La computación neuronal basada en un cerebro de rata llegará a la nube de AWS
The Biological Computing Company comienza a ofrecer a los clientes de AWS una herramienta creada a partir del análisis de la actividad de las células del cerebro de ratas; al principio estará disponible en un modo de vista previa limitado. La empresa afirma que la tecnología acelera la generación de video y abarata la inferencia, pero no revela con qué modelo se realizó la comparación.
Qué es este desarrollo
The Biological Computing Company (TBC) desarrolla un modelo de IA basado en patrones neuronales de células del cerebro de ratas. Está diseñado para mejorar la eficiencia de los modelos de generación de vídeo.
No se trata de ejecutar células biológicas en la nube, sino de una herramienta de software que imita los patrones computacionales identificados. La empresa analiza el funcionamiento de las células y convierte las regularidades detectadas en software.
Cómo se obtienen los patrones computacionales
Las células del cerebro de ratas se colocan sobre matrices de silicio con numerosos electrodos. Las fabrica la empresa biotecnológica suiza 3Brain.
Los investigadores aplican estímulos eléctricos a las neuronas y registran su respuesta. Después, TBC analiza la actividad neuronal para identificar patrones que sirvan para la herramienta de software.
Según el cofundador de la empresa, Aleksandr Ksendzovski, el proceso empieza codificando información, como imágenes, para el material biológico. A continuación, el equipo observa cómo la procesan las células y crea una herramienta que imita ese proceso.
Por qué el desarrollo se centra en datos visuales
TBC eligió imágenes y vídeo porque resulta más fácil representarlos en una cuadrícula que el texto o el lenguaje. La disposición de los electrodos en la matriz influye en cómo interactúan con las neuronas.
- La información visual sirve de base para trabajar con la matriz.
- El modelo está diseñado para mejorar los sistemas existentes de generación de vídeo.
Conclusión práctica: la especialización declarada del desarrollo son las tareas visuales, no el trabajo con texto o lenguaje.
Qué se sabe sobre el rendimiento
TBC afirma que su modelo genera vídeo hasta cinco veces más rápido y reduce considerablemente el coste de la inferencia. La empresa lo compara con un modelo de código abierto en el que se basa el desarrollo.
TBC no revela el nombre del modelo usado para la comparación. La empresa solo indica que se trata de uno de los modelos de generación de vídeo más avanzados.
Por tanto, la afirmación sobre la velocidad y el coste debe considerarse una estimación de la propia empresa. Para tomar una decisión, conviene comparar el rendimiento en una tarea propia: los datos disponibles no bastan para cotejar modelos concretos.
Dónde estará disponible la tecnología
Anteriormente, el modelo de TBC solo estaba disponible a través del proveedor de neocloud Bluesky Compute. A partir del martes, comenzará el acceso preliminar limitado para algunos clientes de Amazon Web Services.
Amazon y TBC esperan que la tecnología esté pronto disponible para todos los clientes empresariales de AWS. Por ahora, el acceso está limitado a determinados clientes y no se han especificado las condiciones para un lanzamiento más amplio.
Preguntas frecuentes
Material similar
Todos los materiales
Evaluación de agentes de programación en el desarrollo interactivo de XR: resultados de GenXR-Bench
Se ha publicado GenXR-Bench, un conjunto de 112 tareas expertas para evaluar de forma integral agentes de programación en el desarrollo interactivo de XR: desde la mejora de funciones y la corrección de defectos hasta la creación de aplicaciones con verificación del comportamiento en dispositivos de consumo. Entre los diez modelos probados, el mejor resultado fue un 50,9 % en Pass@1; los fallos recurrentes incluyeron la gestión de eventos asíncronos de sensores, el anclaje de objetos al espacio real y la comprensión de las interacciones en un contexto físico.
5 noviembre 2026
Anotación híbrida de imágenes: la automatización acelera el entrenamiento de modelos de visión por computadora
El artículo describe cómo el preetiquetado mediante algoritmos reduce el trabajo manual y mejora la calidad de los conjuntos de datos de entrenamiento, así como por qué sigue siendo necesaria la verificación selectiva por parte de una persona. También se analizan las limitaciones del método en condiciones de captura difíciles y con tipos de objetos poco frecuentes.
5 noviembre 2026
De la recompensa escalar al frente de Pareto: síntesis RTL de LLM mediante aprendizaje por refuerzo multiobjetivo
Se propone un método para entrenar un modelo de lenguaje para que genere no un solo diseño, sino un conjunto de candidatos RTL con distintos compromisos entre área, latencia y consumo energético; la recompensa se basa en la contribución de cada variante al hipervolumen del frente de Pareto. En RTLLM v2, el hipervolumen relativo aumentó 13,3 puntos porcentuales frente a la versión base sin optimización PPA y 14,4 puntos porcentuales frente al entrenamiento por refuerzo con un único objetivo.
5 noviembre 2026