TBC推出Mischief：基于Wan 2.2构建、源自神经元研究的AI视频模型

生成一段简短的AI视频，往往要反复尝试，等待许久才能得到可用片段。Biological Computing Co.（TBC）正尝试借助一种不同寻常的灵感来源——对活体神经元的测量——缩短这一过程。

该公司将于10月30日通过fal.ai推出TBC Mischief。这是一款基于Wan 2.2的图生视频模型。TBC称，与底层模型相比，其版本的生成速度快5倍，成本低80%，同时输出质量也有所提升。这些对比数据来自公司自身；公告未提供独立基准测试，也没有给出足够的测试细节，无法确定这些提升在不同工作负载下能否实现。

核心区别在于生物学以何种方式融入系统。Mischief以软件形式运行在传统AI硬件上。客户并非向活细胞发送提示词，也无需安装生物处理器。TBC在研究过程中利用神经元活动，再将从中获得的认识转化为软件，用于改进现有模型。

TBC Mischief 的功能与特点

根据发布公告，Mischief将通过fal.ai的图生视频接口提供，用户可免费使用至11月2日。公告所列价格为每生成一秒视频收费0.02美元。按此价格计算，生成100段、每段5秒的视频需花费10美元，尚未计入其他工作流开销。

TBC还表示，Wonder Studios在一项制作工作流中测试了该模型，约6分钟内生成了100段、每段5秒的视频。这是公布的批量处理结果，并不代表每位用户都能达到相同的延迟表现。并发量、分辨率、采样设置和服务硬件，都会影响批量处理吞吐量与单次请求耗时之间的关系。

对创意团队来说，实际要考量的是，更快的模型能否以每美元成本生成更多可用素材。如果一个镜头需要多次重试、连贯性欠佳，或无法遵循输入图像，那么较低的生成价格就没那么重要。因此，评估Mischief时，应在相同设置下同时比较速度和成功生成的结果。

从神经元记录到软件层

在TBC的网站上，该公司介绍了一套流程：将计算挑战编码为电信号，测量培养神经网络的响应，再提取可通过软件实现的原理。其商业方案是在扩散Transformer模块外添加一个后训练层；据该公司称，这一层使底层模型的参数量增加不到0.1%。

这一小幅增加对产品的核心构想意义重大：无需完全替换为全新的基础模型，就能对现有模型进行有针对性的改动。生物学部分用于探索和开发，最终的推理系统仍然是数字化的。

该公司的Neural Dynamics Adapter技术介绍文章以更具体的方式展示了其早期研究。在这项工作中，TBC使用一套配有4,096个电极的高密度阵列，记录培养神经元的活动，将记录数据转换为数值表示，并在扩散模型中加入轻量级适配器。这项研究使用的是Oasis——一款交互式Minecraft视频模型，而非Mischief所基于的Wan 2.2模型。

这一区别很重要。在某个交互式环境中取得的研究成果可以帮助解释一种方法，却不能证明另一款独立商业产品的性能。适配器介绍文章还指出了若干局限，包括测试环境范围狭窄，且结果会随去噪设置而变化。它为一种合理的工程方向提供了依据，但能否更广泛地推广仍有待验证。

生物学研究与传统优化可以相辅相成

TBC的另一篇文章《空间与时间感知》探讨了将生物学观察结果迁移到视频生成中的另一种方式。其研究架构将局部空间处理与小型时间记忆结合起来，利用神经测量数据指导系统如何在不同帧之间保留信息。

文章还明确指出，实际部署时的速度提升来自模型改进与服务优化的共同作用。优化措施包括缓存已处理的上下文、减少采样工作量，以及高效地为多个会话提供服务。文章的研究结果针对的是基于Oasis的交互式视频系统，并非对Mischief进行的直接基准测试。

这为理解此次发布提供了有益背景：生物学研究可以为模型架构提供启发，而常见的软件技术也能继续提升最终系统的效率。如果能区分这些因素，开发者就更容易弄清哪些提升来自模型，哪些来自推理栈，哪些又取决于特定的部署方式。

接入现有AI基础设施的路径

Mischief延续了TBC在9月宣布的与Amazon Web Services合作计划。该公告概述了围绕AWS Trainium、Amazon SageMaker AI开展的工作，以及通过AWS Marketplace商业分发其源自神经元研究的软件的计划。此前的合作涉及文生视频，而Mischief此次发布则聚焦于通过fal.ai提供图生视频服务。

常见的做法是将研究成果引入开发者已经在使用的基础设施。与需要新一类实体硬件的系统相比，可通过 API 调用的模型更容易在现有创意工作流中进行评估。它也为用户提供了切实可行的机会，让他们用自己的图像、提示词和验收标准检验公司的说法。

由首席执行官兼联合创始人 Alex Ksendzovsky 和首席运营官兼联合创始人 Jon Pomeraniec 领导的 TBC 表示，公司也在探索新一代视频模型、语言模型和物理 AI。这些属于研发方向，并非此次发布所确立的能力。

怎样才能让这次发布真正有意义

下一步最有价值的证据，是与 Wan 2.2 进行可复现的对比：使用相同的硬件和分辨率，公开采样设置，分别测量延迟和吞吐量，并在广泛的输入样本上评估质量。要将推理成本降低与计算效率方面的说法联系起来，还需要能耗测量数据。

Mischief 的发布推动 TBC 的这一做法从研究描述迈向开发者能够实际测试的工具。它的长期意义，取决于相关优势能否在精选演示之外、在不同模型中依然成立。目前，具体的方案是一项受生物学实验启发的小型软件改动，旨在降低现有视频模型的使用成本。