TBC、Wan 2.2を基盤とするニューロン由来のAI動画モデル「Mischief」を発表

短いAI動画を生成する場合でも、使えるクリップができるまで何度も試し、待たなければならないことがある。Biological Computing Co.（TBC）は、生きたニューロンの測定データという異色の着想源を活用し、その試行錯誤にかかる時間の短縮を目指している。

同社は10月30日、Wan 2.2を基盤とする画像から動画を生成するモデル「TBC Mischief」を、fal.aiを通じて提供開始する。TBCによると、同社のモデルは基盤モデルと比べ、出力品質を高めながら、動画生成を5倍高速化し、コストを80%削減するという。これらは同社が公表した比較結果であり、発表には独立したベンチマークや、さまざまなワークロードで効果がどの程度得られるかを判断するのに十分なテストの詳細は示されていない。

重要なのは、生物学的要素がシステムにどのように取り入れられているかだ。Mischiefは一般的なAIハードウェア上で動作するソフトウェアである。顧客が生きた細胞にプロンプトを送ったり、生物学的プロセッサーを設置したりするわけではない。TBCは研究過程でニューロンの活動を利用し、そこから得た知見を、既存モデルを変更するソフトウェアへと変換している。

TBC Mischiefでできること

発表によると、Mischiefはfal.aiの画像から動画を生成するエンドポイントを通じて利用可能となり、11月2日までは無料で使える。発表された料金は、生成動画1秒あたり0.02ドル。これに基づくと、5秒のクリップを100本生成した場合、ほかのワークフロー費用を含めずに10ドルかかる。

TBCによると、Wonder Studiosは本番ワークフローでモデルをテストし、5秒のクリップ100本をおよそ6分で生成した。これは報告されたバッチ処理の結果であり、個々のユーザーが常に期待できるレイテンシーを示すものではない。同時実行数、解像度、サンプリング設定、サーバーのハードウェアは、いずれもバッチ処理のスループットと1回のリクエストに必要な時間との関係に影響する。

クリエイティブチームにとって実際に重要なのは、モデルの高速化によって、1ドルあたりに使える映像が増えるかどうかだ。ショットの生成に何度もやり直しが必要だったり、映像の連続性が失われたり、入力画像に沿った出力が得られなかったりするなら、生成料金が安くても重要性は薄れる。そのためMischiefを評価するには、同じ条件のもとで速度と出力の成功率の両方を比較する必要がある。

ニューロンの記録からソフトウェア層へ

TBCのウェブサイトで同社は、計算上の課題を電気信号に変換し、培養したニューロンのネットワークの反応を測定したうえで、ソフトウェアに実装できる原理を抽出する一連のプロセスを説明している。同社の商用アプローチは、拡散トランスフォーマーブロックにポストトレーニング層を追加するもので、基盤モデルのパラメーター数に対する増加は0.1%未満だという。

このわずかな追加は、製品の基本構想にとって重要だ。既存モデルをまったく新しい基盤モデルに置き換えることなく、狙いを定めた変更を加えられる。生物学的要素が関わるのは発見と開発の段階であり、その結果として得られる推論システムはデジタルのままだ。

同社のNeural Dynamics Adapterに関する技術解説記事では、先行研究のより具体的な事例が紹介されている。この研究では、TBCは4,096個の電極を備えた高密度アレイを使って培養神経の活動を記録し、その記録を数値表現に変換して、軽量なアダプターを拡散モデルに組み込んだ。研究で使用されたのは、Mischiefの基盤となるWan 2.2ではなく、インタラクティブなMinecraft動画モデルのOasisだった。

この違いは重要だ。あるインタラクティブ環境で得られた研究結果は、手法の説明には役立つが、別の商用製品の性能を証明するものではない。また、アダプターに関する記事では、テスト環境が限定的であることや、ノイズ除去の設定によって結果が変わることなど、制約についても説明している。この研究は妥当性のある技術開発の方向性を示す一方、より広い範囲で有効かどうかは、今後の実証に委ねられている。

生物学的手法と従来の最適化は組み合わせられる

TBCの別の記事「空間と時間の感覚」では、生物学から得た知見を動画生成に応用する別の方法を取り上げている。研究アーキテクチャは、局所的な空間処理と小規模な時間記憶を組み合わせ、フレーム間で情報を保持する方法を導くために神経の測定データを利用する。

この記事では、実運用時の速度向上が、モデルの変更とサービングの最適化を組み合わせた結果であることも明記されている。具体的には、処理済みのコンテキストのキャッシュ、サンプリング処理の削減、複数セッションの効率的な提供が含まれる。記事の研究結果はOasisを基盤とするインタラクティブ動画システムに関するものであり、Mischiefを直接ベンチマークした結果ではない。

これは今回の発表を理解するうえで参考になる。生物学の研究がモデルアーキテクチャに知見をもたらす一方で、最終的なシステムの効率には従来のソフトウェア技術も寄与し得る。それぞれの貢献を切り分ければ、どの改善がモデルによるものか、推論スタックによるものか、あるいは特定のデプロイ環境に依存するのかを、開発者が把握しやすくなる。

既存のAIインフラへの展開

Mischiefの発表は、TBCが9月にAmazon Web Servicesとの協業を発表したことに続くものだ。その発表では、AWS TrainiumとAmazon SageMaker AIを活用する取り組みや、ニューロン由来のソフトウェアをAWS Marketplaceを通じて商用提供する道筋が示された。先の協業はテキストから動画を生成する取り組みに関するもので、Mischiefの発表ではfal.aiを通じた画像から動画へのアクセスに焦点が当てられている。

一般的な戦略は、開発者がすでに利用しているインフラに研究成果を持ち込むことだ。API経由で利用できるモデルは、新たな種類の物理ハードウェアを必要とするシステムに比べ、既存のクリエイティブ制作パイプライン内で評価しやすい。また、ユーザーが自分の画像やプロンプト、受け入れ基準を使って、同社の主張を実際に検証する機会にもなる。

CEO兼共同創業者のAlex Ksendzovsky氏とCOO兼共同創業者のJon Pomeraniec氏が率いるTBCは、より新しい動画モデルや言語モデル、フィジカルAIの研究も進めているという。ただし、これらは開発の方向性であり、今回のリリースで実現した機能ではない。

今回の発表を意義あるものにするには

次に示されると有用なのは、Wan 2.2との再現可能な比較だろう。同一のハードウェアと解像度を使い、サンプリング設定を公開したうえで、レイテンシとスループットを個別に測定し、幅広い入力を対象に品質を評価する必要がある。推論コストの低下と計算効率に関する主張を結び付けるには、エネルギー消費量の測定も必要となる。

Mischiefの発表により、TBCの取り組みは研究内容の説明から、開発者が実際に試せるツールへと進んだ。その長期的な意義は、選ばれたデモの範囲を超え、さまざまなモデルでも優位性が保たれるかどうかにかかっている。現時点で示されているのは、生物学的実験に着想を得た小規模なソフトウェア変更によって、既存の動画モデルをより低コストで利用できるようにするという提案だ。