Úgy hangzik, mint egy sci-fi nyitójelenete: élő agysejteket kapcsolnak elektródákhoz, majd az így megfigyelt működésből egy AI-videómodellt próbálnak jobbá tenni. A Biological Computing Co. (TBC) pontosan ezen dolgozik. A fontos rész azonban az, hogy nem egy „agy a befőttesüvegben” rendereli közvetlenül a videókat: a kutatók élő neuronhálózatokból származó számítási mintákat fordítanak át olyan szoftveres megoldásokba, amelyek hagyományos GPU-kon is futtathatók.
2026 őszére a projekt már túl van az egyszerű laborbemutatón. A TBC nyilvánosan demonstrált egy neuronok működéséből származtatott optimalizálást interaktív videógeneráláshoz, és az Amazon Web Services csapatával a saját laborjukból is bemutatták, hogyan jutnak el az élő neuronoktól az AI-szoftverig.
Mit jelent az, hogy élő neuronok „tanítják” az AI-t?
A megfogalmazás könnyen félrevezető. A TBC jelenlegi megközelítésében az élő sejtek elsősorban algoritmusfelfedező rendszerként működnek. A kutatók információt kódolnak biológiai neuronhálózatokba, elektródákon keresztül mérik a válaszukat, majd azt vizsgálják, milyen számítási elveket lehet átültetni mesterséges neurális hálózatokba.
Vagyis amikor később elkészül egy videó, nem kell minden generálás mellé egy laboratóriumi sejtkultúra. A biológiából kinyert elvek szoftveres adapterként kerülhetnek a modellbe, a futtatás pedig hagyományos számítógépes infrastruktúrán történhet.
Miért pont videógenerálással kísérleteznek?
Az AI-videó az egyik legjobb stresszteszt egy modell számára. Nem elég egyetlen szép képkockát létrehozni: a rendszernek térben és időben is következetesnek kell maradnia. Egy tárgynak nem szabad eltűnnie, a karakternek ugyanannak kell maradnia, a mozgásnak pedig több képkockán keresztül értelmesen kell folytatódnia. Pont ezért lett ennyire fontos a fizikai konzisztencia az AI-videóknál.
A TBC nyilvános kísérlete az OASIS 500M interaktív videómodellhez készült. A vállalat szerint a biológiai megfigyelésekből származtatott adapter hosszabb ideig képes stabilabb képet fenntartani agresszív optimalizálás mellett. Ez különösen érdekes ott, ahol a videónak valós időben kell reagálnia a felhasználó beavatkozására.
A számok látványosak – de egyelőre a cég saját mérései
A TBC saját bemutatói jelentős gyorsulásról, alacsonyabb inferenciaköltségről és jobb videóminőségről számolnak be. Ezek izgalmas eredmények, de fontos a kontextus: jelenleg nem független, széles körben reprodukált benchmarkokról beszélünk. A technológia megítéléséhez független tesztekre, részletes összehasonlításokra és több modellen végzett mérésekre lesz szükség.
Ez azért lényeges, mert az AI-videós iparágban néhány százaléknyi minőség- vagy sebességjavulás is komoly eredmény lehet. Ha a biológiai eredetű optimalizálás más modelleken is reprodukálható, annak jóval nagyobb jelentősége lehet annál, mint hogy egy újabb videógenerátor jelent meg a piacon.
A valódi történet nem az, hogy egy agy videót generál
A kattintós verzió egyszerű lenne: „élő agysejtek készítik az AI-videót”. Technológiailag azonban éppen a kevésbé látványos magyarázat az érdekesebb. A biológiai rendszer jelenleg nem lecseréli a GPU-t, hanem ötleteket adhat ahhoz, hogyan használjuk hatékonyabban.
Az emberi agy egészen más módon dolgozza fel az információt, mint a mai generatív modellek. Ha ennek akár néhány működési elve átültethető a mesterséges rendszerekbe, az új irányt nyithat a pusztán egyre nagyobb modellek és egyre több számítási kapacitás használata mellett.
Miért érdekes ez az AI-videó készítés szempontjából?
Az elmúlt években az AI-videó fejlődését főként a nagyobb modellek, több tréningadat és egyre komolyabb GPU-infrastruktúra hajtotta. Közben a gyakorlati gyártásban továbbra is ugyanazokkal a problémákkal találkozunk: karakterkonzisztencia, fizikai hibák, kontinuitás, költség és generálási idő. A gyakorlatban ezért a kontrollált AI-videó workflow legalább olyan fontos, mint maga a generálómodell.
A biológiai inspiráció azért érdekes, mert nem feltétlenül még nagyobb modellt ígér, hanem másfajta optimalizálást. Ha ebből valóban stabilabb időbeli reprezentáció vagy olcsóbb inference születik, az közvetlenül érintheti a videógenerálás használhatóságát is.
Hol tart most a Biological Computing Co.?
A San Franciscó-i TBC 2026 elején 25 millió dolláros seed befektetéssel lépett ki a nyilvánosság elé. Nyáron bemutatta a neuronálisan optimalizált OASIS 500M proof of conceptet, szeptemberben pedig az AWS-szel közös laborbemutatón mutatta meg a folyamatot az élő neuronoktól az AI-szoftverig. A cég saját kommunikációja szerint az első neuron-derived videómodell csak a kezdet; hosszabb távon olyan rendszereken dolgoznak, amelyekben a biológiai számítás már közvetlenebbül kapcsolódhat a szilíciumalapú infrastruktúrához.
Ez lehet az AI-videó következő nagy ugrása?
Ezt ma még korai kijelenteni. A technológia kísérleti, a leglátványosabb teljesítményadatok a fejlesztőtől származnak, és még nem tudjuk, mennyire általánosítható a módszer a nagy kereskedelmi videómodellekre.
De van benne valami, ami miatt érdemes figyelni. Az AI-videós verseny eddig nagyrészt arról szólt, ki tud nagyobb modellt, több számítást és jobb tréningadatot használni. A TBC kísérlete egy másik kérdést tesz fel: mi van akkor, ha nem csak több számítás kell, hanem érdemes újra megnézni, hogyan számol maga a biológia?
A CreativeSpoton folyamatosan teszteljük, hogyan változik az AI-videó technológiája, és mely fejlesztések jutnak el a látványos demótól a valódi videógyártásig.
Kapcsolódó cikkek
- Melyik AI videógenerátort használják a legtöbben? – Top 10 2026
- Túl sok az AI-videógenerátor – hamarosan már nem nekünk kell kiválasztani, melyiket használjuk
- HiDream O1 Video: már nem elég, ha szép a kép
- AI videógyártás: karakterkonzisztencia, új modellek és kontrollált workflow
- Higgsfield: miért lett ekkora az AI-videós platform?
