Komputasi neural berbasis otak tikus akan hadir di cloud AWS
The Biological Computing Company mulai menawarkan kepada pelanggan AWS sebuah alat yang dibuat berdasarkan analisis aktivitas sel-sel otak tikus; awalnya, alat ini akan tersedia dalam pratinjau terbatas. Perusahaan menyatakan bahwa teknologi ini mempercepat pembuatan video dan menurunkan biaya inferensi, tetapi tidak mengungkapkan model yang digunakan sebagai pembanding.
Apa itu pengembangan ini
The Biological Computing Company (TBC) mengembangkan model AI berdasarkan pola saraf dari sel-sel otak tikus. Model ini dirancang untuk meningkatkan efisiensi model pembuat video.
Ini bukan tentang menjalankan sel biologis di cloud, melainkan alat perangkat lunak yang meniru pola komputasi yang telah diidentifikasi. Perusahaan menganalisis cara kerja sel dan menerjemahkan pola yang ditemukan menjadi perangkat lunak.
Cara memperoleh pola komputasi
Sel-sel otak tikus ditempatkan pada susunan silikon dengan banyak elektroda. Susunan tersebut diproduksi oleh perusahaan bioteknologi Swiss 3Brain.
Para peneliti memberikan rangsangan listrik pada neuron dan merekam responsnya. TBC kemudian menganalisis aktivitas saraf untuk mengidentifikasi pola bagi alat perangkat lunak.
Menurut salah satu pendiri perusahaan, Alexander Ksendzovsky, prosesnya dimulai dengan mengodekan informasi, seperti gambar, untuk materi biologis. Selanjutnya, tim mengamati cara sel memprosesnya dan membuat alat yang meniru proses tersebut.
Mengapa pengembangan ini berfokus pada data visual
TBC memilih gambar dan video karena lebih mudah ditampilkan pada kisi dibandingkan teks atau bahasa. Interaksi elektroda dengan neuron dipengaruhi oleh posisi elektroda pada susunan.
- Informasi visual menjadi dasar untuk bekerja dengan susunan tersebut.
- Model ini dirancang untuk meningkatkan sistem pembuat video yang sudah ada.
Kesimpulan praktis: pengembangan ini diklaim memiliki spesialisasi pada tugas visual, bukan pada pemrosesan teks atau bahasa.
Yang diketahui tentang kinerja
TBC mengklaim bahwa modelnya menghasilkan video hingga lima kali lebih cepat dan secara signifikan menurunkan biaya inferensi. Perusahaan membandingkannya dengan model terbuka yang menjadi dasar pengembangan ini.
TBC tidak mengungkapkan nama model pembanding. Perusahaan hanya menyebutkan bahwa model tersebut merupakan salah satu model pembuat video tercanggih.
Karena itu, klaim tentang kecepatan dan biaya sebaiknya dipandang sebagai penilaian dari perusahaan sendiri. Untuk menentukan pilihan, penting untuk melakukan perbandingan menggunakan tugas sendiri: data yang tersedia belum cukup untuk membandingkan model-model tertentu.
Di mana teknologi ini akan tersedia
Sebelumnya, model TBC hanya tersedia melalui penyedia neocloud Bluesky Compute. Kini, akses pratinjau terbatas akan dimulai untuk pelanggan tertentu Amazon Web Services mulai hari Selasa.
Amazon dan TBC berharap dapat segera membuka teknologi ini untuk semua pelanggan perusahaan AWS. Untuk saat ini, akses bagi pelanggan tertentu masih terbatas, dan ketentuan peluncuran yang lebih luas belum diumumkan.
Pertanyaan yang sering ditanyakan
Bahan terkait
Semua bahan
Pengujian agen pemrograman dalam pengembangan XR interaktif: hasil GenXR-Bench
GenXR-Bench telah dirilis—seperangkat 112 tugas ahli untuk mengevaluasi agen coding secara menyeluruh dalam pengembangan XR interaktif: mulai dari menyempurnakan fitur dan memperbaiki bug hingga membuat aplikasi dengan pengujian perilaku pada perangkat konsumen. Dari sepuluh model yang diuji, hasil terbaik adalah 50,9% Pass@1; kegagalan yang berulang meliputi penanganan peristiwa sensor asinkron, penempatan objek di ruang nyata, dan pemahaman interaksi dalam konteks fisik.
5 November 2026
Anotasi gambar hibrida: otomatisasi mempercepat pelatihan model visi komputer
Artikel ini menjelaskan bagaimana praanotasi oleh algoritme mengurangi pekerjaan manual dan meningkatkan kebersihan kumpulan data pelatihan, serta mengapa verifikasi secara sampling oleh manusia tetap diperlukan. Artikel ini juga membahas keterbatasan metode tersebut dalam kondisi pengambilan gambar yang sulit dan pada jenis objek yang jarang ditemui.
5 November 2026
Dari Imbalan Skalar ke Front Pareto: Sintesis RTL LLM dengan Pembelajaran Penguatan Multikriteria
Diusulkan metode untuk melatih model bahasa agar menghasilkan bukan hanya satu skema, melainkan serangkaian kandidat RTL dengan kompromi berbeda antara luas area, latensi, dan konsumsi daya; reward dihitung berdasarkan kontribusi kandidat terhadap hypervolume front Pareto. Pada RTLLM v2, hypervolume relatif meningkat 13,3 poin persentase dibandingkan versi dasar tanpa optimasi PPA dan 14,4 poin persentase dibandingkan pelatihan penguatan dengan satu tujuan.
5 November 2026