Episodio 02 17:19
Este video no empezó como ruido
Muchos videos de IA empiezan como ruido. Este empezó como código. En este episodio largo vamos despacio para comparar dos formas de hacer una imagen en movimiento: los modelos de difusión, que adivinan cómo suelen verse los píxeles, y el video procedural, donde un programa que escribió una IA calcula cada cuadro. Vemos qué dicen pruebas de física como Physics-IQ y VideoPhy-2 sobre la suposición: parecer real no es lo mismo que estar bien. Luego calculamos la gravedad, un arcoíris y un péndulo doble caótico, le ponemos nombre a un color hasta un solo paso de un canal, medimos la sincronía del sonido, documentamos cada cuadro y admitimos dónde la suposición todavía gana. Los precios, clasificaciones y listas de modelos son capturas del 4 de octubre de 2026. Compañero del video «Este video no empezó como ruido» de Everything It Touches. Capítulos 0:00 Estática, luego código 0:47 Bienvenida 1:51 Dos formas de hacer un cuadro 3:37 Parecer real no es estar bien 6:23 Física que puedes calcular 8:46 Color al que puedes ponerle nombre 10:05 Sonido que puedes medir 11:15 Cada cuadro, documentado 13:20 Donde gana la suposición 15:11 Qué es IA en este video 16:30 Despedida Citas (texto original en inglés; el episodio usa una traducción al español) • Google DeepMind, ficha del modelo Veo 3, enero de 2026: "Veo 3 utilizes latent diffusion, which is the de facto standard approach for modern image, audio, and video generative models." • Motamed et al., "Do Generative Video Models Understand Physical Principles?" (Physics-IQ), WACV 2026: "visual realism does not imply physical understanding" • VideoPhy-2, Bansal et al., UCLA y Google Research, ICLR 2026: "models particularly struggle with conservation laws like mass and momentum" Fuentes • Difusión y ruido latente gaussiano; "estándar de facto": informe técnico de Google Veo, 2025, y ficha del modelo Veo 3; Ho et al., DDPM, 2020 • Gemini Omni 1.1 Flash, lanzado el 27 de agosto de 2026; transformer, método de muestreo no divulgado: página y ficha del modelo de Google • Higgsfield anuncia más de 30 modelos: higgsfield.ai, consultado el 4 de octubre de 2026 • Physics-IQ, 66 escenarios, puntuación contra la variación de repetir lo real: Motamed et al., WACV 2026 • Sora 10.0, Sora 2 42.3, Magi-1 + GeoPhys 64.5 (varios cuadros, mejor de 16): tabla de posiciones de Physics-IQ, captura del 4 de octubre de 2026 • Physics-IQ Verified, Omni 1.1 Flash 35.34, líder Physis-Lang/Cosmos3 Super 48.2: extensión independiente, Rädsch et al.; sin respaldo de Google DeepMind • Conservación de la masa y de la cantidad de movimiento: VideoPhy-2, UCLA y Google Research, ICLR 2026 • Imitación basada en casos, color > tamaño > velocidad > forma: Kang et al., ByteDance Research, ICML 2025 • Gravedad estándar 9.80665 m/s²: NIST • Trazado de rayos del arcoíris: Descartes, Les Météores, Discurso VIII, Leiden, 1637; rojo 42.37° y violeta 40.65°, de nuestra propia simulación • Separación del péndulo doble cerca de 4.41 s, varillas de 2.5 cm, diferencia inicial de 10⁻⁹°: nuestra simulación, sensible al paso • Impresión redondeada, segundo mes simulado: Edward Lorenz, The Essence of Chaos, 1993 • Dificultad con colores hex, precisión de 4 a 9 veces, 500 mil imágenes renderizadas: NumColor, arXiv, 13 de marzo de 2026 • Desfases de audio y video de 0.20 a 0.44 s, labios de 2 a más de 5 cuadros: AVGen-Bench, arXiv, 9 de abril de 2026 • Semillas de Veo y clips de 8 segundos a 1080p: documentación de la API de Google Veo • Cierre de la API de Sora 2, 24 de septiembre de 2026: referencia de la API de OpenAI • Precios de Veo 3.1, Standard $0.40/s, Fast $0.12/s, Lite $0.08/s a 1080p: precios de la Gemini Developer API, 4 de octubre de 2026 • 150 generadores, 1.5 millones de clips (publicación informada por los autores): WROP, arXiv, 23 de septiembre de 2026 • Primero un borrador de simulación, luego video generado: VideoCoCo, arXiv, 2026 • Cuestionario de secundaria 88.1 frente a 86.3, estudio pequeño: Code2Video, arXiv, 1 de octubre de 2025 • Nuestras propias mediciones (verde #A3E535, regla de destellos, conteo de cuadros, corrección de tiempos, control de la mezcla): registros de producción del video
Capítulos
Leer la transcripción
Muchos videos de IA empiezan con ruido como este. Estática.
Un modelo lo limpia, paso a paso, hasta que parece una ciudad.
O una persona que nunca existió.
Es asombroso. Pero es una suposición.
Una suposición brillante sobre cómo suelen verse los píxeles.
El video del que trata este episodio no empezó como ruido.
Empezó como código, y una IA escribió ese código.
Cada imagen está calculada:
la gravedad, el color, el momento de cada movimiento.
Y hasta la estática sale igual cada vez.
Esto es Todo lo que toca, el podcast. Soy Augusto.
En el canal hacemos videos cortos sobre lo que la IA está cambiando.
Aquí contamos la misma historia con calma,
para que quepan las partes que un video tiene que pasar corriendo.
Esa apertura es una imagen del video.
Una estática gris azulada llena la pantalla.
Un contador pequeño avanza paso a paso,
y el ruido se vuelve un horizonte de edificios y luego un rostro,
los dos con la etiqueta "ilustración".
Después, la estática se reduce a una sola línea de código verde,
y una pelota empieza a caer, dejando un rastro de puntos, uno por cuadro.
Dos formas de hacer una imagen en movimiento.
Hoy quiero desarmarlas despacio:
dónde la suposición es maravillosa,
dónde se rompe y qué cambia cuando la imagen se calcula.
Y te voy a mostrar nuestros propios errores, porque de eso se trata.
Hoy, entre los grandes nombres están Veo y Gemini Omni, de Google.
Y plataformas como Higgsfield reúnen decenas de modelos en un solo lugar.
Higgsfield anuncia más de treinta.
Veo es un modelo de difusión.
Así lo describe Google en la ficha del modelo Veo tres.
Te lo leo en traducción.
“Veo tres utiliza difusión latente,
que es el enfoque estándar de facto para los modelos
generativos modernos de imagen, audio y video.”
Esa es la descripción que Google hace del campo.
No es un censo de todos los modelos.
Gemini Omni, por ejemplo, se describe como un transformer,
y Google no ha dicho cómo genera sus muestras.
Así que no lo voy a llamar difusión.
La idea detrás de la difusión es esta.
Durante el entrenamiento,
clips reales se comprimen en números y se entierran en ruido gaussiano,
un tipo muy particular de estática aleatoria.
Una red aprende a desenterrar el clip.
Para crear algo nuevo, le das ruido nuevo y un prompt, y la dejas excavar.
Un video procedural va en sentido contrario.
Nada se predice. Todo se calcula.
Un programa dibuja cada cuadro en función del tiempo.
Cuadro uno. Un treintavo de segundo después, cuadro dos.
La pelota está donde la ecuación la pone.
El verde es un número en el código.
Y ese programa lo escribió un modelo de IA para programar,
a partir de mis descripciones.
Así que las dos cosas son IA.
Un tipo de IA pinta el cuadro.
El otro escribe las reglas que lo dibujan.
Y esas reglas igual hay que revisarlas.
Entonces, ¿qué tan buena es la suposición?
Investigadores de Google DeepMind crearon una prueba llamada Physics-IQ.
Filmaron experimentos reales, sesenta y seis escenarios:
choques, agua que se vierte, luz, imanes.
Luego pidieron a modelos de video que continuaran las imágenes.
La puntuación es ingeniosa.
Cien no significa cien por ciento correcto.
Significa tan consistente como filmar el mismo experimento una segunda vez.
La vida real también es un poco aleatoria, y la puntuación se mide contra eso.
A comienzos de dos mil veinticinco, el Sora original sacó diez.
Sora dos llegó a cuarenta y dos.
La mejor entrada de esa tabla ronda los sesenta y cinco, pero recibe más ayuda.
Ve varios cuadros, no uno,
y un segundo sistema elige el más plausible de dieciséis intentos.
Un avance real. Todavía lejos de una cámara.
También hay una versión revisada e independiente de la prueba,
llamada Physics-IQ Verified.
Otras personas cambiaron los prompts y la puntuación,
y Google DeepMind no la respalda,
así que sus números no se comparan con la tabla original.
Ahí, Gemini Omni uno punto uno Flash, de Google, saca unos treinta y cinco.
La mejor entrada de una sola imagen,
el cuatro de octubre, estaba en unos cuarenta y ocho.
Los autores originales, Motamed y sus colegas,
resumieron su conclusión en una línea.
En traducción, dice así.
“el realismo visual no implica comprensión física”
Un equipo de UCLA y Google Research creó otra prueba, VideoPhy dos.
Esto escribieron sobre los modelos que probaron, en traducción.
“a los modelos les cuesta especialmente cumplir las leyes de conservación,
como la de la masa y la de la cantidad de movimiento”
Imagina agua que aparece de la nada en un vaso.
O una pelota que olvida a qué velocidad iba.
Y unos investigadores de ByteDance, con coautores de Tsinghua y del Technion,
entrenaron modelos de video con clips de un simulador de física sencillo,
en dos dimensiones. En condiciones conocidas, les fue bien.
Fuera de ellas, imitaron el ejemplo más parecido que habían visto.
Y se guiaron primero por el color, luego por el tamaño,
después por la velocidad y, al final, por la forma.
Es un estudio controlado, no una ley de la naturaleza.
Pero es una buena imagen de lo que es una suposición.
Ahora mira qué pasa cuando la física se calcula.
Bueno, escucha.
En el video, una pelota verde cae bajo la gravedad estándar,
nueve punto ocho uno metros por segundo al cuadrado, sin resistencia del aire.
Por eso su trayectoria es una parábola verdadera.
Dos discos chocan, y un medidor de cantidad de movimiento, a su lado, no se mueve.
El código le da a cada uno un empujón igual y opuesto, así que el total no cambia.
Luego, la luz del sol entra en una gota de lluvia.
Se desvía, se refleja en la parte de atrás y vuelve a desviarse al salir.
Nuestro código traza los rayos.
El rojo vuelve a cuarenta y dos punto cuatro grados del punto opuesto al Sol.
El violeta, a cuarenta punto seis.
Por eso el rojo queda por fuera del arcoíris.
Descartes publicó su cálculo del arcoíris en mil seiscientos treinta y siete,
en un libro llamado Les Météores.
Siguió la luz a través de una gota, rayo por rayo.
Nuestro código repite su método, con números modernos para los colores.
Ahora, dos péndulos dobles diminutos, con varillas de dos centímetros y medio,
que arrancan separados por una milmillonésima de grado.
Por un momento, se mueven como uno.
Unos cuatro segundos después, son desconocidos.
Eso es caos. Y aquí viene lo hermoso.
Sigue siendo determinista.
Ejecuta el mismo código otra vez, con los mismos ajustes,
y obtienes exactamente el mismo caos.
Edward Lorenz se topó con esto en una simulación del clima.
Reinició una corrida desde una impresión que
había redondeado sus números a tres decimales.
Para el segundo mes simulado, el clima ya no se parecía al original.
Esa idea se conoció como el efecto mariposa:
diferencias diminutas, consecuencias enormes.
Un modelo de video tiene que aprender el caos a partir de ejemplos.
Una simulación lo produce a partir de las ecuaciones.
Con el color pasa lo mismo.
En este video, el verde no es "un verde brillante".
Es un número. A tres e seis tres cinco.
A los modelos de imágenes les han costado los números así.
Un estudio publicado en marzo, llamado NumColor,
encontró que a los modelos de texto a imagen
les cuesta interpretar códigos hexadecimales.
Parte de la razón:
el código se corta en fragmentos que no transmiten un color de forma fiable.
Su solución hizo el color numérico de cuatro a nueve veces más preciso,
en su propia prueba, con cinco tipos de modelo.
En código, el color nunca es una suposición. ¿Es perfecto?
No.
En el camino hacia ti, una curva de luces
que elegimos suaviza el canal más brillante.
Cuando medí un cuadro, nuestro verde salió a tres e cinco tres cinco.
Un paso, en un canal.
El verde pasó de doscientos treinta a doscientos veintinueve.
Un error que puedo señalar.
El códec de video puede volver a moverlo.
Pero cada paso está escrito,
así que puedo ver exactamente dónde se movió el color, y por qué.
Para una marca, esa es la diferencia entre esperar y saber.
Ahora, el sonido.
Algunos de los modelos más nuevos generan sonido e imagen juntos,
y es impresionante.
Pero una prueba publicada en abril midió la brecha.
En promedio, sonido e imagen se desfasaban de
un quinto de segundo a casi medio segundo, según el modelo.
Y los labios se desfasaban del habla entre dos y más de cinco cuadros.
En nuestro video, la voz va primero. La imagen la sigue.
El servicio de voz reporta un tiempo para cada carácter,
y cada movimiento en pantalla se activa desde esos tiempos.
Esos tiempos son una estimación, así que los revisamos.
Cuando digo ahora, algo se mueve.
¿Funcionó perfecto desde el principio? No.
En tomas anteriores, los tiempos de las palabras
llegaban hasta seis décimas de segundo antes de tiempo.
Lo medimos y agregamos una corrección en código.
Y todavía escuchamos.
La mezcla también se mide.
Volumen a menos catorce LUFS, picos por debajo de un techo,
y el informe tiene que decir aprobado.
Cualquier video se puede medir.
Pero como aquí cada cuadro se calcula,
cada cuadro se puede rastrear hasta una línea.
Antes de entregar, un script los lee todos,
más de quince mil, contando la introducción de la serie,
y rechaza la película si el brillo sube de golpe y vuelve a bajar.
Esa es nuestra regla de destellos.
Si la pantalla se pone mucho más brillante en un cuarto de segundo,
y otra vez mucho más oscura en medio segundo, falla.
Es nuestra propia regla, no un certificado médico.
Pero es un número, no una sensación.
Cuando una revisión falla, cambio la línea que la causó.
No vuelvo a generar esperando suerte.
La propia documentación de Google dice que una
semilla de Veo no garantiza el mismo video.
Solo mejora un poco la repetibilidad.
Y como toda la toma depende del prompt,
cambias una palabra y puede cambiar toda la toma.
En código, cambio un número, y solo se mueve lo que depende de él.
Y las herramientas pueden desaparecer.
El veinticuatro de septiembre, OpenAI cerró la a pe i de Sora dos.
Nuestra película es código fuente, una voz y una partitura,
guardados como archivos en mi propia computadora, y se renderiza ahí.
Luego está el costo.
El cuatro de octubre, la lista de precios de la propia Google
ponía Veo tres punto uno Standard a cuarenta centavos por segundo,
a mil ochenta pe.
Nueve minutos son sesenta y ocho clips de ocho segundos.
Eso pasa de doscientos dólares, antes de un solo reintento.
Los niveles más baratos, Fast y Lite,
saldrían en unos sesenta y cinco dólares, o unos cuarenta y cuatro.
Nuestras imágenes no tienen factura por segundo.
Pago la voz, la música y el modelo para programar.
Y la computadora, y mi tiempo.
Entonces, ¿lo calculado siempre es mejor? No.
Una calle lluviosa en Lisboa. Un rostro que parece vivo.
Un perro atrapando un frisbee.
La difusión gana, fácilmente.
Imitar eso en código sería trabajo de un estudio de efectos visuales.
Además, un prompt te da una primera vista en minutos.
Lo procedural gana cuando la imagen tiene que ser correcta.
Explicar, enseñar, datos, física, una marca.
Para un rostro, le pediría a un modelo.
Para una clave de respuestas, pediría código.
Y los dos mundos empiezan a ayudarse.
En septiembre, investigadores que estudian si los modelos de
video entienden que un objeto oculto sigue existiendo publicaron,
según ellos, ciento cincuenta generadores
procedurales de escenas y un millón y medio de clips.
Aquel estudio de color entrenó su solución
con medio millón de imágenes renderizadas.
Cuando los investigadores necesitan una clave de respuestas, la calculan.
Otro equipo pone a un agente de programación a escribir primero una simulación,
y luego deja que un modelo de video la pinte encima.
La física, del código. La apariencia, de la difusión.
Aun así, los píxeles finales pueden romper las reglas.
Y en un estudio pequeño, con seis alumnos de secundaria en cada grupo,
los estudiantes sacaron notas parecidas en cuestionarios
después de explicaciones que agentes escribieron como código,
unos ochenta y ocho, y después de las de Three Blue One Brown, unos ochenta y seis.
Un estudio pequeño. No prueba que enseñen igual de bien.
Pero es interesante.
Entonces, con honestidad: ¿qué tiene de IA el video?
La voz es un clon de la mía hecho con IA.
La música la generó un modelo de IA, en secciones que siguen los capítulos.
El código que dibuja cada cuadro se escribió con un modelo de IA para programar,
a partir de mis descripciones, y la IA ayudó a escribir las comprobaciones.
Los píxeles son la parte que no genera un modelo de video.
Se calculan.
¿Recuerdas la estática del principio? Calculada.
El mismo ruido en cada render.
En el video aparece dos veces,
y una pequeña etiqueta muestra la misma huella las dos veces.
Un tipo de IA sueña un mundo que parece correcto.
El otro escribe las reglas y deja que el mundo las siga.
Y esto es lo asombroso.
No que el código siempre tenga razón. No la tiene.
Es que, cuando se equivoca, puedo encontrar la línea y corregirla.
Este video no empezó como ruido. Empezó como una frase.
Un modelo convirtió la frase en código, y el código en física.
La versión corta, con la gota de lluvia, los péndulos y el verde de un solo paso,
está en el canal Todo lo que toca, y se llama "Este video no empezó como ruido".
Y me encantaría escuchar tu respuesta a la pregunta con la que termina:
¿qué jamás dejarías que adivinara un modelo?
Cuéntamelo en los comentarios.
Las fuentes están en las notas del episodio.
Las citas las leen voces de IA,
no las personas que las escribieron, y están traducidas.
Este podcast se hizo con código, en procvideos punto com.
Mi voz es un clon de IA, y la música es generada con IA.
Gracias por escuchar.