实验室神经元衍生的极简软件层助力 AI 视频更快更廉
生物计算公司（The Biological Computing Co.，简称 TBC）正与 AWS 合作，推出一款基于真实神经细胞测量数据构建的极简软件层驱动的文本生成视频模型。该模型号称运行速度提升五倍，推理成本降低 80%。
旧金山初创公司 TBC 宣布 与亚马逊云科技达成合作，推出双方所称的首个“神经衍生” AI 视频模型。根据新闻稿，该文本生成视频模型基于开源视频模型构建，相比基础模型，不仅生成视频的速度快五倍、推理成本低 80%，画质也有提升。不过，TBC 并未透露其基于哪一款开源模型。
TBC 计划将该模型部署在 AWS Trainium 芯片上，通过 Amazon SageMaker AI 提供服务，并在 AWS Marketplace 中销售。目前这些仍停留在纸面阶段。现阶段唯一可用的只是早期访问的申请入口。这是 TBC 研发流程中推出的首个商业化产品。
神经元留在实验室里
公司名字可能让人误以为这里是脑细胞在进行计算，但实际上并非如此。TBC 销售的是普通软件：一个专有层，其体积仅占基础模型大小的不足 0.1%，且完全运行在标准 AI 基础设施上。客户无需配备任何生物硬件，也不需要改变现有工作流。
生物学元素体现在研发过程中。TBC 在带有 4,096 个电极的芯片上培养皮层神经细胞，对其进行电刺激，并测量神经活动如何在空间上扩散以及随时间如何衰减。基于此，公司提取出诸如信号传播距离和持续时长等指标。这些原理随后被整合进名为适配器的小型软件模块中，并嵌入现有的扩散模型。真正的神经元从未离开过实验室。
TBC 原名 Biological Black Box，由神经外科医生 Alex Ksendzovsky 和 Jon Pomeraniec 创立，并于 2026 年 2 月融资 2500 万美元。公司选择生成式视频作为切入点，因为 AI 推理中最难的几个问题——质量、速度和成本——在这里体现得最明显。此后，TBC 还想攻克世界模型，最终让神经元与硅基芯片协同计算。
TBC 如何把细胞培养物变成软件模块
TBC 在一篇博客文章中介绍了从细胞芯片到 AI 模型的完整路径，并以开源的 Minecraft 世界模型 Oasis 为例。Oasis 是一个约 6 亿参数的扩散模型，根据玩家的输入逐帧生成游戏画面。它的典型问题是每一帧都依赖上一帧，微小误差会不断累积，几秒钟后画面就糊成一团——TBC 把这种现象称为"washout"（画面溃散）。
生物学部分则在实验室里完成。TBC 在一块带有 4096 个微电极的芯片上培养皮层神经细胞，这些细胞会自行连接成一个活跃的网络。团队可以通过电极对特定位置进行电刺激，同时记录兴奋在培养物中扩散、又逐渐消退的全过程。
在 Oasis 实验中，TBC 实际上是将图像“展示”给了这些神经细胞。图像数据被转换为电脉冲模式，通过特定电极输送给培养物。神经元随即产生反应，且响应不仅局限于受刺激的部位：兴奋状态扩散至邻近细胞，并在短时间内消退。TBC 正是记录了这一过程：网络在何处激活？活动传播多广？持续多久？
公司将这些测量数据转化为数值，并据此构建了一个小型软件模块，名为“神经动力学适配器”。简而言之，它包含一种模式，用于模拟信号在有限空间内如何在细胞培养物中传播。由于视频模型本身无法直接利用这些原始生物数据，系统引入了第二个组件：一种转换层，将生物模式转译为 AI 模型中间结果所使用的语言。如此一来，模型在计算图像时，才能运用从细胞中提取的结构信息。
该适配器为模型嵌入了一条基本规则，这是 TBC 直接从细胞中观察得出的：活动主要发生在局部邻域，随后迅速衰减。其作用类似阻尼器，能将相邻的图像区域连接在一起，并防止干扰无限制地扩散。
该适配器仅含约 156,000 个参数，体量小巧，基础模型架构保持原样。随后，系统使用 Minecraft 视频序列进行训练，同时以低学习率对基础模型进行轻微微调。运行过程中无需生物细胞参与，因为此时适配器已固化为一种数学变换，可在任意 GPU 上执行。
TBC 表示，加装适配器的 Oasis 能更长时间保持清晰的物体边缘和稳定的空间关系。其衡量指标为图像的微分熵，大致反映画面在模糊成平坦表面之前仍保留多少视觉信息。在十段测试视频中，适配器版本的得分比原始模型高约 19%，比同等规模的常规微调高约 15%，比 LoRA 适配高约 5%。
在后续项目中，TBC 构建了更大的适配器，额外参数约增加 3%，并将帧率从约 2 帧提升至接近 10 帧。速度提升并非直接来自适配器本身，而是源于减少每帧计算步骤，且未像往常一样导致画质崩塌。基础设施提供商 Bluesky Compute 七月份的一项外部测试发现，其推理成本比基础模型低 4.4 倍，且生成的连贯视频数量多出三倍以上。
数据详尽，实证寥寥
商业版模型则缺乏这些关键细节：TBC 既没公布所用的基础模型，也没说明其宣称背后的硬件、分辨率、片段长度和评测指标。值得注意的是，"快 5 倍"和"便宜 80%"在数学上其实是同一回事——GPU 时间只需五分之一，成本自然省下 80%。所以这很可能只是同一个效果用了两种表述方式，而不是两项突破。
这条生物路线是否真的胜过蒸馏、缓存之类的纯数字技术，也还是个未知数——TBC 并未在同一基础模型上发布过对照比较结果。况且，这家公司真正的核心主张并不是神经元比芯片算得更好，而是它们能揭示出人们坐在办公桌前想不出来的算法。这一说法是否成立，以目前公开的数据还无法判断。