携手亚马逊云，TBC推出全球首款基于神经元的AI 视频模型

2026 年 9 月 22 日，旧金山生物计算公司 The Biological Computing Co.（TBC）宣布与亚马逊云科技 AWS 合作，将一款源自神经元研究的视频生成模型推向市场，并开放抢先体验申请。

根据公司披露，这款基于开源模型优化的文生视频模型，相比基础模型可降低 80% 的推理成本，生成速度达到五倍，同时改善画质。支撑这些变化的，是一个从活体神经元活动中提炼出来的轻量级软件层。

客户使用它时，不需要接入培养皿，也不需要维护任何生物硬件。模型照常运行在传统 AI 基础设施上。

提到生物计算，人们很容易想到用脑细胞替代芯片，让活体组织直接承担计算。但在它的第一款商业产品里，神经元的工作发生在更早的环节：参与寻找改进算法的方法。

在算力之外，这家公司试图增加一种新的研发资源。那问题来了：一群培养在电极上的神经元，究竟能教会视频模型什么？

TBC 的两位创始人 Alex Ksendzovsky 和 Jon Pomeraniec，都是神经外科医生兼神经科学家。他们长期接触神经接口，认为神经组织不仅是研究、修复或刺激的对象，更是一个有望成为实用计算基础设施的生物系统，因此在2022 年共同创办了这家公司。

TBC 联合创始人 Jon Pomeraniec 博士（左）与 Alex Ksendzovsky 博士（右）。

1943年，沃伦·麦卡洛克（Warren McCulloch）和沃尔特·皮茨（Walter Pitts）从大脑神经元的工作机制中获得启发，提出了第一个人工神经元数学模型——M-P模型，尝试用数学方式描述神经元如何接收输入并执行逻辑运算。这一工作通常被视为人工神经网络的重要起点。此后数十年间，人工神经网络沿着这条“模拟大脑”的路径不断演进，并最终成为今天人工智能发展的重要技术基础。

但从生物神经元中抽象出一个数学模型，与真正观察和利用活体神经元如何处理信息，仍然是两回事。过去的人工神经网络更多是“从大脑获得启发”，而回到神经元本身的技术路线是这样的：将活体神经元培养在多电极阵列上，把外部信息转换为电刺激输入神经网络，同时记录神经元网络随之产生的电活动，从而直接研究真实生物神经网络如何响应、学习和处理信息。

换句话说，如果说早期人工智能是在尝试“用数学模拟神经元”，那么TBC所探索的，则是“直接让真实神经元参与计算”。

神经元受到刺激后，变化并不会停留在某一个点上。信号会沿着细胞之间的连接继续传播，并在不同区域形成持续变化的活动模式。真正值得研究人员关心的，也不是某一个神经元有没有“反应”，而是外部信息进入这张神经网络之后，整个网络会发生什么变化，其中有没有一些规律能够被计算系统利用。

接下来的一步，是把这些生物实验中观察到的规律转成软件。按照TBC的介绍，研究人员会对神经元网络产生的响应进行建模，从中提取具有计算价值的特征，再将它们做成可以接入现有AI模型的软件适配器。也就是说，培养皿里的神经元并不会直接成为计算机的一部分。活体神经网络更多承担的是“发现计算规律”的角色，而真正部署到普通计算设备上的，仍然是从这些实验中提炼出来的软件模型。

这也意味着，这条路线究竟有没有价值，最后还是要放回实际任务中验证。接入这套方法以后，模型表现有没有提升？需要付出多少额外的计算成本？在一个任务上有效的方法，换到另一个任务还能不能成立？这些问题最终都要靠实验结果回答，而不能仅仅因为计算来源于真实神经元，就默认它比传统方法更好。

TBC选择的第一个验证场景并不复杂——手写数字识别。

在TBC公开的一组视觉实验中，研究人员先把手写数字处理成黑底白字，再映射到一块64×64的多电极阵列上。图像中白色笔画对应的区域会接受电刺激，培养在阵列上的神经元网络随之产生一系列电活动。

研究人员随后截取刺激后的短时间神经响应，并用脉冲发放率等指标做简单汇总，再把这些数据交给一个小型卷积神经网络进行分类。与直接识别图像不同，此时分类器看到的已经不是原始像素，而是这张图像在生物神经网络中引发的活动。

以数字“5”为例，原始图像只占据有限的像素区域，但经过神经元网络后，相关活动并不会停留在这些被直接刺激的位置，而会继续向周围扩散。于是，同一张图片经过神经网络之后，就形成了另一套可供分类器使用的特征。

生物神经活动能增强图像分类效果。手写数字“5”经由生物神经网络处理，转化为一种丰富的电活动模式（左图），从而形成了一种比原始图像包含更多特征的表征。当利用这种神经表征来训练标准AI模型时，模型不仅学习速度更快，而且最终准确率也高于仅使用图像进行训练的情况（右图）；这表明生物动力学机制使得视觉信息更易于被AI利用。

为了判断这些特征到底有没有用，TBC设计了一个直接对照：使用结构相同、可训练参数数量相同的分类器，一组学习原始二值图像，另一组学习神经元产生的响应。

按照公司披露的MNIST小规模实验结果，使用神经响应的数据时，模型训练得更快，最终分类准确率也更高。

其中还有一个比较有意思的现象。刺激发生之前，仅凭神经元自身的背景活动进行分类，结果基本接近随机猜测；刺激之后，即便只保留原始图像区域之外的神经信号，分类准确率仍能达到约13%。对于一个十分类任务来说，随机水平约为10%。

13%当然谈不上高，但这里关注的也并不是分类性能本身。更重要的是，输入图像的信息在神经网络中传播之后，并没有完全消失。即使到了没有被直接刺激的外围区域，神经活动中仍然保留了一部分与数字类别有关的信息。

换句话说，培养皿里的神经网络并不是简单地把刺激“传过去”，而是在传播过程中改变了输入的表现形式。后面的机器学习模型，恰好可以继续利用这些变化后的特征。

到了更复杂的自然图像上，TBC又换了一种实验方式。

在CIFAR实验中，原始图片不再直接映射到电极阵列，而是先经过人工神经网络提取视觉特征，再把这些特征编码成四组不同的刺激模式送入生物神经网络。神经元产生的响应被记录下来、拼接，再用于后续分类。

这一次，两种方案在最终准确率上的差距并不明显。按照公司披露的四分类实验结果，两边最终都在43.5%左右。区别主要出现在训练过程：使用生物神经响应的分类器，用更少的训练迭代就达到了最佳表现，公司报告的收敛速度约为对照方案的三倍。

针对分类任务对 MNIST 图像进行生物学预处理。MNIST 图像首先被编码为电刺激模式，并输入到一个活体神经网络中；该网络将图像转化为一种更丰富的神经表征。随后，这种生物学表征被作为输入提供给一个简单的卷积神经网络，以进行标准的特征学习与分类。通过在传统特征提取之前引入生物学处理步骤，下游模型所学习的表征便包含了比原始图像本身更为复杂的结构信息。

用于 CIFAR 分类任务的序列刺激与生物学读出。每张 CIFAR 图像均由四种二值刺激模式表示，这些模式被依次施加于生物神经网络。在每次刺激后，系统记录神经活动，从而针对每张图像生成四种生物响应模式。这些神经响应被拼接起来，作为后续卷积分类器的输入；该分类器分别基于生物神经信号或仅基于刺激模式进行训练，旨在分离出生物神经动力学的贡献。

这里的“三倍”需要谨慎理解。它指的是下游分类模型达到最佳效果所需要的训练迭代更少，并不意味着把细胞培养、电刺激、神经信号采集全部计算在内以后，整套系统真的快了三倍，也不能直接换算成三倍的能耗优势。

现阶段，这些实验更接近一个机制验证，而不是和现有视觉大模型比性能。TBC也在自己的技术文章中提到，还需要更多数据、更多神经培养样本，才能判断这种现象是否稳定，以及未来能扩展到什么程度。

但从这几组实验中可以发现，“向神经元学习”不再只是一个抽象概念。图像如何进入神经网络，神经活动发生了什么变化，这些变化能不能被机器重新利用，已经可以被拆成一套具体的实验过程来验证。

从手写数字识别走到视频生成，中间还有很长的距离。

前面的实验，更多是在一个小规模任务里验证：神经元网络产生的响应，能不能给机器学习模型提供一些不同于原始输入的信息。到了视频生成，问题一下复杂了很多。模型不仅要一帧一帧把画面生成出来，还要考虑速度、成本，以及连续几十秒甚至更长时间里，人物、动作和场景能不能保持一致。

视频生成最难处理的地方之一，恰恰是这种连续性。一张图看起来没问题，不代表下一帧还能接得住。人物长相会不会变，物体会不会突然消失，动作前后是否连贯，这些都会随着生成时间拉长而变得更明显。

研究人员把目光放到了神经系统本身的动态特性上。相比一次性的输入输出，神经网络中的活动本来就是随着时间不断变化和传播的。研究人员希望从这种动态过程中，找到可以用于改善连续生成的机制。

此前，TBC披露过一组视频相关实验。公司在一个6亿参数模型上加入了大约15.6万参数的生物学适配器，并称生成视频能够保持连贯的时间延长了一倍。当然，这组实验主要看的是视频能够连续稳定生成多久，并不是此次与AWS合作中提到的速度和成本指标，两者并不是同一组测试结果。

这次推出的产品，已经明显更靠近实际使用。

按照合作公告的说法，TBC的软件层接入基础模型后，新增开销不到0.1%，客户也不需要改变原有的工作流程。对视频应用公司来说，这一点可能比“生物计算”本身更重要：不用额外采购一套特殊设备，也不用重做整套系统，只需要把新的软件层接进现有模型，就可以直接看效果和成本有没有变化。

TBC实际上把最复杂、也最特殊的部分留在了研发端。神经元培养、电刺激和生物实验负责寻找新的计算规律，真正交到客户手里的，依然是一套可以跑在普通计算基础设施上的软件。

不过，目前能够看到的信息仍然有限。

公司此次公布的指标包括推理成本下降80%、生成速度提升五倍以及画质改善，但公告没有进一步给出完整的基础模型版本、测试硬件、视频分辨率以及具体的质量评价方法。因此，这些数字在什么条件下取得，换到其他模型和硬件环境后还能保留多少，目前还很难判断。

早期的视觉实验也只能解释其中的一部分。它证明了神经元响应可以改变输入的表征方式，并在一些任务中帮助后续模型学习，但这并不等于外界已经知道商业版视频适配器具体是怎么工作的。从培养皿里的神经活动，到最终部署的软件算法，中间显然还有不少没有公开的技术细节。

随着产品进入抢先体验阶段，真正值得看的反而会是一些很具体的问题：同样的提示词、同样的视频时长和分辨率，生成一段视频到底需要多久；多次生成以后质量是否稳定；公司所说的成本下降，最后能不能真实反映在客户的算力账单上。

到了这一步，技术来自神经元还是传统算法，反而没有那么重要。对于真正使用它的公司来说，最后看的还是几件很实际的事：效果有没有变好，速度有没有变快，成本有没有真的降下来。

TBC并不打算把视频生成作为终点。在公司的设想里，视频模型只是一个开始，后面还包括世界模型、机器人等更复杂的方向。持续记忆、环境变化预测，以及感知和动作之间的联动，本身就是神经系统长期处理的问题。更远一些，TBC还希望让活体神经网络与硅基计算系统直接协同。

不过，这些仍然是更长期的目标。眼下真正摆在TBC面前的，是先把实验室里的生物学发现稳定地变成软件。

这里面还有不少现实问题。不同批次的细胞网络能不能得到相近的结果，从神经活动中提炼出的规律能不能换一个模型继续用，最终带来的性能提升又是否足以支撑持续研发，这些都需要一轮轮实验去回答。

两位神经外科医生的创业路径也因此显得很特别。他们最熟悉的是神经组织、神经信号和临床问题，但公司现在面对的，已经变成了模型性能、推理成本、部署效率这些AI产业里的问题。

与AWS的合作，让这条路线开始从实验室往应用端延伸。神经元继续留在培养皿里，真正进入云端的是从这些实验中提炼出来的软件。效果好不好，也不再只看实验结果，而是要看它跑到真实模型、真实业务里之后，速度、质量和成本有没有变化。

脑机接口社区是国内首家脑机接口(BCI)产业服务平台、国内脑机接口新媒体开创者与引领者。主要为企业、科研团队、投资机构和从业者提供以下服务：

宣传报道：图文、短视频、直播形式报道企业动态、技术解读、产品介绍等内容，提升曝光和行业影响力。

资源对接：根据需求匹配资本、供应链、临床机构、渠道方等资源，完成真实对接，促进合作。

成果转化：协助技术团队寻找产业方、投资人及落地场景，推动技术到产品的转化。

活动策划执行：承接线上线下路演、沙龙、论坛等活动的策划与执行。

其他定制需求：包括报告定制、市场调研、人才招聘支持等个性化服务。

合作洽谈，请联系微信：ZuoLeiLeiya

（备注：姓名-单位-合作）

投稿丨成为创作者，请联系微信：RoseBCI

🌟星标置顶🌟

不错过每一条脑机前沿进展

一键三连「分享」、「点赞」和「在看」

欢迎在评论区聊聊