基于硅芯片的人工智能在短时间内取得了巨大进步，推动了当今生成式AI聊天机器人、图像创建工具和自主智能体核心大语言模型的重大发展。
现在，一家名为生物计算公司(The Biological Computing Co.)的初创企业认为，人工智能的未来在于使用真实活体神经元的生物计算系统，这将为新一代模型提供动力，比目前任何技术都更快、更便宜、适应性更强。
TBC(该初创公司的简称)今天宣布，已从Primary Ventures获得2500万美元的种子轮融资，同时推出全球首个用于计算机视觉和生成式AI的生物计算平台。
这家前身为生物黑盒(Biological Black Box)的公司采用了与OpenAI、谷歌和Anthropic截然不同的方法，将活体神经元与现代AI基础设施连接，创建比传统大语言模型更稳定、可扩展和高效的前沿模型。该公司基于神经元的平台直接与基础模型集成，在提高性能的同时降低计算成本，这反映了其创始人的信念：当人工智能与生物智能结合时，具有更大的潜力。
TBC联合创始人兼首席执行官亚历克斯·克森多夫斯基表示，他的公司处于三股新兴力量的交汇点：神经科学的快速发展、当今AI系统日益增长的限制，以及可能对世界造成巨大破坏的新兴气候和能源危机。他对当今大语言模型的问题之一是它们依赖暴力扩展和重复优化循环来推动改进。他说，这种方法在每次性能飞跃时都会变得越来越昂贵，使其在长期内不可持续。
据克森多夫斯基称，解决方案是构建一个全新的计算系统类别，其中实验室培育的神经元与硅芯片相辅相成，实现卓越的性能和效率提升。"使用真实大脑进行计算，矛盾地是计算机科学领域最难以捉摸但也是最明显的想法，"他说。
大脑上的人工智能
TBC的神经科学和工程团队将真实世界的数据(如文本、图像和视频)直接编码到这些活体神经元中，然后将其神经活动解码为丰富的表示，这些表示可以使用模块化适配器映射到前沿模型上。与此同时，TBC的启发计算平台应用生物学衍生原理来指导新的AI系统设计，创建了一个新的计算层，加强现有的AI架构。
TBC的另一位联合创始人兼首席运营官乔恩·波梅拉涅茨说，该公司正处于向硅芯片之后技术转变的范式转变的底层。"我们正在建设基础设施，以一种根本性的新方式理解和与世界互动，"他补充说。
克森多夫斯基说，TBC的生物AI基础设施比传统的基于硅芯片的AI提供了一些实质性的好处。通过利用神经元的自然动力学，它可以大幅减少AI模型生成输出所需的计算量。神经元还支持持续学习和改进记忆，只需要最少的训练，克服了刚性、基于硅芯片模型的"无状态"特性。它们还模仿了人脑提取高维模式的能力，这意味着生物驱动的AI模型可以用更少的例子学习和泛化。最后，神经元只需要传统硅芯片功耗的一小部分。
星座研究的霍尔格·穆勒说，寻求以更具成本效益的方式运行AI正在激发各种新想法，因为企业正在基础设施上花费数十亿美元。他相信，任何能够节省这些数十亿美元的想法都肯定会得到很多关注。
"生物计算公司的想法很有说服力，使用人脑及其经过验证的足迹作为更好、更节能的AI架构的基础，"他说。"但这与我们现在所做的相比是一种根本不同的方法，这家初创公司必须证明这种方法不仅能够交付，而且能够扩展以支持我们今天使用的AI应用程序类型。如果它能做到这一点，它肯定会找到很多接受者。"
TBC已经应用其技术以各种方式增强AI模型的能力。例如，其VAE效率适配器正在帮助开发人员改善前沿模型的重建质量和表示效率，它还展示了在生成式AI视频和世界模型中增强长期连贯性的能力。
该初创公司的计划是颠覆传统的AI基础设施市场，该市场目前由托管在云数据中心的大型图形处理器集群主导，预计到2030年价值将达1.7万亿美元。为此，它计划为云环境推出混合神经-硅集群，并设定了2027年的发布日期。
Primary Ventures的布莱恩·谢克特说，硅芯片到目前为止为AI举起了火炬，但它很快就会达到极限。"AI的下一个突破将来自生物计算等替代架构，"他说。"我们相信TBC能够为计算机视觉和世界模型等要求苛刻的工作负载提供阶跃式增益，其早期进展指向了一类新的AI基础设施。"
Q&A
Q1：生物计算公司的技术原理是什么？
A：生物计算公司将实验室培育的活体神经元与现代AI基础设施连接，通过神经科学和工程团队将真实世界数据直接编码到活体神经元中，然后将神经活动解码为丰富表示，映射到前沿模型上，创建比传统大语言模型更稳定、可扩展和高效的系统。
Q2：生物计算相比传统硅芯片AI有哪些优势？
A：生物计算具有四大优势：大幅减少AI模型生成输出所需的计算量；支持持续学习和改进记忆且只需最少训练；模仿人脑提取高维模式的能力，用更少例子实现学习和泛化；神经元功耗仅为传统硅芯片的一小部分。
Q3：生物计算公司的商业化计划是什么？
A：该公司计划颠覆预计到2030年价值1.7万亿美元的传统AI基础设施市场，准备为云环境推出混合神经-硅集群，设定了2027年的发布日期。目前已应用技术改善前沿模型的重建质量和表示效率。
热门跟贴