TBC mise sur des neurones cultivés pour accélérer la vidéo IA sur AWS

Biological Computing Co. veut vendre via AWS un modèle texte‑vers‑vidéo présenté comme cinq fois plus rapide et 80 % moins cher grâce à une fine surcouche issue de cultures neuronales. La méthode a montré des gains sur des tests autour de Minecraft, mais les détails du produit commercial restent limités.

Les promesses commerciales restent peu documentées

Pour la version commerciale du modèle, l’entreprise ne fournit aucune information sur le modèle initial, la configuration matérielle, la définition, la durée des séquences ou la méthode d’évaluation de la qualité. Les mentions « cinq fois plus rapide » et « 80 % moins cher » traduisent exactement la même réduction si le temps GPU est ramené à un cinquième. Il n’est pas établi que le détour biologique surpasse des méthodes numériques comme la distillation ou le caching. Aucune comparaison contrôlée sur un même modèle de base avec ces techniques n’a été publiée.

Ce qui est annoncé côté AWS et disponibilité

TBC s’allie à Amazon Web Services pour commercialiser un modèle texte‑vers‑vidéo. L’exécution est prévue sur des puces AWS Trainium, avec un service via Amazon SageMaker AI et une distribution via AWS Marketplace. À ce stade, l’accès passe par une inscription anticipée, et il s’agit du premier produit commercial issu du développement de TBC.

Une surcouche légère prétendue plus rapide et moins coûteuse

L’entreprise présente un gain de performance de cinq fois et une baisse de coût d’inférence de 80 % attribués à une petite couche logicielle issue de mesures sur des cellules nerveuses. Le modèle de départ open‑source n’est pas nommé. La surcouche ajouterait moins de 0,1 % à la taille du modèle, fonctionne sur une infrastructure IA standard et n’exige ni matériel biologique ni nouveaux flux de travail côté client. Les neurones ne sont pas impliqués lors de l’inférence.

Des cellules corticales mesurées pour concevoir des adaptateurs

TBC cultive des neurones corticaux sur des puces comportant 4 096 électrodes, stimule des points précis et enregistre la propagation et l’extinction de l’activité. Des métriques comme la portée et la durée des signaux servent à construire des adaptateurs logiciels. Pour des expériences, des images sont traduites en motifs de pulsations électriques envoyés à la culture ; l’excitation se propage localement puis s’estompe, un comportement enregistré et formalisé dans un Adaptateur de Dynamique Neurale. Un second composant convertit ces motifs en représentations intermédiaires utilisables par le modèle IA. À l’inférence, l’adaptateur est une transformation mathématique fixe, sans cellule impliquée.

Cas Oasis : structure du modèle et entraînement

Le modèle Oasis, d’environ 600 millions de paramètres, génère des scènes Minecraft image par image et souffre d’une accumulation d’erreurs au fil du temps. L’adaptateur conçu par TBC compte environ 156 000 paramètres sans modifier l’architecture de base. Il a été entraîné sur des séquences Minecraft, le modèle principal recevant en parallèle un léger ajustement avec un faible taux d’apprentissage.

Résultats rapportés sur Oasis et test externe

Selon l’entreprise, l’intégration de l’adaptateur maintient plus longtemps la netteté des bords et la stabilité spatiale. Sur dix vidéos test, la mesure d’entropie différentielle montre environ 19 % de mieux que l’original, 15 % de mieux qu’un ajustement de taille comparable et 5 % de mieux qu’une LoRA. En augmentant la taille de l’adaptateur d’environ 3 % de paramètres, il est possible de passer d’environ deux à un peu moins de dix images par seconde grâce à la diminution du nombre d’étapes par image. Un essai indépendant conduit en juillet par Bluesky Compute a relevé des coûts d’inférence près de 4,4 fois plus faibles et une proportion de vidéos cohérentes supérieure à un facteur trois par rapport au modèle initial.

Identité, financement et ambitions de TBC

TBC, auparavant Biological Black Box, a été fondée par les neurochirurgiens Alex Ksendzovsky et Jon Pomeraniec. La société a levé 25 millions de dollars en février 2026. Elle a choisi la vidéo générative comme première application et prévoit ensuite de s’attaquer aux modèles du monde, avec la perspective d’associer à terme neurones et silicium. Ses produits sont conçus pour fonctionner sur des infrastructures IA standard.

La thèse revendiquée et ses limites d’évaluation

La thèse défendue par l’entreprise est que des neurones en laboratoire révèlent des algorithmes difficiles à concevoir autrement. Il n’est pas établi que cette approche surpasse des méthodes numériques répandues, faute de comparaisons contrôlées sur un même modèle de base. Au vu des informations disponibles, il n’est pas possible de juger la portée générale de cette thèse.