TBC, Wan 2.2 기반 신경세포 유래 AI 동영상 모델 Mischief 출시

짧은 AI 동영상을 만들려면 쓸 만한 결과물이 나올 때까지 여러 번 시도하며 기다려야 할 수 있습니다. Biological Computing Co.(TBC)는 살아 있는 신경세포에서 측정한 데이터를 활용하는 색다른 방식으로 이 과정을 단축하려 합니다.

TBC는 10월 30일 fal.ai를 통해 Wan 2.2 기반 이미지-동영상 모델 TBC Mischief를 출시합니다. TBC에 따르면 이 모델은 기반 모델보다 동영상을 5배 빠르게 생성하고 비용은 80% 낮추면서 결과물 품질도 높입니다. 이는 회사가 제시한 비교 결과입니다. 발표에는 독립적인 벤치마크가 포함되지 않았으며, 이러한 개선 효과가 다양한 작업 환경에서도 나타날지 판단할 만큼 충분한 테스트 세부 정보도 공개되지 않았습니다.

핵심은 생물학이 시스템에 어떤 방식으로 활용되는지에 있습니다. Mischief는 일반적인 AI 하드웨어에서 소프트웨어로 실행됩니다. 고객이 살아 있는 세포에 프롬프트를 보내거나 생물학적 프로세서를 설치하는 것은 아닙니다. TBC는 연구 과정에서 신경세포의 활동을 활용한 뒤, 그 과정에서 얻은 지식을 기존 모델을 수정하는 소프트웨어로 구현합니다.

TBC Mischief의 주요 기능

출시 발표에 따르면 Mischief는 fal.ai의 이미지-동영상 변환 엔드포인트를 통해 이용할 수 있으며, 11월 2일까지 무료로 사용할 수 있습니다. 발표된 가격은 생성된 동영상 1초당 0.02달러입니다. 이 요금으로 5초짜리 영상 100개를 만들면 10달러가 들며, 기타 작업 과정에서 발생하는 비용은 포함되지 않습니다.

TBC는 Wonder Studios가 제작 워크플로에서 이 모델을 테스트해 5초짜리 영상 100개를 약 6분 만에 생성했다고도 밝혔습니다. 이는 여러 영상을 한꺼번에 생성한 테스트 결과이지, 모든 사용자가 개별 요청에서 기대할 수 있는 지연 시간을 나타내는 것은 아닙니다. 동시 처리 여부, 해상도, 샘플링 설정, 서빙 하드웨어에 따라 일괄 처리량과 요청 하나를 처리하는 데 걸리는 시간의 관계는 달라질 수 있습니다.

창작팀이 실질적으로 따져야 할 점은 더 빠른 모델이 비용 1달러당 더 많은 쓸 만한 영상을 만들어 내는지 여부입니다. 한 장면을 얻기 위해 여러 번 다시 생성해야 하거나, 장면의 연속성이 깨지거나, 입력 이미지를 제대로 반영하지 못한다면 생성 비용이 낮아도 이점은 줄어듭니다. 따라서 Mischief를 평가할 때는 동일한 설정에서 속도와 성공적인 결과물의 수를 모두 비교해야 합니다.

신경세포 기록에서 소프트웨어 계층까지

TBC 웹사이트에서 회사는 계산 과제를 전기 신호로 변환하고, 배양한 신경망의 반응을 측정한 다음, 소프트웨어로 구현할 수 있는 원리를 추출하는 과정을 설명합니다. 상용 제품에서는 확산 트랜스포머 블록에 사후 학습 계층을 추가합니다. TBC에 따르면 이 계층이 기반 모델의 매개변수 수를 늘리는 비율은 0.1% 미만입니다.

이처럼 추가되는 부분이 작다는 점은 제품의 핵심 구상에서 중요한 의미를 갖습니다. 완전히 새로운 기반 모델로 교체하지 않고도 기존 모델을 특정 목적에 맞게 수정할 수 있기 때문입니다. 생물학적 요소는 발견과 개발 과정에 활용되며, 최종 추론 시스템은 디지털 방식으로 유지됩니다.

TBC가 게시한 Neural Dynamics Adapter 기술 자료에는 이전 연구를 보여 주는 구체적인 사례가 담겨 있습니다. TBC는 이 연구에서 전극 4,096개가 탑재된 고밀도 배열을 사용해 배양 신경세포의 활동을 기록하고, 이를 수치 표현으로 변환한 뒤, 경량 어댑터를 확산 모델에 통합했습니다. 연구에는 Mischief의 기반인 Wan 2.2가 아니라 인터랙티브 Minecraft 동영상 모델인 Oasis가 사용됐습니다.

이 구분은 중요합니다. 하나의 인터랙티브 환경에서 얻은 연구 결과는 방법론을 설명하는 데 도움이 될 수 있지만, 별도의 상용 제품 성능을 입증하지는 않습니다. 어댑터 관련 게시물은 테스트 환경이 제한적이고 노이즈 제거 설정에 따라 결과가 달라지는 등 한계도 설명합니다. 이 연구는 타당해 보이는 엔지니어링 방향을 뒷받침하지만, 더 폭넓은 환경에서도 같은 효과가 나타날지는 앞으로 입증해야 합니다.

생물학과 기존 최적화 기법의 결합

TBC가 별도로 게시한 공간과 시간에 대한 감각은 생물학적 관찰 결과를 동영상 생성에 적용하는 또 다른 방법을 살펴봅니다. 이 연구의 아키텍처는 국소 공간 처리와 소규모 시간 메모리를 결합하고, 프레임 간 정보를 어떻게 유지할지 결정하는 데 신경세포 측정값을 활용합니다.

이 게시물은 실제 배포된 시스템의 속도 개선이 모델 변경과 서빙 최적화를 결합한 결과라고도 분명히 밝힙니다. 최적화에는 이미 처리한 컨텍스트 캐싱, 샘플링 작업 축소, 여러 세션의 효율적인 서빙이 포함됐습니다. 연구 결과는 Oasis 기반 인터랙티브 동영상 시스템에 관한 것이며, Mischief를 직접 벤치마크한 결과는 아닙니다.

이 내용은 이번 출시를 이해하는 데 유용한 맥락을 제공합니다. 생물학 연구가 모델 아키텍처에 영향을 주는 동시에, 널리 쓰이는 소프트웨어 기법도 최종 시스템의 효율을 높일 수 있습니다. 각각의 기여를 구분하면 개발자는 어떤 개선이 모델에서 비롯되고, 어떤 개선이 추론 스택에서 비롯되며, 어떤 개선이 특정 배포 환경에 따라 달라지는지 파악하는 데 도움이 됩니다.

기존 AI 인프라로 이어지는 경로

Mischief의 출시는 TBC가 9월에 발표한 Amazon Web Services와의 협력에 이어 이루어졌습니다. 당시 발표에서는 AWS Trainium과 Amazon SageMaker AI를 활용하는 작업, 그리고 신경세포 유래 소프트웨어를 AWS Marketplace를 통해 상용 배포하는 방안이 소개됐습니다. 앞서 발표된 협력은 텍스트-동영상 변환 작업에 관한 것이었으며, Mischief 출시는 fal.ai를 통한 이미지-동영상 변환 이용에 초점을 둡니다.

일반적인 전략은 개발자들이 이미 사용하는 인프라에 연구 성과를 접목하는 것이다. API로 이용할 수 있는 모델은 새로운 종류의 물리적 하드웨어가 필요한 시스템보다 기존의 창작 작업 흐름 안에서 평가하기 쉽다. 또한 사용자가 자신의 이미지와 프롬프트, 수용 기준을 바탕으로 회사의 주장을 직접 검증해 볼 수 있는 실질적인 기회도 제공한다.

CEO 겸 공동 창업자 Alex Ksendzovsky와 COO 겸 공동 창업자 Jon Pomeraniec이 이끄는 TBC는 최신 비디오 모델과 언어 모델, 물리적 AI도 살펴보고 있다고 밝혔다. 이는 개발 방향일 뿐, 이번 출시를 통해 구현된 기능은 아니다.

이번 출시의 의미를 입증하려면 무엇이 필요할까

다음 단계에서 가장 유용한 근거는 Wan 2.2와 재현 가능한 방식으로 비교한 결과일 것이다. 여기에는 동일한 하드웨어와 해상도, 공개된 샘플링 설정, 지연 시간과 처리량을 각각 측정한 결과, 그리고 폭넓은 입력을 대상으로 평가한 품질이 포함돼야 한다. 추론 비용 절감이 연산 효율성에 관한 주장과 어떤 관계가 있는지 밝히려면 에너지 측정도 필요하다.

Mischief의 출시는 TBC의 접근 방식을 연구 설명에서 개발자가 실제로 시험해 볼 수 있는 도구로 발전시킨다. 장기적인 의미는 선별된 시연을 벗어나 다양한 모델에서도 이점이 유지되는지에 달려 있다. 현재 구체적으로 제시된 것은 생물학 실험을 바탕으로 한 소규모 소프트웨어 수정으로, 기존 비디오 모델을 더 경제적으로 사용할 수 있게 하는 것을 목표로 한다.