TBC lanza Mischief, un modelo de vídeo con IA derivado de neuronas y basado en Wan 2.2

Generar un vídeo corto con IA puede implicar esperar varios intentos hasta conseguir un clip aprovechable. Biological Computing Co. (TBC) intenta acortar ese proceso inspirándose en una fuente poco habitual: las mediciones de neuronas vivas.

La empresa lanzará TBC Mischief, un modelo de imagen a vídeo basado en Wan 2.2, a través de fal.ai el 30 de octubre. TBC afirma que su versión genera vídeos cinco veces más rápido y con un coste un 80 % menor que el modelo subyacente, además de mejorar la calidad de los resultados. Se trata de comparaciones comunicadas por la empresa; el anuncio no incluye pruebas independientes ni suficientes detalles sobre las pruebas para determinar si esas mejoras se mantendrían en distintos tipos de carga de trabajo.

La diferencia fundamental está en la forma en que interviene la biología. Mischief funciona como software en hardware convencional de IA. Los clientes no envían indicaciones a células vivas ni instalan procesadores biológicos. TBC utiliza la actividad neuronal en su proceso de investigación y, después, transforma lo aprendido en software que modifica un modelo existente.

Qué ofrece TBC Mischief

Según el anuncio del lanzamiento, Mischief estará disponible a través del punto de acceso de fal.ai para generar vídeos a partir de imágenes, con acceso gratuito hasta el 2 de noviembre. El precio anunciado es de 0,02 $ por segundo de vídeo generado. A esa tarifa, 100 clips de cinco segundos costarían 10 $, sin contar otros gastos del flujo de trabajo.

TBC también afirma que Wonder Studios probó el modelo en un flujo de producción que generó 100 clips de cinco segundos en aproximadamente seis minutos. Ese es un resultado comunicado para un lote, no una medida de la latencia que debería esperar cada usuario. La concurrencia, la resolución, los ajustes de muestreo y el hardware de servicio pueden modificar la relación entre el rendimiento por lotes y el tiempo que requiere una sola solicitud.

Para los equipos creativos, la pregunta práctica es si un modelo más rápido produce más metraje aprovechable por dólar. Un menor precio de generación importa menos si una toma requiere muchos intentos, pierde continuidad o no sigue la imagen de entrada. Por tanto, evaluar Mischief implica comparar tanto la velocidad como los resultados satisfactorios con ajustes equivalentes.

De los registros neuronales a una capa de software

En el sitio web de TBC, la empresa describe un proceso que consiste en codificar desafíos computacionales como señales eléctricas, medir la respuesta de redes neuronales cultivadas y extraer principios que puedan implementarse en software. Su enfoque comercial consiste en una capa de posentrenamiento en torno a bloques de transformador de difusión que, según afirma, añade menos del 0,1 % al número de parámetros del modelo subyacente.

Esa pequeña adición es importante para la propuesta del producto: permite introducir una modificación específica en un modelo existente sin sustituirlo por un modelo fundacional completamente nuevo. El componente biológico interviene en la investigación y el desarrollo; el sistema de inferencia resultante sigue siendo digital.

La publicación técnica de Neural Dynamics Adapter de la empresa ofrece un ejemplo más concreto de sus investigaciones anteriores. En ese trabajo, TBC registró actividad neuronal cultivada mediante una matriz de alta densidad con 4.096 electrodos, convirtió esos registros en representaciones numéricas e incorporó un adaptador ligero a un modelo de difusión. El estudio utilizó Oasis, un modelo interactivo de vídeo de Minecraft, en lugar del modelo Wan 2.2 en el que se basa Mischief.

Esa distinción es importante. Un resultado de investigación obtenido en un entorno interactivo puede ayudar a explicar un método, pero no demuestra el rendimiento de un producto comercial distinto. La publicación sobre el adaptador también describe limitaciones, entre ellas un entorno de prueba restringido y resultados que variaban según los ajustes de eliminación de ruido. El trabajo respalda una línea de desarrollo técnicamente plausible, pero aún queda por demostrar que pueda generalizarse más ampliamente.

La biología y la optimización convencional pueden complementarse

Otra publicación de TBC, Una sensación de espacio y tiempo, explora una forma distinta de trasladar observaciones biológicas a la generación de vídeo. Su arquitectura de investigación combina el procesamiento espacial local con una pequeña memoria temporal y utiliza mediciones neuronales para orientar la retención de información entre fotogramas.

La publicación también deja claro que las mejoras de velocidad del sistema desplegado combinaron cambios en el modelo con optimizaciones del servicio. Entre ellas figuraban el almacenamiento en caché del contexto procesado previamente, la reducción del trabajo de muestreo y la gestión eficiente de varias sesiones. Sus conclusiones se refieren a un sistema interactivo de vídeo basado en Oasis, no a una prueba comparativa directa de Mischief.

Esto aporta un contexto útil para el lanzamiento: la investigación biológica puede orientar la arquitectura de un modelo, mientras que las técnicas de software habituales también contribuyen a la eficiencia del sistema final. Separar esas aportaciones ayudaría a los desarrolladores a entender qué mejoras proceden del modelo, cuáles de la infraestructura de inferencia y cuáles dependen de un despliegue concreto.

Una vía de acceso a la infraestructura de IA existente

Mischief llega después del anuncio de septiembre sobre una colaboración con Amazon Web Services por parte de TBC. El anuncio describía un trabajo relacionado con AWS Trainium y Amazon SageMaker AI, así como una vía para distribuir comercialmente su software derivado de neuronas a través de AWS Marketplace. La colaboración anterior se centraba en la generación de texto a vídeo; el lanzamiento de Mischief se enfoca en el acceso a la generación de imagen a vídeo mediante fal.ai.

La estrategia común consiste en incorporar la investigación a la infraestructura que los desarrolladores ya utilizan. Es más fácil evaluar un modelo accesible mediante una API dentro de un flujo de trabajo creativo existente que un sistema que requiere una nueva categoría de hardware físico. Además, ofrece a los usuarios una oportunidad práctica de contrastar las afirmaciones de la empresa con sus propias imágenes, instrucciones y criterios de aceptación.

TBC, dirigida por su director ejecutivo y cofundador Alex Ksendzovsky y su director de operaciones y cofundador Jon Pomeraniec, afirma que también está explorando modelos de vídeo más recientes, modelos de lenguaje e IA física. Se trata de líneas de desarrollo, no de capacidades que este lanzamiento haya establecido.

Qué haría que el lanzamiento fuera significativo

La evidencia más útil que podría presentarse a continuación sería una comparación reproducible con Wan 2.2: el mismo hardware y la misma resolución, parámetros de muestreo divulgados, latencia y rendimiento medidos por separado, y calidad evaluada con un amplio conjunto de entradas. También se necesitarían mediciones de consumo energético para vincular el menor coste de inferencia con las afirmaciones sobre eficiencia computacional.

El lanzamiento de Mischief lleva el enfoque de TBC de las descripciones de investigación a una herramienta que los desarrolladores pueden probar de verdad. Su importancia a largo plazo dependerá de que las ventajas se mantengan fuera de las demostraciones seleccionadas y en distintos modelos. Por ahora, la propuesta concreta consiste en una pequeña modificación de software, basada en experimentos biológicos, que busca hacer más económico el uso de un modelo de vídeo existente.