TBC uvádí Mischief, model umělé inteligence pro tvorbu videí odvozený z neuronů a postavený na Wan 2.2

Vytvoření krátkého videa pomocí umělé inteligence může znamenat opakované čekání a pokusy, než vznikne použitelný klip. Společnost Biological Computing Co. (TBC) se tento proces snaží zkrátit a čerpá přitom inspiraci z neobvyklého zdroje: měření živých neuronů.

Společnost 30. října prostřednictvím fal.ai uvádí TBC Mischief, model pro převod obrázků na video založený na Wan 2.2. TBC tvrdí, že její verze generuje videa pětkrát rychleji a s o 80 % nižšími náklady než původní model, přičemž zlepšuje kvalitu výstupu. Jde o srovnání uváděná společností; oznámení neobsahuje nezávislé srovnávací testy ani dostatek podrobností o testování, které by ukázaly, nakolik se tyto přínosy projeví u různých pracovních postupů.

Zásadní rozdíl spočívá v tom, jakým způsobem do systému vstupuje biologie. Mischief funguje jako software na běžném hardwaru pro umělou inteligenci. Zákazníci neposílají pokyny živým buňkám ani neinstalují biologické procesory. TBC využívá ve výzkumu neuronální aktivitu a poznatky z ní následně převádí do softwaru, který upravuje stávající model.

Co TBC Mischief nabízí

Podle oznámení o uvedení bude Mischief dostupný prostřednictvím koncového bodu fal.ai pro převod obrázků na video a do 2. listopadu k němu bude přístup zdarma. Oznámená cena činí 0,02 $ za sekundu vygenerovaného videa. Při této sazbě by 100 klipů o délce pěti sekund stálo 10 $, a to bez započítání dalších nákladů na pracovní postup.

TBC také uvádí, že Wonder Studios model vyzkouvalo v produkčním pracovním postupu, v němž bylo přibližně za šest minut vygenerováno 100 klipů o délce pěti sekund. Jde o uváděný výsledek dávkového zpracování, nikoli o údaj o latenci, kterou by měl očekávat každý jednotlivý uživatel. Vztah mezi propustností dávkového zpracování a dobou potřebnou pro jeden požadavek mohou ovlivnit souběžnost, rozlišení, nastavení vzorkování i obslužný hardware.

Pro tvůrčí týmy je praktickou otázkou, zda rychlejší model přináší za každý dolar více použitelného videozáznamu. Nižší cena generování má menší význam, pokud je třeba záběr mnohokrát opakovat, ztrácí kontinuitu nebo neodpovídá vstupnímu obrázku. Při hodnocení Mischief je proto třeba porovnávat jak rychlost, tak úspěšnost výstupů při stejném nastavení.

Od záznamů neuronální aktivity k softwarové vrstvě

Na webových stránkách TBC společnost popisuje postup, při němž se výpočetní úlohy zakódují do elektrických signálů, měří se reakce kultivovaných neuronových sítí a získávají se principy, které lze implementovat do softwaru. Její komerční řešení tvoří vrstva následného trénování kolem bloků difuzního transformátoru, která podle společnosti zvyšuje počet parametrů původního modelu o méně než 0,1 %.

Toto malé rozšíření je pro samotnou podstatu produktu důležité: stávající model lze cíleně upravit, aniž by jej bylo nutné nahradit zcela novým základním modelem. Biologická složka se uplatňuje při objevování a vývoji; výsledný inferenční systém zůstává digitální.

Technický článek o Neural Dynamics Adapter společnosti přináší konkrétnější příklad jejího dřívějšího výzkumu. V této práci TBC zaznamenávala aktivitu kultivovaných neuronů pomocí vysokohustotního pole se 4 096 elektrodami, převáděla tyto záznamy na číselné reprezentace a do difuzního modelu začlenila lehký adaptér. Studie využívala Oasis, interaktivní video model Minecraftu, nikoli model Wan 2.2, na němž je Mischief postaven.

Na tomto rozdílu záleží. Výsledek výzkumu v jednom interaktivním prostředí může pomoci objasnit určitou metodu, ale nedokazuje výkonnost samostatného komerčního produktu. Článek o adaptéru popisuje také omezení, včetně úzce vymezeného testovacího prostředí a výsledků, které se měnily podle nastavení odšumování. Podporuje tak věrohodný směr technického vývoje, jeho širší zobecnitelnost však teprve musí být prokázána.

Biologie a běžné optimalizační postupy mohou spolupracovat

Další příspěvek TBC, Smysl pro prostor a čas, zkoumá jiný způsob, jak přenášet poznatky z biologie do generování videa. Výzkumná architektura kombinuje lokální prostorové zpracování s krátkodobou časovou pamětí a využívá neuronální měření k tomu, aby určovala, jak se informace uchovávají mezi jednotlivými snímky.

Příspěvek výslovně uvádí, že zlepšení rychlosti nasazeného systému vycházela z kombinace změn modelu a optimalizací obsluhy. Patřilo k nim ukládání dříve zpracovaného kontextu do mezipaměti, omezení práce spojené se vzorkováním a efektivní obsluha více relací. Zjištění se týkají interaktivního videosystému založeného na Oasis, nikoli přímého srovnávacího testu Mischief.

Tato zjištění poskytují užitečný kontext pro uvedení produktu: biologický výzkum může ovlivnit architekturu modelu, zatímco k efektivitě výsledného systému stále přispívají zavedené softwarové techniky. Oddělení těchto příspěvků by vývojářům pomohlo pochopit, které přínosy pocházejí z modelu, které z inferenčního zásobníku a které závisí na konkrétním způsobu nasazení.

Cesta do stávající infrastruktury umělé inteligence

Mischief navazuje na zářijové oznámení TBC o spolupráci se společností Amazon Web Services. Oznámení představilo spolupráci zahrnující AWS Trainium, Amazon SageMaker AI a plán komerční distribuce softwaru odvozeného z neuronů prostřednictvím AWS Marketplace. Předchozí spolupráce se týkala převodu textu na video; uvedení Mischief se zaměřuje na přístup k převodu obrázků na video prostřednictvím fal.ai.

Obvyklou strategií je začlenit výzkum do infrastruktury, kterou vývojáři již používají. Model dostupný prostřednictvím API lze snáze vyhodnotit v rámci stávajícího tvůrčího procesu než systém, který vyžaduje novou kategorii fyzického hardwaru. Uživatelům také nabízí praktickou možnost ověřit tvrzení společnosti na vlastních obrázcích, zadáních a kritériích přijatelnosti.

Společnost TBC, kterou vedou generální ředitel a spoluzakladatel Alex Ksendzovsky a provozní ředitel a spoluzakladatel Jon Pomeraniec, uvádí, že zkoumá také novější video modely, jazykové modely a fyzickou umělou inteligenci. Jde o směry dalšího vývoje, nikoli o schopnosti, které by tato verze již nabízela.

Co by uvedení na trh dodalo na významu

Nejužitečnějším dalším důkazem by bylo reprodukovatelné srovnání s modelem Wan 2.2: stejný hardware a rozlišení, zveřejněná nastavení vzorkování, samostatně měřená latence a propustnost a hodnocení kvality na široké škále vstupů. K propojení nižších nákladů na inferenci s tvrzeními o výpočetní efektivitě by bylo třeba také měřit spotřebu energie.

Uvedení Mischiefu posouvá přístup společnosti TBC od popisů výzkumu k nástroji, který si vývojáři mohou skutečně vyzkoušet. Jeho dlouhodobější význam bude záviset na tom, zda se jeho výhody potvrdí i mimo vybrané ukázky a napříč různými modely. Konkrétní příslib je zatím skromný: drobná softwarová úprava vycházející z biologických experimentů, jejímž cílem je zlevnit používání stávajícího video modelu.