Des cellules en laboratoire, des vidéos sur GPU : l'étrange recette de Mischief 1

Avec Mischief 1, TBC exploite des découvertes réalisées sur des neurones vivants pour accélérer Wan 2.2. Une vidéo IA annoncée cinq fois plus rapide et 80 % moins coûteuse.

Et si le meilleur moyen d'accélérer la génération vidéo consistait à observer comment des neurones vivants traitent l'information ? C'est le pari de The Biological Computing Co. (TBC), une startup de San Francisco qui vient de transformer plusieurs années de recherche en neurosciences en un premier produit commercial. Baptisé Mischief 1, son modèle de génération vidéo s'appuie sur Wan 2.2, dont il promet de conserver la qualité tout en réduisant considérablement le temps de calcul et les coûts. La particularité de cette optimisation tient à son origine : elle aurait été découverte en étudiant l'activité électrique de cultures neuronales, avant d'être traduite en logiciel.

La proposition intrigue autant qu'elle appelle à la prudence. TBC annonce une génération cinq fois plus rapide et un coût d'inférence réduit de 80 % par rapport au modèle d'origine. Mais ces performances sont issues des évaluations de l'entreprise, sans démonstration indépendante détaillée permettant encore d'isoler la contribution exacte des découvertes biologiques. Une chose est néanmoins certaine : Mischief 1 ne fonctionne pas sur des cellules vivantes. Les neurones restent au laboratoire, tandis que les utilisateurs disposent d'un modèle entièrement logiciel, exécuté sur des cartes graphiques conventionnelles. Quand les neurones deviennent une piste d'optimisation informatique

Derrière TBC se trouvent Alex Ksendzovsky et Jon Pomeraniec, deux cofondateurs issus des neurosciences et de la neurochirurgie. Leur entreprise développe une plateforme de recherche destinée à comprendre certains mécanismes de traitement de l'information dans des réseaux de neurones biologiques, puis à identifier des principes susceptibles d'améliorer l'efficacité des modèles d'intelligence artificielle.

La méthode repose sur des cultures de neurones vivants placées sur des dispositifs équipés d'électrodes. Les chercheurs convertissent des informations visuelles en signaux électriques, stimulent les réseaux neuronaux et enregistrent leurs réponses. Ils peuvent ainsi observer comment l'activité se propage, comment les cellules interagissent et comment ces réponses évoluent dans le temps.

L'objectif n'est pas de reproduire intégralement le fonctionnement du cerveau humain, mais d'identifier certains comportements computationnels intéressants. Les chercheurs comparent les stimuli envoyés aux réponses enregistrées, à la recherche de relations entre l'organisation temporelle des signaux et le traitement de l'information.

Ces observations sont ensuite traduites en modifications logicielles, testées sur des architectures d'IA existantes. TBC présente donc une démarche qui ne consiste pas simplement à s'inspirer de la biologie de manière abstraite, mais à utiliser directement des mesures expérimentales pour orienter ses optimisations.

Sur sa présentation technique, l'entreprise détaille les grandes étapes de cette méthode. En revanche, les informations publiques ne permettent pas encore de reconstituer précisément les transformations mathématiques utilisées ni de mesurer indépendamment la contribution de chaque composant. Wan 2.2 accéléré, sans reconstruire tout le modèle

Mischief 1 est un modèle image-to-video, capable d'animer une image initiale à partir d'une instruction textuelle. Il repose sur Wan 2.2, une architecture vidéo à poids ouverts déjà utilisée dans de nombreux environnements de création générative.

Plutôt que d'entraîner un système entièrement nouveau, TBC a ajouté une couche logicielle propriétaire issue de ses recherches sur les neurones. Selon l'entreprise, cette modification représente moins de 0,1 % du nombre de paramètres du modèle d'origine.

Cette légèreté constitue une partie importante de la proposition. Les méthodes habituelles d'optimisation cherchent notamment à réduire la précision numérique, diminuer le nombre d'étapes de génération, compresser certaines représentations ou améliorer l'utilisation des ressources matérielles. TBC affirme apporter une autre source d'efficacité, issue de l'étude des réseaux neuronaux biologiques.

Le résultat serait une version de Wan 2.2 capable de produire des séquences comparables en nettement moins de temps. L'entreprise indique également travailler à l'application de cette méthode à des modèles vidéo plus récents, avec des gains préliminaires qu'elle décrit comme encore plus importants.

Il reste cependant difficile de déterminer quelle part de l'amélioration provient exclusivement de la couche dérivée des expériences biologiques. Sans publication technique détaillée ni comparaison indépendante contrôlant l'ensemble des paramètres d'exécution, la distinction entre innovation scientifique et optimisation logicielle conventionnelle demeure ouverte. Cinq fois plus rapide, avec des chiffres qui demandent à être précisés

Sur la page officielle de Mischief 1, TBC met en avant une accélération d'au moins cinq fois et une réduction des coûts d'inférence de 80 % par rapport au modèle de base.

Une démonstration présente notamment un temps de génération de 142 secondes pour Wan 2.2, contre 12 secondes pour Mischief 1. Cet exemple représente un écart d'environ douze fois, supérieur au facteur cinq mis en avant dans la communication générale. Les deux chiffres peuvent correspondre à des conditions ou des mesures différentes, mais le protocole publié ne suffit pas à expliquer complètement cet écart.

TBC précise que les temps proviennent de ses propres évaluations sur GPU et que les performances réelles peuvent varier selon le matériel et les conditions d'utilisation. La qualité visuelle comparable à Wan 2.2 constitue elle aussi une affirmation de l'entreprise, qui devra être confrontée à des évaluations indépendantes sur des scènes complexes, des mouvements rapides et différents types d'images.

Cette prudence ne retire pas l'intérêt du résultat annoncé. La génération vidéo reste une opération exigeante, particulièrement lorsque les créateurs doivent produire de nombreuses variantes avant d'obtenir une séquence