TBC lança Mischief, um modelo de vídeo com IA derivado de neurônios e desenvolvido com base no Wan 2.2

Gerar um vídeo curto com IA pode significar esperar por várias tentativas até que surja um clipe aproveitável. A Biological Computing Co. (TBC) está tentando encurtar esse ciclo com uma fonte de inspiração incomum: medições de neurônios vivos.

A empresa lança TBC Mischief, um modelo que transforma imagens em vídeo com base no Wan 2.2, por meio da fal.ai em 30 de outubro. Segundo a TBC, sua versão gera vídeos cinco vezes mais rápido, com custo 80% menor que o do modelo subjacente, além de melhorar a qualidade das saídas. Essas comparações foram divulgadas pela própria empresa; o anúncio não apresenta um benchmark independente nem detalhes suficientes sobre os testes para determinar como os ganhos se aplicariam a diferentes cargas de trabalho.

A principal diferença está na maneira como a biologia é incorporada ao sistema. Mischief funciona como software em hardware convencional de IA. Os clientes não enviam comandos a células vivas nem instalam processadores biológicos. A TBC usa a atividade neuronal em seu processo de pesquisa e, em seguida, traduz o que aprende em software que modifica um modelo existente.

O que TBC Mischief oferece

Segundo o anúncio de lançamento, Mischief estará disponível pelo ponto de acesso da fal.ai para geração de vídeo a partir de imagens, com acesso gratuito até 2 de novembro. O preço anunciado é de US$ 0,02 por segundo de vídeo gerado. A essa tarifa, 100 clipes de cinco segundos custariam US$ 10, sem contar outras despesas do fluxo de trabalho.

A TBC também afirma que a Wonder Studios testou o modelo em um fluxo de produção que gerou 100 clipes de cinco segundos em cerca de seis minutos. Esse é um resultado divulgado para um lote, não uma medida da latência que cada usuário deve esperar. A simultaneidade, a resolução, as configurações de amostragem e o hardware que executa o serviço podem alterar a relação entre a taxa de processamento de um lote e o tempo necessário para uma única solicitação.

Para equipes criativas, a questão prática é saber se um modelo mais rápido produz mais cenas aproveitáveis por dólar. Um preço menor por geração importa menos se uma cena exige muitas tentativas, perde continuidade ou não acompanha a imagem de entrada. Portanto, avaliar Mischief significa comparar tanto a velocidade quanto a quantidade de resultados bem-sucedidos em condições equivalentes.

Das gravações neuronais a uma camada de software

No site da TBC, a empresa descreve uma sequência que consiste em codificar desafios computacionais em sinais elétricos, medir as respostas de redes neuronais cultivadas e extrair princípios que possam ser implementados em software. Sua abordagem comercial consiste em uma camada de pós-treinamento aplicada a blocos de transformador de difusão, que, segundo a empresa, acrescenta menos de 0,1% à contagem de parâmetros do modelo subjacente.

Esse pequeno acréscimo é importante para a proposta do produto: um modelo existente pode receber uma modificação direcionada sem ser substituído por um modelo fundacional inteiramente novo. O componente biológico faz parte da descoberta e do desenvolvimento; o sistema de inferência resultante continua sendo digital.

A publicação técnica sobre o Neural Dynamics Adapter da empresa apresenta um exemplo mais concreto de suas pesquisas anteriores. Nesse trabalho, a TBC registrou a atividade neural de culturas usando uma matriz de alta densidade com 4.096 eletrodos, converteu essas gravações em representações numéricas e incorporou um adaptador leve a um modelo de difusão. O estudo usou Oasis, um modelo interativo de vídeo de Minecraft, e não o modelo Wan 2.2 que serve de base para Mischief.

Essa distinção é importante. Um resultado de pesquisa em um ambiente interativo pode ajudar a explicar um método sem comprovar o desempenho de um produto comercial diferente. A publicação sobre o adaptador também descreve limitações, entre elas o ambiente de teste restrito e resultados que variaram conforme as configurações de remoção de ruído. O trabalho respalda uma direção de engenharia plausível, mas ainda deixa por demonstrar sua generalização a contextos mais amplos.

Biologia e otimização convencional podem trabalhar juntas

Outra publicação da TBC, Uma percepção de espaço e tempo, explora uma forma diferente de transferir observações biológicas para a geração de vídeo. Sua arquitetura de pesquisa combina processamento espacial local com uma pequena memória temporal e usa medições neurais para orientar a retenção de informações entre os quadros.

A publicação também deixa claro que as melhorias de velocidade no sistema implantado combinaram mudanças no modelo com otimizações na execução do serviço. Entre elas estavam o armazenamento em cache de contextos já processados, a redução do trabalho de amostragem e a execução eficiente de várias sessões. As descobertas dizem respeito a um sistema interativo de vídeo baseado no Oasis, não a um benchmark direto do Mischief.

Isso oferece um contexto útil para o lançamento: a pesquisa biológica pode orientar a arquitetura de um modelo, enquanto técnicas de software conhecidas também contribuem para a eficiência do sistema final. Separar essas contribuições ajudaria os desenvolvedores a entender quais ganhos vêm do modelo, quais vêm da pilha de inferência e quais dependem de uma implantação específica.

Um caminho para a infraestrutura de IA existente

Mischief dá continuidade ao anúncio de setembro sobre uma colaboração com a Amazon Web Services feito pela TBC. O anúncio descreveu um trabalho que envolve AWS Trainium, Amazon SageMaker AI e um caminho para a distribuição comercial de seu software derivado de neurônios pelo AWS Marketplace. A colaboração anterior dizia respeito à geração de vídeo a partir de texto; o lançamento do Mischief se concentra no acesso à geração de vídeo a partir de imagens por meio da fal.ai.

A estratégia comum é levar a pesquisa para infraestruturas que os desenvolvedores já utilizam. É mais fácil avaliar um modelo acessível por API em um fluxo de trabalho criativo existente do que um sistema que exija uma nova categoria de hardware físico. Isso também oferece aos usuários uma oportunidade prática de testar as afirmações da empresa usando suas próprias imagens, instruções e critérios de aceitação.

A TBC, liderada pelo CEO e cofundador Alex Ksendzovsky e pelo COO e cofundador Jon Pomeraniec, afirma que também está explorando modelos de vídeo mais recentes, modelos de linguagem e IA física. Essas são direções de desenvolvimento, e não recursos comprovados por este lançamento.

O que tornaria o lançamento relevante

A próxima evidência mais útil seria uma comparação reproduzível com o Wan 2.2: hardware e resolução idênticos, configurações de amostragem divulgadas, latência e taxa de processamento medidas separadamente e qualidade avaliada em um conjunto amplo de entradas. Também seriam necessárias medições de energia para relacionar o menor custo de inferência às afirmações sobre eficiência computacional.

O lançamento do Mischief leva a abordagem da TBC das descrições de pesquisa a uma ferramenta que os desenvolvedores podem testar de fato. Sua relevância a longo prazo dependerá de as vantagens se manterem fora de demonstrações selecionadas e em diferentes modelos. Por enquanto, a proposta concreta é uma pequena modificação de software, inspirada em experimentos biológicos, que busca tornar mais econômico o uso de um modelo de vídeo existente.