Dieses Start-up misst lebende Gehirnzellen, um KI-Videomodelle schneller zu machen

TBC will das Modell auf AWS-Trainium-Chips betreiben, über Amazon SageMaker AI bereitstellen und im AWS Marketplace vertreiben. All das ist bislang Planung. Verfügbar ist derzeit nur eine Anmeldung für den Frühzugang. Es handelt sich um das erste kommerzielle Produkt aus TBCs Entwicklungsprozess.

Die Neuronen bleiben im Labor

Der Firmenname legt nahe, dass hier Gehirnzellen rechnen. Das ist nicht der Fall. Was TBC verkauft, ist gewöhnliche Software: eine proprietäre Schicht, die weniger als 0,1 Prozent zur Größe des Basismodells hinzufügt und vollständig auf herkömmlicher KI-Infrastruktur läuft. Kunden benötigen weder biologische Hardware noch neue Arbeitsabläufe.

Die Biologie steckt stattdessen im Entwicklungsprozess. TBC züchtet Nervenzellen aus der Hirnrinde auf Chips mit 4.096 Elektroden, reizt sie elektrisch und misst, wie sich die Aktivität räumlich ausbreitet und zeitlich abklingt. Daraus leitet das Unternehmen Kenngrößen ab, etwa wie weit ein Signal reicht und wie lange es nachwirkt. Diese Prinzipien fließen in kleine Softwaremodule, sogenannte Adapter, die in bestehende Diffusionsmodelle eingesetzt werden. Die Neuronen selbst bleiben im Labor.

Gegründet wurde TBC, damals noch als Biological Black Box, von den Neurochirurgen Alex Ksendzovsky und Jon Pomeraniec. Im Februar 2026 sammelte die Firma 25 Millionen US-Dollar ein. Generatives Video hat sie sich als Einstieg ausgesucht, weil dort die schwierigsten Aspekte der KI-Inferenz sichtbar werden: Qualität, Geschwindigkeit und Kosten.

Danach will TBC Weltmodelle angehen und irgendwann Neuronen tatsächlich neben Silizium mitrechnen lassen.

Wie TBC aus einer Zellkultur ein Softwaremodul macht

Wie der Weg vom Zellchip ins KI-Modell konkret aussieht, hat TBC in einem Blogpost am Beispiel des offenen Minecraft-Weltmodells Oasis dokumentiert. Oasis ist ein Diffusionsmodell mit rund 600 Millionen Parametern, das Spielszenen Bild für Bild aus den Eingaben eines Spielers erzeugt. Sein typisches Problem: Weil jedes neue Bild auf den vorherigen aufbaut, summieren sich kleine Fehler. Nach wenigen Sekunden verschwimmt die Szene zu einem konturlosen Brei, den TBC als "Washout" bezeichnet.

Der biologische Teil beginnt im Labor. TBC züchtet Nervenzellen aus der Hirnrinde auf einem Chip mit 4.096 winzigen Elektroden. Die Zellen verbinden sich dort von selbst zu einem aktiven Netzwerk. Über die Elektroden lassen sich einzelne Stellen elektrisch reizen und gleichzeitig aufzeichnen, wie sich die Erregung über die Kultur ausbreitet und wieder abklingt.

Für das Oasis-Experiment "zeigte" TBC den Nervenzellen gewissermaßen Bilder: Die Bilddaten wurden in Muster aus elektrischen Impulsen übersetzt, die über bestimmte Elektroden an die Zellkultur abgegeben wurden. Die Neuronen reagierten darauf, und zwar nicht nur an der gereizten Stelle. Die Erregung breitete sich auf benachbarte Zellen aus und klang nach kurzer Zeit wieder ab. Genau dieses Verhalten zeichnete TBC auf: Wo wird das Netzwerk aktiv, wie weit reicht die Aktivität, und wie lange hält sie an?

Diese Messwerte übersetzte das Unternehmen in Zahlen und baute daraus ein kleines Softwaremodul, den "Neural Dynamics Adapter". Vereinfacht gesagt steckt darin ein Muster, das nachbildet, wie sich ein Signal in der Zellkultur räumlich begrenzt ausbreitet. Weil das Videomodell mit solchen Rohdaten allein nichts anfangen kann, kommt eine zweite Komponente hinzu: eine Art Übersetzungsschicht, die das biologische Muster in die Sprache der Zwischenergebnisse des KI-Modells überführt. Erst dadurch kann das Modell die aus den Zellen gewonnene Struktur bei der Bildberechnung nutzen.

Der Adapter baut dem Modell eine Grundregel ein, die TBC an den Zellen abgelesen hat: Aktivität wirkt vor allem in der Nachbarschaft und klingt wieder ab. Das wirkt wie ein Dämpfer, der benachbarte Bildbereiche zusammenhält und verhindert, dass sich Störungen ungebremst ausbreiten.

Mit rund 156.000 Parametern ist er klein, die Architektur des Basismodells bleibt unverändert. Trainiert wurde er dann auf Minecraft-Videosequenzen, wobei das Basismodell parallel mit niedriger Lernrate leicht nachjustiert wurde. Im Betrieb kommen keine Zellen mehr vor: Der Adapter ist dann eine feste mathematische Transformation, die auf jeder GPU läuft.

Laut TBC hielt Oasis mit Adapter deutlich länger scharfe Objektkanten und stabile räumliche Beziehungen als ohne. Als Messgröße nutzte das Unternehmen die differentielle Entropie der Bilder, grob gesagt ein Maß dafür, wie viel visuelle Information ein Frame noch enthält, bevor er zur Fläche verschwimmt. Über zehn Testvideos hinweg schnitt die Adapter-Variante um rund 19 Prozent besser ab als das Original, rund 15 Prozent besser als ein gleich großes herkömmliches Fine-Tuning und rund 5 Prozent besser als eine LoRA-Anpassung.

In einem Folgeprojekt baute TBC einen größeren Adapter mit rund drei Prozent zusätzlichen Parametern und hob die Bildrate von etwa zwei auf knapp zehn Bilder pro Sekunde. Der Geschwindigkeitsgewinn kam dabei nicht aus dem Adapter selbst, sondern daraus, dass sich die Zahl der Rechenschritte pro Bild senken ließ, ohne dass die Qualität wie sonst üblich einbrach. Ein externer Test durch den Infrastrukturanbieter Bluesky Compute ergab im Juli rund 4,4-fach geringere Inferenzkosten und mehr als dreimal so viel zusammenhängendes Video wie beim Basismodell.

Viele Zahlen, wenig Belege

Für das kommerzielle Modell fehlen vergleichbare Details. TBC nennt weder das Basismodell noch Hardware, Auflösung, Cliplänge oder Qualitätsmetrik hinter den Angaben. Auffällig ist zudem, dass fünffache Geschwindigkeit und 80 Prozent geringere Kosten rechnerisch dasselbe sind: Wer ein Fünftel der GPU-Zeit benötigt, spart 80 Prozent. Es handelt sich also vermutlich um einen Effekt in zwei Einheiten, nicht um zwei Durchbrüche.

Offen bleibt auch, ob der biologische Umweg Vorteile gegenüber rein digitalen Optimierungen wie Destillation oder Caching bringt. Einen kontrollierten Vergleich auf demselben Basismodell hat TBC nicht veröffentlicht.

Die eigentliche These des Unternehmens lautet ohnehin nicht, dass Neuronen besser rechnen als Chips, sondern dass sie auf Algorithmen führen, die man am Schreibtisch nicht gefunden hätte. Ob das stimmt, lässt sich mit den bisherigen Daten nicht beurteilen.