Нейронные вычисления на основе крысиного мозга появятся в облаке AWS
The Biological Computing Company начинает предоставлять клиентам AWS инструмент, созданный на основе анализа активности клеток крысиного мозга; сначала он будет доступен в ограниченном предварительном режиме. Компания заявляет, что технология ускоряет генерацию видео и удешевляет инференс, но не раскрывает модель, с которой проводилось сравнение.
Что представляет собой разработка
The Biological Computing Company (TBC) разрабатывает модель ИИ на основе нейронных паттернов клеток крысиного мозга. Она предназначена для повышения эффективности моделей генерации видео.
Речь идёт не о запуске биологических клеток в облаке, а о программном инструменте, который имитирует выявленные вычислительные паттерны. Компания анализирует работу клеток и переводит найденные закономерности в ПО.
Как получают вычислительные паттерны
Клетки крысиного мозга размещают на кремниевых массивах с множеством электродов. Их производит швейцарская биотехнологическая компания 3Brain.
Исследователи подают на нейроны электрические стимулы и записывают реакцию. Затем TBC анализирует нейронную активность, чтобы выявить паттерны для программного инструмента.
По словам сооснователя компании Александра Ксендзовского, процесс начинается с кодирования информации, например изображений, для биологического материала. Затем команда наблюдает, как клетки её обрабатывают, и создаёт инструмент, имитирующий этот процесс.
Почему разработка ориентирована на визуальные данные
TBC выбрала изображения и видео, потому что их проще отобразить на сетке, чем текст или язык. На взаимодействие электродов с нейронами влияет их расположение на массиве.
- Визуальная информация служит основой для работы с массивом.
- Модель предназначена для улучшения существующих систем генерации видео.
Практический вывод: заявленная специализация разработки — визуальные задачи, а не работа с текстом или языком.
Что известно о производительности
TBC утверждает, что её модель генерирует видео до пяти раз быстрее и значительно снижает стоимость инференса. Сравнение компания проводит с открытой моделью, на которой основана разработка.
Название модели для сравнения TBC не раскрывает. Компания сообщает лишь, что это одна из передовых моделей генерации видео.
Поэтому заявление о скорости и стоимости стоит рассматривать как оценку самой компании. Для выбора важно сравнение на собственной задаче: доступных данных недостаточно, чтобы сопоставить конкретные модели.
Где будет доступна технология
Ранее модель TBC предоставлялась только через neocloud-провайдера Bluesky Compute. Теперь ограниченный предварительный доступ начнётся для отдельных клиентов Amazon Web Services со вторника.
Amazon и TBC рассчитывают вскоре открыть технологию всем корпоративным клиентам AWS. Пока доступность для конкретных клиентов ограничена, а условия более широкого запуска не указаны.
Часто задаваемые вопросы
Похожие материалы
Все материалы
Проверка coding-агентов в интерактивной XR-разработке: итоги GenXR-Bench
Опубликован GenXR-Bench — набор из 112 экспертных заданий для сквозной оценки coding-агентов в интерактивной XR-разработке: от доработки функций и исправления дефектов до создания приложений с проверкой поведения на потребительском оборудовании. У десяти протестированных моделей лучший результат составил 50,9% Pass@1; среди повторяющихся сбоев — обработка асинхронных событий датчиков, привязка объектов к реальному пространству и понимание взаимодействия в физическом контексте.
5 ноября 2026
Гибридная разметка изображений: автоматизация ускоряет обучение моделей компьютерного зрения
Статья описывает, как предварительная разметка алгоритмами сокращает ручную работу и повышает чистоту обучающих наборов, а также почему выборочная верификация человеком остаётся необходимой. Рассмотрены ограничения метода в трудных условиях съёмки и на редко встречающихся типах объектов.
5 ноября 2026
От скалярной награды к фронту Парето: LLM-синтез RTL с многокритериальным подкреплением
Предложен способ обучать языковую модель генерировать не одну схему, а набор RTL-кандидатов с разными компромиссами между площадью, задержкой и энергопотреблением; награда строится по вкладу варианта в гиперобъём фронта Парето. На RTLLM v2 относительный гиперобъём вырос на 13,3 п.п. относительно базовой версии без оптимизации PPA и на 14,4 п.п. относительно одноцелевого обучения с подкреплением.
5 ноября 2026