Múlt héten még az volt a történet, hogy élő neuronok működéséből próbálnak jobb AI-videómodellt építeni. Most már számokat is tettek mellé: a Biological Computing Co. szerint az optimalizált modelljük 80%-kal alacsonyabb inference-költséggel és ötször gyorsabban generál videót az alapjául szolgáló open-source modellhez képest.
A múlt heti cikkünkben részletesen bemutattuk, hogyan használ a TBC élő neuronhálózatokból származó megfigyeléseket AI-modellek optimalizálására. Akkor szándékosan óvatosak voltunk a teljesítményígéretekkel. Az AWS-szel közös bejelentés azonban már konkrét adatokat és kereskedelmi tervet is közöl.
80%-kal olcsóbb, 5× gyorsabb – mit állít most a TBC?
Az AWS szeptember 22-i közleménye szerint a TBC text-to-video modellje az alapjául szolgáló open-source videómodellhez képest 80%-kal alacsonyabb inference-költséget és 5× gyorsabb generálást ér el. A vállalat emellett jobb minőséget is állít.
Fontos azonban a pontos megfogalmazás: ezek jelenleg a TBC által közölt eredmények. A cég nem nevezi meg nyilvánosan, melyik open-source videómodellt használja összehasonlítási alapként, ezért ezt még nem érdemes úgy kezelni, mint több modellen függetlenül reprodukált iparági benchmarkot.
A legérdekesebb szám talán nem is az 5× gyorsulás
AI-videó gyártásnál a sebesség látványos adat, de üzletileg a 80%-os inference-költségcsökkenés lehet fontosabb. Az inference az a számítási munka, amely akkor történik, amikor a már betanított modell ténylegesen elkészíti a videót.
Ha ugyanazt a használható eredményt lényegesen kevesebb számításból lehet előállítani, az idővel alacsonyabb generálási költséget, nagyobb csomagkereteket vagy több iterációt jelenthet. Ez különösen fontos ott, ahol egyetlen végleges snitthez több próbálkozás szükséges. Erről a gyakorlati oldalról az AI-videók fizikai hibáiról és a kontrollált AI-videó workflow-ról szóló cikkeinkben is írtunk.
Nem egy új videógenerátort építenek
Ez a TBC történetének legfontosabb része: nem egy újabb Runway-, Veo- vagy Seedance-konkurens videógenerátort akarnak építeni. A céljuk az, hogy a már létező AI-modellek ugyanabból a számítási infrastruktúrából többet hozzanak ki – gyorsabban, kisebb inference-költséggel és lehetőleg jobb stabilitással. Vagyis nem feltétlenül több számítási kapacitást adnak a modellnek, hanem a rendelkezésre álló kapacitást próbálják hatékonyabban kihasználni.
Ez azért különösen érdekes, mert ha a módszer más videómodellekre is átvihető, akkor nem egyetlen új generátor sikeréről beszélünk. Elvileg egy olyan optimalizációs rétegről lehet szó, amely később több meglévő modell mellett is használható. Hogy ez mennyire általánosítható, azt azonban még független teszteknek kell igazolniuk.
Kik állnak a TBC mögött?
A The Biological Computing Company egy San Franciscó-i amerikai startup. A céget Alex Ksendzovsky és Jon Pomeraniec idegsebész-neurológus kutatók alapították; hosszú ideje dolgoznak együtt az idegrendszer és a számítás kapcsolatán. A vállalkozás korábban Biological Black Box néven futott, majd 2026 februárjában lépett ki igazán a nyilvánosság elé TBC néven.
Ekkor jelentették be a Primary Venture Partners által vezetett 25 millió dolláros seed befektetési kört, és megnyitották a cég Mission Bay-i laborját San Franciscóban. A csapatban a biológia és az idegtudomány mellett AI-, computer vision- és mérnöki szakemberek dolgoznak. A történetük azért szokatlan, mert nem egy klasszikus szoftveres AI-startupból indultak: a kiindulópont maga az élő neuron és annak rendkívül hatékony információfeldolgozása volt.
Ehhez nem kell neuronokat tartani a számítógép mellett
A megoldás egyik kulcsa, hogy a biológia csak a felfedezési folyamat része. A TBC az élő neuronok aktivitásából származó mintákat egy könnyű szoftveres rétegbe fordítja át. Az AWS szerint ez a réteg az alapmodell méretének kevesebb mint 0,1%-át teszi hozzá, és hagyományos AI-infrastruktúrán fut.
Vagyis a felhasználónál már nincs szükség biológiai hardverre. Ez az a pont, ahol a technológia laborérdekességből potenciálisan használható termékké válhat.
Az AWS miatt most már nem csak laborprojekt
A TBC és az AWS azt tervezi, hogy az optimalizált modellt AWS Trainium infrastruktúrán futtatja, Amazon SageMaker AI-on keresztül telepíthetővé teszi, és később az AWS Marketplace-en is elérhetővé teszi.
A WIRED beszámolója szerint kiválasztott AWS-ügyfelek korlátozott preview keretében már hozzáférést kaphatnak a technológiához. Ez lényeges változás a múlt heti történethez képest: már nemcsak azt látjuk, hogy működik egy kísérlet, hanem azt is, hogyan próbálják valódi felhasználókhoz eljuttatni.
Olcsóbb lesz ettől a Runway, a Seedance vagy a Veo?
Ezt egyelőre nem lehet kijelenteni. A TBC technológiája jelenleg nem azt jelenti, hogy a nagy kereskedelmi AI-videós szolgáltatások holnaptól ötödáron adják a generálást. A 80%-os adat egy konkrét, meg nem nevezett open-source alapmodellhez viszonyított inference-költségre vonatkozik.
Az irány viszont fontos. Az AI-videó fejlődése nem csak abból állhat, hogy egyre nagyobb modellekhez egyre több GPU-t kapcsolunk. Ha ugyanazt vagy jobb eredményt kevesebb számításból lehet elérni, az hosszabb távon a teljes piac költségszerkezetét befolyásolhatja. A jelenlegi platformokat és eltérő megközelítésüket a 2026-os AI-videógenerátor összehasonlításunkban követjük.
Van még egy nagy kérdés: meddig működik jól?
Az AWS oldaláról is felmerült a skálázás kérdése. Rövid generálásoknál látványos lehet a gyorsulás, de hosszabb videóknál a modellnek egyre több korábbi információt kell követnie és konzisztensen tartania. A valódi próba ezért az lesz, hogy a módszer nagyobb modelleken, hosszabb videóknál és különböző architektúrákon is megtartja-e az előnyét.
Ez összefügg azzal a problémával, amit a karakterkonzisztenciáról szóló anyagunkban is vizsgáltunk: egy jó AI-videó nem egyetlen látványos képkockából áll, hanem időben is következetesnek kell maradnia.
Mit jelent ez most az AI-videó készítésben?
A múlt heti cikk legérdekesebb kérdése az volt, hogy lehet-e a biológiai számításból használható ötleteket átvinni a generatív videóba. Most kaptunk egy első gazdasági választ is: ha a TBC számai független teszteken és más modelleken is megállnak, az AI-videó egyik legnagyobb korlátját, a számítási költséget támadják.
Ettől még nem lett hirtelen 80%-kal olcsóbb minden AI-videó. De már érdemes figyelni arra, hogy a következő nagy verseny nem feltétlenül csak a képminőségről szól. Lehet, hogy ugyanilyen fontos lesz, ki tud egy használható másodperc videót a legkevesebb számításból előállítani.
Kapcsolódó cikkek
- Élő agysejtek tanítják videózni az AI-t – az előző rész
- AI videógyártás: kontrollált workflow a gyakorlatban
- AI-videó karakterkonzisztencia
- AI-videó fizikai hibák és mozgás
- A legnépszerűbb AI-videógenerátorok 2026-ban
Források
Az új teljesítményadatok és az AWS-integráció részletei az Amazon Web Services 2026. szeptember 22-i közleményéből, a korlátozott preview és a skálázással kapcsolatos kérdések pedig a WIRED beszámolójából származnak.
AI-videót tervezel? A CreativeSpotnál nem egyetlen generálásban gondolkodunk: koncepciótól a kontrollált generáláson és utómunkán át a kész videóig építjük fel a workflow-t. Írj nekünk.
