Nam H. Le, Douglas Blackiston, Michael Levin ও Josh Bongard এমন একটি ব্যবস্থা প্রশিক্ষণ দিয়েছেন, যা “গতি বাড়াও”-এর মতো ছোট নির্দেশকে আগে নথিবদ্ধ জেনোবটের বৈদ্যুতিক উদ্দীপনা পরীক্ষার একটি বিকল্পে রূপ দেয়। তাঁদের ৩০ সেপ্টেম্বরের arXiv প্রিপ্রিন্ট জানায়, সবচেয়ে কঠিন আলাদা রাখা তুলনাগুলোর ৮০.০% ক্ষেত্রে পছন্দের মডেলটি অভিপ্রেত দিকের সংরক্ষিত ফল বেছে নিয়েছে। এটি অফলাইন মিলের ফল। নতুন করে উদ্দীপিত জেনোবটে মডেলের পূর্বাভাস প্রয়োগের কথা লেখকেরা জানাননি।

জীবন্ত ব্যবস্থাকে পরিচালনায় আগ্রহী জীববিজ্ঞানীদের জন্য প্রশ্ন হলো, বাক্য ও শারীরিক হস্তক্ষেপের মাঝে AI কী করেছে। এখানে এটি পুরোনো চলাচলের রেখা বিচার করেছে, নির্দেশ থেকে সময়কাল অনুমানকারী মডেল প্রশিক্ষণে সাহায্য করেছে এবং অনুরোধের আচরণের সঙ্গে সবচেয়ে মেলা পুরোনো পরীক্ষা ফিরিয়ে দিয়েছে। নতুন জীবদেহ একইভাবে সাড়া দেবে, তা প্রমাণ করেনি।

বড় পরিবর্তন

  • কী বদলেছে:সাধারণ ভাষায় চলাচলের অনুরোধকে বিদ্যমান জেনোবট আর্কাইভের বৈদ্যুতিক উদ্দীপনার সময়কালের সঙ্গে যুক্ত করতে গবেষকেরা AI বিচারক ব্যবহার করেছেন। প্রতিটি নির্দেশের জন্য নতুন পরীক্ষা সংগ্রহ না করেই ভাষার ইন্টারফেস প্রশিক্ষণ দেওয়ার সুযোগ তৈরি হয়।
  • কেন গুরুত্বপূর্ণ:হস্তক্ষেপ ও ফলাফলের নথি থাকা গবেষকেরা সম্ভাব্য পরীক্ষায় সময় দেওয়ার আগে দেখতে পারেন, সেই নথি কার্যকর ভাষা-ইন্টারফেসকে সমর্থন করে কি না। এই গবেষণায় ইন্টারফেসটি একটি উদ্দীপনা পরামিতি এবং মোটামুটি চলাচলের দিক সামলেছে; ব্যবহারিক মূল্য পরীক্ষা হয়নি।
  • কী দেখবেন:পরের নির্ণায়ক পরীক্ষা হবে নির্বাচিত সময়কাল নতুন জেনোবটে প্রয়োগ করে দেখা, তার চলাচল নির্দেশ অনুসরণ করে কি না। প্রিপ্রিন্ট এই পরীক্ষার প্রস্তাব দেয়; জানানো নির্ভুলতা আর্কাইভের সঙ্গে মিল মাপে।

মডেলটি আসলে কী শিখেছে

জেনোবট হলো Xenopus laevis কোষের তৈরি ছোট জীবন্ত কাঠামো। এই প্রবন্ধে পুনর্ব্যবহৃত পরীক্ষায় একটি কাঠামোকে বৈদ্যুতিক উদ্দীপনার আগে ও পরে অনুসরণ করা হয়েছিল। নতুন ব্যবস্থাটি কেবল উদ্দীপনার সময়কাল বেছে নিতে পারত। সংরক্ষিত ভিডিও দেখিয়েছে, পরে জেনোবটটি দ্রুত না ধীরে চলেছে।

লেখকেরা প্রথমে ভিডিও থেকে দ্বিমাত্রিক পথ বের করেন। বুদ্‌বুদ, প্রতিফলন ও ধ্বংসাবশেষ সামলাতে তাঁদের ট্র্যাকিংয়ে Segment Anything Model এবং কয়েকটি শনাক্তকরণ পদ্ধতি ছিল। এরপর AI ব্যবহারের বিবৃতিতে Claude বলা দৃষ্টি-ভাষা মডেলকে নির্দেশ ও আঁকা চলাচলের রেখা দেওয়া হয়। Claude নথিবদ্ধ চলাচলের সঙ্গে শব্দের মিলের স্কোর করেছে; উদ্দীপনার সময়কাল দেখেনি।

স্কোরগুলো স্থির পুরস্কার-সারণি হয়। আলাদা নেটওয়ার্ক নির্দেশের এমবেডিং নিয়ে উদ্দীপনার সময়কাল পূর্বাভাস দিয়েছে। প্রধান প্রশিক্ষণ পদ্ধতিতে প্রতিটি নির্দেশের জন্য সংরক্ষিত সময়কালের ওপর মসৃণ স্কোর-রেখা বসিয়ে লক্ষ্যকাল নির্ণয় করে নেটওয়ার্ককে তা অনুমান করতে শেখানো হয়। ফল দেখানোর সময় পূর্বাভাসকে আগে নথিভুক্ত পরীক্ষার সঙ্গে মিলিয়ে তার পথ দেখানো হয়। প্রবন্ধের চিত্র ১ এই ধাপ দেখায়; চিত্র ১০-এর ডেমো তিনটি টাইপ করা নির্দেশের জন্য পুরোনো পথ ফেরায়। প্রবন্ধে “লাইভ ইন্টারফেস” বলতে এই ইন্টারঅ্যাকটিভ প্রদর্শন বোঝায়, জীবদেহের সরাসরি নিয়ন্ত্রণ নয়।

আর্কাইভের ফল কতটা শক্ত?

প্রাথমিক সংগ্রহে ১৪৯টি অনুসরণ করা পরীক্ষা ছিল। অবিশ্বস্ত বলে লেখকেরা ৪৮টি বাদ দেন; বিভিন্ন জেনোবটে ১০১টি থাকে: ২৬টি দ্রুত এবং ৭৫টি ধীর হিসেবে শ্রেণিবদ্ধ। তাঁরা প্রশিক্ষণ উপসেটে ৬১টি এবং পরীক্ষণ উপসেটে ৪০টির কথা জানান। ব্যবস্থা ৩৩টি প্রশিক্ষণ নির্দেশ ব্যবহার করেছে; মূল্যায়নে প্রশিক্ষণে না থাকা নির্দেশও ছিল। সংশ্লিষ্ট আর্কাইভ উপসেটে সময়কালের হিসাবে সবচেয়ে কাছের তিনটি পরীক্ষা চাওয়া চলাচলের দিক সমর্থন করলে পূর্বাভাসিত সময়কালকে সঠিক ধরা হয়।

নতুন নির্দেশ ও পরীক্ষণ আর্কাইভ উপসেটের তুলনায় প্রবন্ধের পছন্দের প্রশিক্ষণ পদ্ধতি ৮০.০% নির্ভুলতা পেয়েছে ৩০টি প্রশিক্ষণ বীজে। সবসময় “ধীর” পূর্বাভাস দেওয়া নিয়মটি ৬৬.৭% পায়, কারণ পরীক্ষায় তিন ধরনের নির্দেশ ভারসাম্যপূর্ণ হলেও “গতি কমাও” ও “থামো” একই ধীর শ্রেণিতে গেছে। মাপা গতির পরিবর্তন থেকে বানানো সহজ লক্ষ্য দিয়ে প্রশিক্ষিত মডেলটি ওই তুলনায় ৫৯.১% পেয়েছে। এগুলো লেখকদের ডেটাসেটের ফল, নতুন জেনোবটে মাপা সাফল্যের হার নয়।

লেখকেরা ট্র্যাক করা পথ থেকে স্বাধীনভাবে তৈরি চলাচলের লেবেলের সঙ্গেও AI বিচারক তুলনা করেছেন। দ্রুত বনাম ধীর শ্রেণিবিভাগে ৯৭% মিলের কথা জানান। এই মোটামুটি পার্থক্যে বিচারক ব্যবহারের পক্ষে এটি যায়, যদিও গতির পরিবর্তনের মাত্রার সঙ্গে স্কোরের সম্পর্ক কম ছিল। হালকা ধীর হওয়া ও থামার জন্য আলাদা নির্দেশ নির্ভরযোগ্যভাবে শেখেনি; প্রধান ফলে দুটিই “ধীর”।

তথ্য ভাগের একটি খুঁটিনাটি স্বাধীন পর্যালোচককে মীমাংসা করতে হবে। অনুচ্ছেদ ৩.৪ পুরস্কার-সারণি বানাতে ৩৩টি প্রশিক্ষণ নির্দেশের বিপরীতে ১০১টি আর্কাইভ পরীক্ষার সবগুলোর স্কোরের কথা বলে; আর অনুচ্ছেদ ৩.৫ আলাদা আর্কাইভ প্রশিক্ষণ/পরীক্ষণ মূল্যায়ন বর্ণনা করে। প্রবন্ধটি শেষেরটিকে আলাদা রাখা পরীক্ষা বলে, কিন্তু পরীক্ষার স্কোর কীভাবে প্রশিক্ষণ লক্ষ্য থেকে বাদ গেছে তা মূল লেখায় স্পষ্ট নয়। এই অনিশ্চয়তা ৮০.০%কে না-দেখা আর্কাইভ নথিতে সাধারণীকরণ হিসেবে পড়ার আস্থা সীমিত করে।

অনুপস্থিত জীববৈজ্ঞানিক পরীক্ষা

হস্তক্ষেপটি এখনও আর্কাইভ থেকে নেওয়া একটি সময়কাল। মডেল নতুন বৈদ্যুতিক প্রোটোকল তৈরি, অন্য উদ্দীপনা সেটিং বাছাই বা নতুন জেনোবট সংরক্ষিতটির মতো সাড়া দেয় তা দেখাতে পারে না। প্রশিক্ষণ ও মূল্যায়নে জীবন্ত পরীক্ষাগারের পরীক্ষা যোগ হয়নি। শিরোনাম ও আলোচনার বিস্তৃত সম্ভাবনা সত্ত্বেও অর্গানয়েড, টিস্যু মেরামত বা চিকিৎসায় অনুরূপ ফল প্রিপ্রিন্ট প্রতিষ্ঠা করে না।

প্রবন্ধটি arXiv প্রিপ্রিন্ট; জানানো প্রমাণে স্বাধীন পুনরাবৃত্তি নেই। নির্দেশের সঙ্গে হস্তক্ষেপ কখনও জোড়া না থাকা নথি থেকে শেখার পদ্ধতিই এর তাৎক্ষণিক অবদান। জীবন্ত কোষকে আগাম পরিচালনা করতে পারবে কি না, তা পরীক্ষার বিষয়।

সূত্র ও আরও পড়া