TBC把实验室神经细胞转成 15.6 万参数软件层，称让Oasis视频模型多撑一会儿
The Biological Computing Co.计划在AWS上卖一套文本生视频方案，宣称比基础模型快 5 倍、便宜 80%，但基础模型、硬件、分辨率和画质指标都没公开；目前只有早鸟注册。
AI解读：这条新闻最有意思的地方，是名字里的“生物”其实不在客户端跑。TBC卖的是普通软件层，运行时不需要任何神经细胞或生物硬件，细胞只待在实验室里，负责提供一种“信号如何向外扩散、又如何消退”的测量规则。
具体做法是把皮层神经细胞养在 4096 个电极的芯片上，用电脉冲刺激、记录反应，再把这些数据压成一个叫“神经动力学适配器”的小模块，接到现有扩散模型上。用它做Oasis实验时，适配器约 15.6 万参数，基础模型架构不动。
TBC给出的数字是：十段测试视频里，带适配器的Oasis在差分熵指标上比原版高约 19%，比同尺寸常规微调高约 15%，比LoRA高约 5%。后续项目把适配器加大到约 3% 额外参数，帧率从约 2 帧/秒推到略低于 10 帧/秒，提速来自减少每帧计算步数。
对做视频生成的人来说，如果这些数字在公开基线可复现，价值在推理成本；但商用模型的基础模型、硬件、分辨率、片段长度、画质指标都没公布，也没做同一基础模型上的受控对比。5 倍快和便宜 80% 很可能是同一个效果换两种单位说。
所以现阶段的判断是：它提供了一个值得验证的方向——用生物测量去启发算法，而不是让神经元直接算——但还不能当成已兑现的降本承诺。真正相关的读者是跑视频推理的团队，普通用户不需要现在做什么。
The Biological Computing Co.（TBC）计划推出一个文本生视频模型，号称比基础模型运行快 5 倍、成本低 80%，支撑它的是一个从实验室培养的神经细胞中提取出来的软件层。该软件层给基础模型增加的体积不到 0.1%。TBC原名Biological Black Box，由神经外科医生Alex Ksendzovsky和Jon Pomeraniec创立，2026 年 2 月融资 2500 万美元。
TBC计划在AWS Trainium芯片上运行该模型，通过Amazon SageMaker AI提供服务，并在AWS Marketplace销售。这些计划都还停留在纸面，目前唯一可用的是早期访问注册。这也是TBC开发流程产出的第一个商业产品。
需要澄清的是，计算并不由脑细胞完成。TBC卖的是普通软件：一个专有层，完全运行在标准AI基础设施上。客户不需要生物硬件，也不需要新的工作流程。生物学只存在于开发过程中。TBC在带有 4096 个电极的芯片上培养皮层神经细胞，用电刺激它们，并测量活动如何在空间上扩散、随时间如何消退。公司由此得出信号能传多远、能持续多久等指标。这些原则被转化为小型软件模块，称为适配器（adapter），插入现有扩散模型。神经细胞本身从不离开实验室。
TBC选择生成式视频作为切入点，因为AI推理中最难的部分都在这里出现：质量、速度和成本。之后，TBC想处理世界模型，最终让神经细胞与硅芯片一起计算。
TBC在一篇博客文章中展示了从细胞芯片到AI模型的路径，使用开放Minecraft世界模型Oasis作为例子。Oasis是一个约 6 亿参数的扩散模型，根据玩家输入逐帧构建游戏场景。它的典型问题是每一新帧都建立在前一帧之上，小误差会累积。几秒钟后，画面模糊成一团无定形的东西，TBC称之为“washout”。
适配器接入模型的早期层，除此之外架构不变。生物部分从实验室开始：TBC在带有 4096 个微小电极的芯片上培养皮层神经细胞，细胞自行连接成活跃网络。通过电极，团队可以电刺激单个位置，同时记录兴奋如何扩散并消退。
Oasis实验：从图像刺激到 15.6 万参数适配器
在Oasis实验中，TBC基本上是在“给”神经细胞看图像。图像数据被转化为电脉冲模式，通过特定电极输入细胞培养物。神经元作出反应，而且不只是在被刺激的位置：兴奋扩散到邻近细胞，并在短时间后消退。TBC记录下这种反应：网络在哪里变得活跃，活动能传多远，持续多久。
公司把这些测量值转化为数字，并据此构建了一个小型软件模块，即“神经动力学适配器”（Neural Dynamics Adapter）。通俗地说，它保存了一种模式，模拟信号在有限空间内如何穿过细胞培养物扩散。
由于视频模型无法直接使用这些原始数据，还有第二个组件：一种翻译层，把生物模式转换成AI模型中间结果的语言。只有这样，模型在计算图像时才能使用从细胞中提取的结构。
适配器把一条基本规则内建到模型中，这条规则是TBC从细胞中读出的：活动主要在邻近区域起作用，然后消退。它就像一个阻尼器，把相邻图像区域保持在一起，防止扰动不受控制地扩散。它约有 15.6 万参数，很小，基础模型的架构保持不变。
随后它在Minecraft视频序列上训练，同时用低学习率对基础模型进行轻微调整。运行时没有细胞参与，因为此时适配器已经是一个固定的数学变换，可以在任何GPU上运行。
公开的性能数字
根据TBC的说法，带适配器的Oasis比不带适配器的版本能更长时间保持物体边缘锐利和空间关系稳定。公司使用的衡量指标是图像的差分熵，大致衡量一帧在模糊成平坦表面之前还保留多少视觉信息。
在十段测试视频中，适配器版本比原始版本得分高约 19%，比同尺寸的常规微调高约 15%，比LoRA适配高约 5%。
在后续项目中，TBC构建了一个更大的适配器，额外参数约占 3%，把帧率从约 2 帧/秒推到略低于 10 帧/秒。速度提升不是来自适配器本身，而是来自减少每帧的计算步数，同时不出现通常的质量崩塌。
基础设施提供商Bluesky Compute在 7 月进行的外部测试发现，推理成本约降低到 4.4 分之一，连贯视频量是基础模型的三倍多。
商用模型缺少可验证细节
商用模型缺少可比较的细节。TBC没有给出基础模型、硬件、分辨率、片段长度或质量指标，也没有说明其宣称背后的依据。
值得注意的是，快 5 倍和便宜 80% 在数学上是同一件事：如果只需要五分之一的GPU时间，就节省了 80%。所以这很可能是一个效果用两种单位表述，而不是两项突破。
生物路径是否胜过蒸馏或缓存等纯数字技巧也仍是未知数，TBC没有在同一基础模型上发布受控对比。公司真正的主张不是神经元比芯片算得更好，而是它们指向了在办公桌前不会发现的算法。这一点能否成立，从现有数据还无法判断。