Le calcul neuronal basé sur un cerveau de rat fera son apparition dans le cloud AWS
The Biological Computing Company commence à proposer à ses clients AWS un outil conçu à partir de l’analyse de l’activité de cellules de cerveaux de rats ; il sera d’abord disponible en avant-première limitée. L’entreprise affirme que cette technologie accélère la génération de vidéos et réduit le coût de l’inférence, mais ne précise pas le modèle utilisé à des fins de comparaison.
Ce qu’est cette technologie
The Biological Computing Company (TBC) développe un modèle d’IA basé sur les schémas neuronaux de cellules du cerveau de rats. Il vise à améliorer l’efficacité des modèles de génération vidéo.
Il ne s’agit pas de faire fonctionner des cellules biologiques dans le cloud, mais d’un outil logiciel qui imite les schémas de calcul identifiés. L’entreprise analyse le fonctionnement des cellules et traduit les régularités observées en logiciel.
Comment les schémas de calcul sont obtenus
Des cellules du cerveau de rats sont placées sur des matrices de silicium dotées de nombreux électrodes. Elles sont fabriquées par la société suisse de biotechnologie 3Brain.
Les chercheurs soumettent les neurones à des stimuli électriques et enregistrent leur réaction. TBC analyse ensuite l’activité neuronale afin d’identifier des schémas destinés à l’outil logiciel.
Selon le cofondateur de l’entreprise, Alexander Ksendzovsky, le processus commence par le codage d’informations, comme des images, pour le matériau biologique. L’équipe observe ensuite la manière dont les cellules les traitent et crée un outil qui imite ce processus.
Pourquoi cette technologie est axée sur les données visuelles
TBC a choisi les images et les vidéos, car elles sont plus faciles à représenter sur une grille que le texte ou le langage. L’interaction entre les électrodes et les neurones dépend de leur emplacement sur la matrice.
- Les informations visuelles servent de base au fonctionnement de la matrice.
- Le modèle vise à améliorer les systèmes existants de génération vidéo.
En pratique, la spécialisation annoncée de cette technologie concerne les tâches visuelles, et non le traitement du texte ou du langage.
Ce que l’on sait de ses performances
TBC affirme que son modèle génère des vidéos jusqu’à cinq fois plus rapidement et réduit considérablement le coût de l’inférence. L’entreprise effectue cette comparaison avec un modèle open source dont sa technologie est dérivée.
TBC ne révèle pas le nom du modèle utilisé pour la comparaison. L’entreprise indique seulement qu’il s’agit de l’un des modèles de génération vidéo les plus avancés.
Il convient donc de considérer les déclarations concernant la vitesse et le coût comme des estimations de l’entreprise elle-même. Pour faire un choix, il est important de comparer les modèles sur sa propre tâche : les données disponibles ne suffisent pas pour comparer des modèles précis.
Où la technologie sera disponible
Auparavant, le modèle de TBC était accessible uniquement par l’intermédiaire du fournisseur neocloud Bluesky Compute. À partir de mardi, un accès anticipé limité sera proposé à certains clients d’Amazon Web Services.
Amazon et TBC espèrent bientôt rendre la technologie accessible à tous les clients professionnels d’AWS. Pour l’instant, l’accès reste limité à certains clients et les modalités d’un lancement plus large n’ont pas été précisées.
Foire aux questions
Matériaux connexes
Tous matériaux
Évaluation des agents de programmation pour le développement XR interactif : résultats de GenXR-Bench
GenXR-Bench est publié : un ensemble de 112 tâches expertes pour évaluer de bout en bout les agents de programmation dans le développement XR interactif, de l’amélioration de fonctionnalités et de la correction de défauts à la création d’applications dont le comportement est testé sur du matériel grand public. Parmi les dix modèles testés, le meilleur résultat a été de 50,9 % en Pass@1 ; les défaillances récurrentes concernent notamment la gestion des événements asynchrones des capteurs, l’ancrage des objets dans l’espace réel et la compréhension des interactions dans un contexte physique.
5 novembre 2026
Annotation hybride des images : l’automatisation accélère l’entraînement des modèles de vision par ordinateur
L’article décrit comment le pré-étiquetage par des algorithmes réduit le travail manuel et améliore la qualité des jeux de données d’entraînement, ainsi que les raisons pour lesquelles une vérification humaine par échantillonnage reste nécessaire. Il examine les limites de cette méthode dans des conditions de prise de vue difficiles et pour les types d’objets rarement rencontrés.
5 novembre 2026
De la récompense scalaire au front de Pareto : synthèse RTL par LLM avec apprentissage par renforcement multicritère
Une méthode est proposée pour entraîner un modèle de langage à générer non pas un seul schéma, mais un ensemble de candidats RTL offrant différents compromis entre surface, latence et consommation d’énergie ; la récompense est calculée en fonction de la contribution de chaque variante à l’hypervolume du front de Pareto. Sur RTLLM v2, l’hypervolume relatif a augmenté de 13,3 points de pourcentage par rapport à la version de base sans optimisation PPA et de 14,4 points de pourcentage par rapport à l’apprentissage par renforcement mono-objectif.
5 novembre 2026