# 生きたニューロンでAIは5倍速くなるか？ Biological Computing Company の挑戦

- 番組: [The Neuron: AI Explained](https://ai-curator.jp/podcasts/shows/cmv8ukqpj0003711052b4okte)（The Neuron）
- 元のタイトル: Can Living Neurons Make AI 5x Faster?
- 配信日: 2026年10月22日
- 長さ: 46分
- 要約作成日: 2026年10月22日
- トピック: [#生物学的コンピューティング](https://ai-curator.jp/topics/%E7%94%9F%E7%89%A9%E5%AD%A6%E7%9A%84%E3%82%B3%E3%83%B3%E3%83%94%E3%83%A5%E3%83%BC%E3%83%86%E3%82%A3%E3%83%B3%E3%82%B0) [#動画生成](https://ai-curator.jp/topics/%E5%8B%95%E7%94%BB%E7%94%9F%E6%88%90) [#推論効率化](https://ai-curator.jp/topics/%E6%8E%A8%E8%AB%96%E5%8A%B9%E7%8E%87%E5%8C%96) [#世界モデル](https://ai-curator.jp/topics/%E4%B8%96%E7%95%8C%E3%83%A2%E3%83%87%E3%83%AB) [#ロボティクス](https://ai-curator.jp/topics/%E3%83%AD%E3%83%9C%E3%83%86%E3%82%A3%E3%82%AF%E3%82%B9) [#AWS Trainium](https://ai-curator.jp/topics/AWS%20Trainium)
- URL: https://ai-curator.jp/podcasts/cmvihspy900004h10bbg11ds2

## 要約

神経外科医兼研究者の Alex Zandowski 氏と Jon Pomeraniec 氏が、Biological Computing Company の取り組みを語った回。約15万個の神経細胞を4,096電極のアレイ上で育て、MNIST の数字パターンなどを入力して応答を記録し、その計算的性質をソフトウェアでモデル化する。この知見を GPU 上の動画生成モデルに組み込み、約5倍の高速化と約80%の推論コスト削減を実現したと述べている。将来はロボットや世界モデル、リアルタイム生体コンピューティングへの展開を目指す。

## ポイント

- 約15万個の神経細胞を4,096電極のアレイで培養し、電流パターンで画像を入力、スパイク（発火）の時系列を記録して研究プラットフォームにしている。
- MNIST の実験では、ニューロン応答から作ったベクトルで学習した単純な分類器が、元の数字で学習した同規模の分類器より約10%高い精度を示したという。
- 製品は生体を出荷するのではなく、神経細胞から得た数理モデル（アダプター）を DiT 系の動画生成モデルに追加する方式で、NVIDIA GPU 上で約5倍の高速化と約80%のコスト減を主張している。
- アダプターは30〜50種の候補をリーダーボードで管理し、Cosmos 2.5/3 や WAN などオープンソースモデルへ移植できると説明している。
- AWS とは Marketplace や SageMaker での提供、Trainium への移植で協業。長期的にはロボットの計算の一部を生体細胞に任せる構想を、2〜3年先、実用規模は5〜10年先と語っている。

## 章立て

- [02:06] **創業の経緯と動機** — 二人の神経外科医が、脳細胞を計算に使うというアイデアを2022年に事業化した経緯と、Jeff Dean ら初期投資家の後押しを語る。
- [07:07] **MNIST による最初の実証** — 電極に数字の形で電流を流し、神経応答を使った分類器が約10%高い精度を示した実験と、アナログ計算機としての神経細胞の捉え方を説明する。
- [14:30] **動画生成への応用と効率向上** — シリコン上のコードに神経の原理を取り入れ、GPU で5倍速・80%コスト減を得たこと、ディッシュは研究基盤であることを説明する。
- [20:00] **コネクトームとの違いと長期ビジョン** — 構造だけのコネクトームに対し、時間的な機能の計測が強みだと主張。リアルタイム生体計算と、ロボットを脳細胞につないだ概念実証にも触れる。
- [29:20] **アーキテクチャとアダプター** — DiT バックボーンに挿入するアダプター層の仕組み、オープンソースモデルへの移植性、コストと遅延が創作現場にもたらす価値を述べる。
- [34:30] **AWS との提携とロボティクス** — SageMaker での提供や Trainium への移植、世界モデルを通じた物理AIへの展開を紹介する。
- [41:50] **脳に何が足りないか、試し方** — 現行モデルのエネルギー効率や継続学習の課題を挙げ、脳から学ぶという賭けを語る。デモは app.tbc.co で無料公開されている。

## 解説記事

The Neuron の本エピソードでは、Biological Computing Company の共同創業者である Alex Zandowski 氏（CEO）と Jon Pomeraniec 氏（COO）が、生きた神経細胞を使ったAI研究の現状を語った。二人はいずれも神経外科医兼神経科学者である。培養した脳細胞は製品そのものではなく、AIを効率化するヒントを得る研究プラットフォームだという位置づけが、全体を通じた要点だ。

#### 電極上の15万個の神経細胞

同社の実験装置は、約15万個の細胞を4,096個の電極のアレイ上で育てたものだ。目や網膜を持たない細胞に情報を渡すため、電極に電流を流して画像の形を空間的に描く。たとえば数字の「5」の形に通電する。神経細胞はこれに反応し、空間と時間にまたがるスパイク（発火）のパターンとして出力する。

Zandowski 氏はこれを、デジタルのビットよりもアナログ計算機に近いものとして説明している。さらに、細胞同士の結合が教える（報酬や罰を与える）ことで変化するため、学習できる点がトランジスタとの大きな違いだと述べた。

#### MNIST で見えた手応え

最初の実証は手書き数字データセット MNIST だった。ニューロン応答から作ったベクトルで単純な分類器を学習させ、同じパラメータ数で元の数字画像から学習した分類器と比較した。結果として、ニューロン由来の表現のほうが分類精度が約10%高かったという。氏はこれを、神経応答に既存のニューラルネットが活用できる特別な特徴が含まれている兆候と受け止め、事業化の転機になったと語っている。初期投資家には元 Google AI 責任者の Jeff Dean 氏がいるとも紹介された。

#### 製品はGPU上のソフトウェア

実際の製品は、ディッシュの実験から得た知見を数理モデル化し、コードとして動画生成モデルに組み込むものだ。対象は DiT（Diffusion Transformer）系のオープンソースモデルで、Cosmos 2.5、Cosmos 3、WAN などに対応済みと説明された。モデルに追加するのは「アダプター」と呼ぶ層で、候補を30〜50個リーダーボードで管理し、PI-Bench などの指標やユーザーテストで選別するという。

比較は NVIDIA GPU 上での同条件の対比であり、約5倍の高速化、約80%の推論コスト削減を主張している。社内ではさらに高い値（10倍）も出ているとの発言があった。例として、5秒のクリップを100本生成して最良を選ぶ映像制作では、待ち時間とコストの削減が大きいと語られた。これらの数値は本人たちの主張であり、番組内で第三者検証は示されていない。

#### 長期ビジョンとロボティクス

北極星として掲げるのは「リアルタイム生体コンピューティング」、つまり神経細胞を推論ループに組み込むことだ。すでに研究室では脳細胞につないだロボットが、左右どちらの手を上げたかを判別する概念実証を動かしているという。ただし規模を拡大した実用化は5〜10年先、ロボットの計算の一部を生体細胞に任せる構想は2〜3年先と述べている。

当面は世界モデル（ロボットの動作を訓練するシミュレーション）への展開を次の市場とし、Cosmos 3 上でシミュレーションの精度向上を示したとする。量子計算のように「10年待て」という賭けではなく、既存のAIワークフローに組み込みながら段階的に進める戦略だと強調した。

#### AWS 提携と、脳に学ぶ理由

AWS とは Marketplace と SageMaker での提供に加え、Trainium への移植でも協業している。Trainium 上でも生成時間は同等で、チップ自体の効率の高さと合わせてさらに効率的になると説明された。

創業者らは、言語は物理世界の情報のごく一部にすぎず、3D空間推論や因果関係といったマルチモーダルな情報を省エネで扱えるのは脳だと主張する。言語モデルは高性能だが、学習・利用時のエネルギー、継続学習、汎化には課題が残るという見方である。デモは app.tbc.co で無料で試せ、フィードバックを次の版に反映するという。

#### まとめ

本回のポイントは、生体を使う計算と、その知見をGPU上のソフトウェアとして先に製品化する二段構えの戦略である。日本の読者にとっては、動画生成の推論コスト削減という実用的な課題に、神経科学由来のアプローチが提示された点が注目される。一方、効率向上の数値は自己申告で、生体計算の長期構想も概念実証の段階にある。今後の第三者評価やマーケットプレイスでの提供状況を見守りたい。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: The Neuron: AI Explained「Can Living Neurons Make AI 5x Faster?」