TBC 推出基于 Wan 2.2 的神经元启发视频模型 Mischief

生成一段简短的 AI 视频，可能意味着要反复尝试、等待多次，才能得到一段可用的片段。The Biological Computing Co.（TBC）正试图用一种不同寻常的灵感来源来缩短这一循环：对活体神经元的测量。

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，其版本生成视频的速度提升 5 倍、成本降低 80%，同时输出质量有所提高。这些是公司自报的对比数据；公告并未提供独立基准，也没有足够的测试细节来说明这些提升在不同工作负载下会如何体现。

核心区别在于生物学如何进入该系统。Mischief 作为软件运行在常规 AI 硬件上。客户并不是向活细胞发送提示词，也不是安装生物处理器。TBC 在其研究过程中利用神经元活动，然后将所学到的内容转化为软件，用来修改现有模型。

TBC Mischief 提供什么

根据发布公告，Mischief 将通过 fal.ai 的图生视频端点提供，并在 11 月 2 日前免费使用。公布的价格为每生成一秒视频 0.02 美元。按此价格，100 个五秒片段将花费 10 美元，这还不包括其他工作流费用。

TBC 还称，Wonder Studios 在一个生产工作流中测试了该模型，在大约六分钟内生成了 100 个五秒片段。这是报告的批量结果，而不是每个单独用户都应预期的延迟指标。并发数、分辨率、采样设置和 serving 硬件都可能改变批量吞吐量与单个请求所需时间之间的关系。

对于创意团队来说，实际问题在于更快的模型能否以每美元产出更多可用素材。如果某个镜头需要多次重试、失去连续性或未能遵循输入图像，那么更低的生成价格就没那么重要。因此，评估 Mischief 意味着在同等设置下同时比较速度和成功输出。

从神经元记录到软件层

在 TBC 的网站上，该公司描述了这样一个流程：将计算挑战编码为电信号，测量培养的神经元网络如何响应，并提取可在软件中实现的原则。其商业方法是在扩散 Transformer 块周围添加一个后训练层，该公司称这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前提很重要：现有模型可以接受有针对性的修改，而不必被一个全新的基础模型取代。生物组件属于发现和开发环节；由此产生的推理系统仍然是数字化的。

该公司的 Neural Dynamics Adapter 技术文章为其早期研究提供了更具体的例子。在那项工作中，TBC 使用具有 4,096 个电极的高密度阵列记录培养的神经活动，将这些记录转换为数值表示，并将一个轻量级适配器纳入扩散模型。该研究使用的是 Oasis，一个交互式 Minecraft 视频模型，而不是支撑 Mischief 的 Wan 2.2 模型。

这一区别很重要。一个交互环境中的研究结果可以帮助解释一种方法，但不能证明另一个商业产品的性能。适配器文章还描述了局限性，包括其测试环境狭窄，以及结果会随去噪设置而变化。它支持了一个合理的工程方向，但更广泛的泛化能力仍有待证明。

生物学与常规优化可以协同工作

TBC 的另一篇文章《A Sense of Space and Time》探讨了另一种将生物学观察迁移到视频生成中的方式。其研究架构将局部空间处理与小型时间记忆相结合，利用神经测量来指导信息如何跨帧保留。

该文章还明确指出，其部署中的速度提升结合了模型改动与 serving 优化。这些包括缓存先前处理过的上下文、减少采样工作，以及高效地服务多个会话。其发现涉及基于 Oasis 的交互式视频系统，而不是对 Mischief 的直接基准测试。

这为此次发布提供了有用的背景：生物学研究可以为模型架构提供信息，而熟悉的软件技术仍然有助于最终系统的效率。区分这些贡献将帮助开发者理解哪些收益来自模型、哪些来自推理栈，以及哪些取决于特定部署。

进入现有 AI 基础设施的一条路径

Mischief 的发布紧随 TBC 9 月宣布与 Amazon Web Services 合作之后。该公告概述了涉及 AWS Trainium、Amazon SageMaker AI 的工作，以及通过 AWS Marketplace 对其神经元衍生软件进行商业分发的路径。此前的合作涉及文本生成视频工作；而 Mischief 的发布则聚焦于通过 fal.ai 实现图生视频访问。

共同的策略是将研究成果引入开发者已在使用的基础设施中。可通过 API 访问的模型比需要一类全新物理硬件的系统更容易在现有创意流程中评估。它也为用户提供了一个实际机会，用他们自己的图像、提示词和验收标准来检验该公司的说法。

TBC 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，该公司表示还在探索更新的视频模型、语言模型和物理 AI。这些是开发方向，而非本次发布所确立的能力。

什么会让这次发布有意义

最有用的下一步证据将是与 Wan 2.2 进行可复现的对比：相同的硬件和分辨率、公开的采样设置、分别测量的延迟和吞吐量，以及在广泛输入集上评估的质量。还需要进行能耗测量，以将更低的推理成本与关于计算效率的说法联系起来。

Mischief 的发布将 TBC 的方法从研究描述推进为开发者真正可以测试的工具。其长期意义将取决于这些优势能否在选定演示之外以及在不同模型上依然成立。目前，具体的提议是一个受生物学实验启发的小型软件修改，旨在让现有视频模型的使用更经济。