
Sí, es un hito tremendo, pero ¿y si
conectamos esto con la perspectiva general?
Hay que ser justos con los datos y
matizar un poco.
A ver, cuéntame, ¿dónde flojea?
En la generación de imagen a vídeo.
Ahí el modelo de 14B cae hasta el
puesto 14 de la tabla.
Ah, vale, ahí le cuesta más arrancar.
Cuando se trata de coger una foto fija
y darle vida, los modelos propietarios chinos, por
ejemplo, siguen teniendo una ventaja clara.
Seguramente porque los entrenan con unos volúmenes de
datos de cine que no son públicos.
Ya, tienen la despensa llena.
Y de hecho, los ejemplos visuales que hemos
visto ilustran esto perfectamente.
En el test de texto a vídeo con
las chicas del siglo XIX en el acantilado,
One 2.2 mantiene una física brutal.
Sí, la ropa, el viento.
Exacto.
Aunque bueno, veo tres, ahí gana por muy
poquito en la estética.
Pero lo fuerte es que un modelo de
pago carísimo como Sidance Pro comete un fallo
garrafal en esa misma escena y no hace
que una de las chicas caiga por el
borde como se le pedía.
Falla en las físicas.
Ese es el genio literal de One 2.2,
funcionando a tu favor.
Obedece la física.
Claro, pero luego nos vamos al test del
gato en el mercado mediterráneo.
Ay, el gato.
El gato caminando hacia el mar.
One 2.2 hace exactamente lo que le pides,
sigue la ruta, pero ves las versiones de
Minimix O de Seedance Pro y el gato
tiene un dinamismo, se mueve de una forma
súper orgánica, súper elástica.
Claro, son enfoques distintos.
Modelos como Giluo o Minimix sacrifican a veces
un poco la precisión geométrica para lograr un
movimiento muy fluido, muy dramático.
Tienen un dinamismo espectacular.
Entiendo.
One 2.2 prefiere que la estructura no se
rompa.
El gato a lo mejor no tiene esa
gracia elástica de Minimix, pero desde luego no
le va a salir una quintapata a mi
TED del vídeo.
Ja ja, exacto.
Te evitas los mutantes.
O sea, no será el rey del dinamismo,
pero siendo gratuito, logrando esa calidad intermedia fantástica
y con ese control, se corona como el
rey del código abierto.
De cajón.
Indiscutiblemente.
Ahora es el referente.
Vale.
Pues todo esto suena maravilloso en la teoría.
Pero entonces, ¿qué significa todo esto a nivel
práctico?
La realidad del hardware.
Porque yo me pregunto, ¿cómo instalas esta bestia
en el salón de tu casa sin que
el ordenador salga ardiendo?
Esa es la gran pregunta pragmática.
Sí.
A ver, la ruta local típica es usar
Confuee, ¿no?
La plataforma esta de nodos.
Pero los requisitos técnicos son crudos, son tela
marina.
No es para todos los públicos, no.
Es que te piden una tarjeta gráfica con
al menos 8 o 12 gigas de VRAM.
Con una RTX 3060 generará un vídeo de
unos pocos segundos con el modelo pequeño de
5B.
Te puede tardar 15 minutazos.
15 minutos para un clip.
Una eternidad si estás haciendo pruebas, claro.
Y si quieres que vaya fluido necesitas 16
gigas de VRAM.
Ahí el tiempo baja a 2 o 3
minutos para el modelo pequeño.
y unos 7 u 8 minutos para el
de 14B usando cuantización.
Y claro, yo me hago de ahogado del
diablo.
Si necesitas 1000 euros de tarjeta gráfica para
que la experiencia no sea un sufrimiento, ¿no
es esto un juguete exclusivo para gamers con
dinero y editores profesionales?
¿Dónde está la democratización?
Te concedo el punto sobre el hardware local.
Es una crítica totalmente válida.
El código abierto no exime a nadie de
las leyes de la termodinámica.
Calcular millones de píxeles cuesta mucha energía.
Ya te digo.
Pero el truco, la verdadera democratización, no pasa
porque tú tengas un servidor en el baño
de tu casa.
Ocurre en la capa de servicios, en la
nube.
A ver, explícame eso.
Piensa en plataformas como Freepik.
Pueden ofrecer el uso de este modelo a
precios de risa, porque ellos como empresa no
tienen que pagarle licencias millonarias a OpenAI o
a Google por usar su tecnología.
Ah, claro, se ahorran el peaje corporativo.
Exacto.
El código abierto abarata absolutamente toda la cadena
alimenticia de la IA.
Solo pagan la luz y los servidores.
Y eso hunde los precios del mercado.
Ostras, claro.
Y fíjate, viendo los datos de la integración
en Freepik, es que se te cae la
mandíbula.
Generar vídeos ahí cuesta desde 150 créditos.
Un regalo, vamos.
Es que haciendo cuentas te da para hacer
unos 75 vídeos con One 2.2 por el
precio de lo que te cuesta hacer un
solo vídeo con el VO3 de Google en
la misma plataforma.
75 a 1.
Es que dinamita el mercado, es un cambio
de paradigma total.
Y encima una velocidad rapidísima, sin esperar 15
minutos a que tu gráfica eche humo.
Y sin dejarte 1000 euros en la gráfica.
Mencionaban en las fuentes el plan Premium Plus,
que por unos 22 euros al mes tienes
créditos masivos.
Te da para generar imágenes ilimitadas con modelos
como Flux.
Vamos, que el acceso está ahí.
Y te permite equivocarte.
Cuando generar un vídeo te cuesta céntimos y
tarda segundos, puedes experimentar mil veces hasta que
el prompt quede perfecto.
Y vaya si experimentan.
En los ejemplos de Freepik vimos algunos vídeos
que son una pasada.
Por ejemplo, había uno de un trabajador inspeccionando
la calidad de un queso en una fábrica.
Madre mía, la textura de ese queso.
Brutal, ¿eh?
Los agujeros del queso, la sutilidad de las
manos del tipo… es que era indistinguible de
la realidad.
Pero el que de verdad es para embarcar
es el del astronauta.
Uf, ese ejemplo es el desafío definitivo.
A ver, un astronauta bajando de un caballo.
El astronauta corre hacia un lado, de fondo
cae un maldito meteorito impactando contra el suelo,
y el caballo sale huyendo despavorido en dirección
contraria al astronauta.
Todo en el mismo plano.
Y manteniendo la iluminación de todas las partes
por separado.
Es que coreografiar todas esas trayectorias a la
vez sin que se convierta en una sopa
de pixeles es increíble.
Ahí se demuestra por qué es tan importante
esa adherencia estricta al prompt que hablábamos antes.
Claro, el modelo de 14B aguanta toda esa
coherencia geométrica 3D de la escena sin despeinarse,
precisamente porque no se pone a improvisar.
Sigue tus instrucciones a rajatabla.
Es alucinante.
Y pensar que esto es sólo el principio.
Siendo código abierto, en dos días vamos a
tener a la comunidad creando plugins, metiéndolo en
programas de edición de toda la vida.
Con controles de luz virtual, moviendo cámaras simuladas.
Va a ser una pasada.
Vamos, un cambio de reglas completo en quién
puede contar historias y con qué presupuesto.
Ha sido un análisis profundo, la verdad.
Y fíjate, justo viendo esta convergencia de accesibilidad
barata y un realismo tan bestia, a mí
me surge una idea para que nuestra audiencia
reflexione un poco por su cuenta.
A ver, suéltalo.
Piénsalo.
Si a día de hoy ya podemos generar
la carga de caballería de una batalla medieval,
con todo detalle, desde el portátil del salón
usando software libre, ¿cuánto tiempo crees que falta
para que las películas dejen de ser simples
archivos de vídeo estáticos?
Ostras, me acabas de dejar loco.
Te refieres a películas que cambian.
Exacto.
Imagina que el cine pase a ser una
experiencia que se genera en tiempo real mientras
la ves.
Que la iluminación o las reacciones de los
personajes se adapten al momento según cómo estés
reaccionando tú en el sofá.
Madre mía, el fin del cine tal y
como lo conocemos, una película que muta y
se personaliza para cada espectador.
Es una idea inmensa y con estas herramientas
ya no suena a ciencia ficción.
Desde luego que no, es el siguiente paso
natural.
Pues me dejas sin palabras con esa reflexión.
Vamos a tener que dejarlo aquí, para ir
a procesar todo esto.
Antes de despedirnos hasta el próximo programa, os
informamos de que las voces que oyes han
sido generadas por la IA de Notebook LM,
y que dirigiendo el podcast se encuentra Julio
Pablo Vázquez, un humano que te envía saludos.
En caso de error, probablemente sean errores humanos.
¡Nos escuchamos!
Y hasta aquí el episodio de hoy.
Muchas gracias por tu atención.
Esto es BIMPRAXIS.
Nos escuchamos en el próximo episodio.
¡Suscríbete al canal!