Nam H. Le, Douglas Blackiston, Michael Levin und Josh Bongard trainierten ein System, das kurze Anweisungen wie „schneller“ einer Auswahl aus zuvor aufgezeichneten Versuchen zur elektrischen Stimulation von Xenobots zuordnet. Ihr arXiv-Preprint vom 30. September berichtet, dass das bevorzugte Modell in 80,0 % der anspruchsvollsten zurückgehaltenen Vergleiche ein archiviertes Ergebnis in der beabsichtigten Richtung auswählte. Das ist ein Offline-Abgleich. Die Autoren berichteten nicht, Vorhersagen auf neu stimulierte Xenobots angewandt zu haben.

Für Biologen, die lebende Systeme steuern möchten, ist entscheidend, was die KI zwischen einem Satz und einem physischen Eingriff tat. Hier bewertete sie alte Bewegungsspuren, half beim Training eines Modells von Prompt zu Dauer und gab einen früheren Versuch zurück, der dem gewünschten Verhalten am nächsten kam. Sie zeigte nicht, dass ein neuer Organismus ebenso reagieren würde.

Die große Veränderung

  • Was sich geändert hat:Die Forscher nutzten einen KI-Bewerter, um natürlichsprachliche Bewegungswünsche mit Stimulationsdauern in einem bestehenden Xenobot-Archiv zu verknüpfen. So lässt sich eine Sprachschnittstelle trainieren, ohne für jede Anweisung ein neues Experiment zu erheben.
  • Warum es wichtig ist:Forscher mit Aufzeichnungen von Eingriffen und Ergebnissen können prüfen, ob diese eine nützliche Sprachschnittstelle tragen, bevor sie Laborzeit in prospektive Versuche investieren. Hier verarbeitet die Schnittstelle nur einen Stimulationsparameter und grobe Bewegungsrichtungen; ihr praktischer Wert ist ungeprüft.
  • Worauf zu achten ist:Der entscheidende nächste Versuch wäre, eine ausgewählte Dauer bei einem neuen Xenobot anzuwenden und zu messen, ob seine Bewegung der Anweisung folgt. Der Preprint schlägt dies vor; die berichtete Genauigkeit misst den Archivabgleich.

Was das Modell tatsächlich gelernt hat

Xenobots sind kleine lebende Konstrukte aus Zellen von Xenopus laevis. In den für die Arbeit wiederverwendeten Experimenten wurde ein einzelnes Konstrukt vor und nach einem elektrischen Reiz verfolgt. Die Reizdauer war der einzige Parameter, den das neue System wählen konnte. Das Archivvideo zeigte, ob sich der Xenobot danach schneller oder langsamer bewegte.

Zuerst extrahierten die Autoren zweidimensionale Pfade aus den Videos. Ihr Tracking nutzte das Segment Anything Model und mehrere Erkennungsmethoden für Blasen, Spiegelungen und Ablagerungen. Dann gaben sie einem im KI-Nutzungshinweis als Claude bezeichneten Vision-Language-Modell einen Prompt und eine gezeichnete Bewegungsspur. Claude bewertete, wie gut die aufgezeichnete Bewegung zu den Worten passte; die Reizdauer sah es dabei nicht.

Diese Bewertungen wurden zu einer festen Belohnungstabelle. Ein separates Netzwerk erhielt ein Embedding der Anweisung und sagte eine Stimulationsdauer voraus. Für die Hauptmethode passten die Forscher für jeden Prompt eine glatte Bewertungskurve über archivierte Dauern an, leiteten eine Zieldauer ab und trainierten das Netzwerk darauf. Bei der Ergebnisanzeige ordnete das System die Vorhersage einem bereits aufgezeichneten Versuch zu und zeigte dessen Spur. Abbildung 1 der Arbeit zeigt diese Abfolge; die Demo in Abbildung 10 gibt für drei eingegebene Prompts alte Spuren zurück. „Live-Schnittstelle“ meint in der Arbeit diese interaktive Anzeige, nicht die Live-Steuerung eines Organismus.

Wie belastbar ist das Archivergebnis?

Die Ausgangssammlung umfasste 149 verfolgte Versuche. Die Autoren schlossen 48 als unzuverlässig aus; übrig blieben 101 Versuche an verschiedenen Xenobots: 26 als schneller und 75 als langsamer eingestuft. Sie berichten von 61 Versuchen im Trainings- und 40 im Test-Subset. Das System nutzte 33 Trainingsprompts; die Auswertung enthielt auch nicht trainierte Prompts. Eine vorhergesagte Dauer galt als korrekt, wenn die drei nach Dauer nächstgelegenen Versuche im betreffenden Archiv-Subset für die gewünschte Bewegungsrichtung stimmten.

Im Vergleich mit neuen Prompts und dem Test-Subset des Archivs erreichte die bevorzugte Trainingsmethode 80,0 % Genauigkeit über 30 Trainings-Seeds. Eine Regel, die stets „langsamer“ vorhersagt, erzielt hier 66,7 % weil der Test drei Prompt-Typen ausgleicht, aber „langsamer“ und „stoppen“ zu einer Kategorie zusammenfasst. Ein mit einem einfacheren Ziel aus gemessenen Geschwindigkeitsänderungen trainiertes Modell erzielte in diesem Vergleich 59,1 %. Das sind Ergebnisse der Autoren auf ihrem Datensatz, keine gemessene Erfolgsrate an neuen Xenobots.

Die Autoren prüften den KI-Bewerter auch anhand unabhängig aus den Spuren abgeleiteter Bewegungslabels. Für die Einteilung schneller gegenüber langsamer berichten sie 97 % Übereinstimmung. Das stützt den Bewerter für diese grobe Unterscheidung, obwohl seine Werte schwächer mit der Größe der Geschwindigkeitsänderung korrelierten. Leichte Verlangsamung und Stopp konnte die Methode nicht zuverlässig als getrennte Befehle lernen; im Hauptergebnis zählen beide als „langsamer“.

Ein Detail der Datenteilung muss noch unabhängig geprüft werden. Abschnitt 3.4 beschreibt, alle 101 Archivversuche anhand der 33 Trainingsprompts zu bewerten, um die Belohnungstabelle zu erstellen; Abschnitt 3.5 beschreibt eine getrennte Archiv-Auswertung für Training und Test. Die Arbeit bezeichnet Letztere als zurückgehalten, erklärt im Haupttext aber nicht klar, wie Testwerte aus den Trainingszielen ausgeschlossen wurden. Diese Unsicherheit begrenzt, wie sicher sich 80,0 % als Verallgemeinerung auf unbekannte Archivdaten lesen lässt.

Der fehlende biologische Test

Der Eingriff bleibt eine aus dem Archiv abgerufene Dauer. Das Modell kann kein neues elektrisches Protokoll zusammensetzen, andere Reizeinstellungen wählen oder zeigen, dass ein neuer Xenobot wie ein archivierter reagiert. Training und Auswertung ergänzten keinen Nasslaborversuch. Trotz breiterer Möglichkeiten in Titel und Diskussion belegt der Preprint keine ähnlichen Ergebnisse für Organoide, Gewebereparatur oder klinische Nutzung.

Die Arbeit ist ein arXiv-Preprint; die berichteten Belege enthalten keine unabhängige Replikation. Ihr unmittelbarer Beitrag ist eine Methode, aus Aufzeichnungen zu lernen, in denen Anweisungen nie mit Eingriffen verknüpft waren. Ob sich damit lebende Zellen prospektiv steuern lassen, bleibt eine experimentelle Frage.

Quellen und weiterführende Literatur