A computação neural baseada no cérebro de um rato chegará à nuvem da AWS
The Biological Computing Company começa a disponibilizar aos clientes da AWS uma ferramenta criada com base na análise da atividade de células do cérebro de ratos; inicialmente, estará disponível em pré-visualização limitada. A empresa afirma que a tecnologia acelera a geração de vídeo e reduz o custo da inferência, mas não revela o modelo usado na comparação.
O que é este desenvolvimento
The Biological Computing Company (TBC) desenvolve um modelo de IA baseado em padrões neuronais de células do cérebro de ratos. Foi concebido para aumentar a eficiência dos modelos de geração de vídeo.
Não se trata de executar células biológicas na cloud, mas de uma ferramenta de software que imita os padrões computacionais identificados. A empresa analisa o funcionamento das células e traduz as regularidades encontradas em software.
Como são obtidos os padrões computacionais
Células do cérebro de ratos são colocadas em matrizes de silício com vários elétrodos. Estas são produzidas pela empresa suíça de biotecnologia 3Brain.
Os investigadores aplicam estímulos elétricos aos neurónios e registam a resposta. Em seguida, a TBC analisa a atividade neuronal para identificar padrões destinados à ferramenta de software.
Segundo o cofundador da empresa, Alexander Ksendzovsky, o processo começa com a codificação de informações, como imagens, para o material biológico. Depois, a equipa observa como as células as processam e cria uma ferramenta que imita esse processo.
Por que razão o desenvolvimento se centra em dados visuais
A TBC escolheu imagens e vídeos porque são mais fáceis de representar numa grelha do que texto ou linguagem. A disposição dos elétrodos na matriz influencia a forma como estes interagem com os neurónios.
- A informação visual serve de base ao trabalho com a matriz.
- O modelo foi concebido para melhorar os sistemas existentes de geração de vídeo.
Conclusão prática: a especialização declarada do desenvolvimento são as tarefas visuais, e não o trabalho com texto ou linguagem.
O que se sabe sobre o desempenho
A TBC afirma que o seu modelo gera vídeos até cinco vezes mais rapidamente e reduz significativamente o custo da inferência. A empresa compara-o com um modelo de código aberto no qual se baseia o desenvolvimento.
A TBC não revela o nome do modelo usado na comparação. A empresa informa apenas que se trata de um dos modelos avançados de geração de vídeo.
Por isso, a afirmação sobre velocidade e custo deve ser considerada uma estimativa da própria empresa. Para tomar uma decisão, é importante fazer uma comparação com a sua própria tarefa: os dados disponíveis não são suficientes para comparar modelos específicos.
Onde estará disponível a tecnologia
Anteriormente, o modelo da TBC só era disponibilizado através do fornecedor de neocloud Bluesky Compute. Agora, o acesso prévio limitado começará a estar disponível para alguns clientes da Amazon Web Services a partir de terça-feira.
A Amazon e a TBC esperam disponibilizar em breve a tecnologia a todos os clientes empresariais da AWS. Por enquanto, a disponibilidade para clientes específicos é limitada, e as condições para um lançamento mais alargado não foram indicadas.
Perguntas mais frequentes
Materiais semelhantes
Todos os materiais
Avaliação de agentes de programação no desenvolvimento XR interativo: resultados do GenXR-Bench
Foi publicado o GenXR-Bench, um conjunto de 112 tarefas especializadas para avaliar de ponta a ponta agentes de programação no desenvolvimento interativo de XR: desde o aprimoramento de funcionalidades e a correção de defeitos até a criação de aplicações com verificação do comportamento em dispositivos de consumo. Entre os dez modelos testados, o melhor resultado foi de 50,9% no Pass@1; entre as falhas recorrentes estão o processamento de eventos assíncronos de sensores, a ancoragem de objetos no espaço real e a compreensão das interações em contextos físicos.
5 novembro 2026
Anotação híbrida de imagens: a automatização acelera o treino de modelos de visão por computador
O artigo descreve como a pré-anotação por algoritmos reduz o trabalho manual e melhora a qualidade dos conjuntos de dados de treino, bem como por que motivo a verificação por amostragem humana continua a ser necessária. São abordadas as limitações do método em condições difíceis de captura e em tipos de objetos raros.
5 novembro 2026
Da recompensa escalar à fronteira de Pareto: síntese de RTL com aprendizagem por reforço multiobjetivo
É proposto um método para treinar um modelo de linguagem a gerar não apenas um esquema, mas um conjunto de candidatos RTL com diferentes compromissos entre área, latência e consumo de energia; a recompensa é calculada com base na contribuição de cada variante para o hipervolume da fronteira de Pareto. No RTLLM v2, o hipervolume relativo aumentou 13,3 p.p. em relação à versão de base sem otimização de PPA e 14,4 p.p. em relação ao treinamento por reforço com um único objetivo.
5 novembro 2026