Стартап TBC и AWS обещают ИИ-видео впятеро быстрее и дешевле
Стартап из Сан-Франциско The Biological Computing Co. (TBC), ранее называвшийся Biological Black Box, объявил о партнёрстве с Amazon Web Services для запуска того, что компании называют первой «нейронно-производной» ИИ-моделью генерации видео по тексту. По пресс-релизу, модель строится поверх неназванной открытой модели и должна генерировать видео впятеро быстрее и на 80% дешевле по стоимости инференса, чем базовая модель, при этом с лучшим качеством. Какую именно открытую модель TBC взяла за основу, компания не раскрывает.
TBC планирует запускать модель на чипах AWS Trainium, обслуживать через Amazon SageMaker AI и продавать в AWS Marketplace. Пока всё это только на бумаге: доступна лишь запись на ранний доступ. Это первый коммерческий продукт, вышедший из разработок TBC.
Название компании намекает, что вычисления выполняют клетки мозга, но это не так. TBC продаёт обычное программное обеспечение, фирменный слой, который увеличивает размер базовой модели меньше чем на 0,1% и целиком работает на стандартной ИИ-инфраструктуре; клиентам не нужны ни биологическое оборудование, ни новые рабочие процессы. Биология используется только на этапе разработки: TBC выращивает кортикальные нервные клетки на чипах с 4096 электродами, электрически стимулирует их и измеряет, как активность распространяется в пространстве и затухает во времени. Из этих измерений компания выводит метрики, как далеко доходит сигнал и как долго он держится, и строит на их основе небольшие программные модули («адаптеры»), которые встраиваются в существующие диффузионные модели. Сами нейроны лабораторию не покидают.
TBC основана нейрохирургами Алексом Ксендзовски и Джоном Помераньеком; в феврале 2026 года компания привлекла $25 млн. Генеративное видео выбрано первым направлением, потому что именно там ярче всего проявляются главные сложности ИИ-инференса, качество, скорость и стоимость. Дальше TBC намерена заняться мировыми моделями (world models), а в перспективе, совмещением вычислений на нейронах и на кремнии.
Путь от клеточного чипа до программного модуля TBC описала в блоге на примере открытой майнкрафт-модели мира Oasis, диффузионной модели примерно на 600 млн параметров, которая строит игровые сцены кадр за кадром на основе действий игрока. Её типичная проблема: каждый новый кадр строится на предыдущем, поэтому мелкие ошибки накапливаются, и через несколько секунд сцена превращается в бесформенное месиво, TBC называет это «размытием» (washout). Для эксперимента TBC переводила изображения в паттерны электрических импульсов и подавала их на клеточную культуру через определённые электроды на чипе с 4096 электродами; нейроны реагировали не только в точке стимуляции, возбуждение расходилось на соседние клетки и затухало спустя короткое время. Именно эту динамику компания и записывала.
Из этих измерений TBC построила «адаптер нейронной динамики» (Neural Dynamics Adapter), модуль примерно на 156 тысяч параметров, который хранит паттерн, имитирующий распространение сигнала по клеточной культуре в ограниченном пространстве. Поскольку видео-модель не может напрямую работать с сырыми биологическими данными, добавлен второй компонент, слой-переводчик, превращающий этот паттерн в язык промежуточных представлений ИИ-модели. Адаптер встраивает в модель одно правило, считанное с клеток: активность действует в основном по соседству и затем затухает, оно работает как демпфер, удерживающий соседние области изображения вместе и не дающий помехам расходиться бесконтрольно. Архитектура базовой модели при этом не меняется; адаптер обучили на видео из Minecraft, а саму базовую модель одновременно слегка «подтолкнули» небольшим шагом обучения. Во время работы клетки не участвуют, к этому моменту адаптер уже фиксированное математическое преобразование, выполняемое на любом GPU.
По данным TBC, вариант Oasis с адаптером заметно дольше сохранял чёткие границы объектов и устойчивые пространственные соотношения, чем без него. Метрикой служила дифференциальная энтропия изображений, оценка того, сколько визуальной информации ещё содержит кадр, прежде чем превратиться в плоскую поверхность. На десяти тестовых видео вариант с адаптером набрал примерно на 19% больше баллов, чем оригинал, примерно на 15% больше, чем обычное дообучение той же величины, и примерно на 5% больше, чем адаптация LoRA. В следующем проекте TBC построила адаптер большего размера, примерно на 3% параметров больше базовой модели, и подняла частоту кадров примерно с 2 до почти 10 кадров в секунду; прирост скорости дало не сам адаптер, а сокращение числа шагов вычислений на кадр без обычного для этого падения качества. Независимый тест инфраструктурного провайдера Bluesky Compute в июле показал снижение стоимости инференса примерно в 4,4 раза и более чем втрое больше связного (не размытого) видео по сравнению с базовой моделью.
Для самой коммерческой модели сопоставимых деталей нет: TBC не называет ни базовую модель, ни оборудование, ни разрешение, ни длину клипов, ни метрику качества, на которых основаны её заявления. Показательно и то, что «впятеро быстрее» и «на 80% дешевле» математически, одно и то же: если нужна пятая часть времени GPU, экономия составляет 80%. То есть, вероятно, это один и тот же эффект, поданный в двух единицах измерения, а не два разных достижения. Остаётся открытым и вопрос, превосходит ли этот «биологический обходной путь» чисто цифровые приёмы вроде дистилляции или кэширования: контролируемого сравнения на одной и той же базовой модели TBC не публиковала. Собственная позиция TBC, не в том, что нейроны считают лучше кремния, а в том, что они указывают на алгоритмы, которые за столом никто бы не придумал; судить, верно ли это, по имеющимся данным пока нельзя.
Ключевые факты
- TBC и AWS объявили о первой «нейронно-производной» модели генерации видео по тексту: заявлено, что она впятеро быстрее и на 80% дешевле неназванной открытой базовой модели.
- Продукт ещё не запущен, доступна только запись на ранний доступ; планируется работа на чипах AWS Trainium через Amazon SageMaker AI и продажа в AWS Marketplace.
- «Нейронная» часть, только в разработке: TBC выращивает кортикальные нейроны на чипе с 4096 электродами, измеряет распространение и затухание сигналов и превращает эти паттерны в компактный программный «адаптер» (~156 тыс. параметров на эксперименте с моделью Oasis, ~600 млн параметров); в готовом продукте клетки не участвуют.
- На тестовой модели Oasis адаптер дал прирост по дифференциальной энтропии на ~19% против оригинала, ~15% против обычного дообучения и ~5% против LoRA; в другом эксперименте частота кадров выросла примерно с 2 до почти 10 кадров/с, а независимый тест Bluesky Compute показал снижение стоимости инференса примерно в 4,4 раза.
- Для коммерческой модели TBC не раскрывает базовую модель, оборудование, разрешение и метрику качества, а заявленные «впятеро быстрее» и «на 80% дешевле» математически, один и тот же эффект, а не два разных.
Почему это важно
Генерация видео, одна из самых дорогих задач в ИИ-инференсе, и заявленное пятикратное ускорение при 80%-ном снижении стоимости, если оно подтвердится на реальных продуктах, было бы заметным сдвигом для всей индустрии. TBC предлагает не новую модель, а компактную надстройку над уже существующими открытыми моделями, это интересно как отдельный подход к удешевлению инференса, а не только как конкретный продукт. При этом сама компания и источник указывают, что два заявленных числа, впятеро быстрее и на 80% дешевле, описывают один и тот же эффект, а не два независимых достижения, так что реальный масштаб выигрыша пока не подтверждён вне маркетинга.
Кому это важно
Компаниям, которые запускают генерацию видео в промышленных масштабах и ищут способы снизить счета за GPU; командам инфраструктуры на AWS, оценивающим новые варианты инференса через SageMaker AI и Trainium; исследователям, которым интересен подход «биологически вдохновлённых» алгоритмов как источника архитектурных идей, а не как замены классического обучения.
Как это применить
Пока применить нечего: коммерческий продукт не запущен, доступна только запись на ранний доступ. После запуска TBC планирует продавать модель как сервис через Amazon SageMaker AI и AWS Marketplace, с исполнением на чипах AWS Trainium. Ключевая практическая особенность подхода, адаптер добавляет менее 0,1% к размеру базовой модели и работает на обычном оборудовании, то есть в теории не требует ни специального «биологического» железа, ни изменения существующих рабочих процессов.
Можно ли доверять
Источник, пресс-релиз TBC и AWS, и The Decoder прямо указывает на пробелы: для коммерческой модели не названы ни базовая модель, ни оборудование, ни разрешение, ни длина клипов, ни метрика качества, на которых держатся заявления о скорости и стоимости. Опубликованные цифры (19%, 15%, 5% по дифференциальной энтропии, рост частоты кадров с 2 до 10 кадров/с, тест Bluesky Compute) относятся к отдельным экспериментам на небольшой майнкрафт-модели Oasis (~600 млн параметров), а не к самому коммерческому продукту. Контролируемого сравнения адаптера с чисто цифровыми методами ускорения, дистилляцией или кэшированием, на одной и той же базовой модели TBC не публиковала.
Риски и подводные камни
Продукт существует пока только как запись на ранний доступ, ни сроков запуска, ни цены, ни технических характеристик TBC не называет. Название и подача компании («нейронно-производная» модель, ранее, Biological Black Box) создают впечатление, что вычисления делают живые клетки, хотя в готовом продукте нет ни нейронов, ни биологического оборудования, только обычное ПО, обученное на данных, снятых с клеточной культуры. Заявленные преимущества опираются на эксперименты с одной небольшой тестовой моделью и не подкреплены прямым сравнением с существующими способами ускорения инференса.