Edición en Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# Estudio de IA sobre xenobots vincula instrucciones con experimentos archivados

> Un preprint sobre xenobots informa de un 80% de acierto al emparejar nuevas instrucciones de movimiento con ensayos archivados. Sus predicciones no se probaron en organismos nuevos.

By BIG CHANGE Editorial

Published: 2026-10-09T18:38:57.532Z
Updated: 2026-10-09T18:38:57.532Z
Canonical: https://bigchange.ai/blog/xenobot-ai-language-archived-experiments

![Several transparent film strips with unlabelled movement traces sit in a shallow archival drawer; one strip is picked out in orange.](https://bigchange.ai/api/media/file/xenobot-archive-matching-hero-v1.png)
Conceptual illustration of a system matching language prompts to previously recorded xenobot motion trials. The traces and archive drawer are illustrative and are not study data or a depiction of a new experiment. AI-generated illustration by BIG CHANGE.

Nam H. Le, Douglas Blackiston, Michael Levin y Josh Bongard entrenaron un sistema que convierte instrucciones breves como «acelera» en una opción de **ensayos de estimulación eléctrica** registrados antes en xenobots. Su [preprint de arXiv del 30 de septiembre ](https://arxiv.org/html/2610.02247v1)dice que el modelo preferido eligió un resultado archivado en la dirección prevista en el 80,0% de sus comparaciones retenidas más difíciles. Es un resultado de emparejamiento fuera de línea. Los autores no informaron de aplicar las predicciones a xenobots recién estimulados.

Para biólogos interesados en dirigir sistemas vivos, la pregunta útil es qué aportó la IA entre una frase y una intervención física. Aquí evaluó trazas antiguas, ayudó a entrenar un modelo de instrucción a duración y devolvió un ensayo previo que mejor coincidía con la conducta pedida. No demostró que un organismo nuevo respondiera igual.

## El gran cambio

- **Qué cambió:**Los investigadores usaron un juez de IA para conectar solicitudes de movimiento en lenguaje corriente con duraciones de estimulación eléctrica de un archivo existente de xenobots. Así pueden entrenar una interfaz lingüística sin reunir un experimento nuevo por instrucción.
- **Por qué importa:**Quienes tienen registros de intervenciones y resultados pueden averiguar si estos sostienen una interfaz lingüística útil antes de dedicar tiempo de laboratorio a ensayos prospectivos. Aquí la interfaz maneja un parámetro de estimulación y direcciones generales; su valor práctico no se ha probado.
- **Qué observar:**El próximo experimento decisivo es aplicar una duración elegida a un xenobot nuevo y medir si se mueve según la instrucción. El preprint propone esa prueba; la precisión informada mide el emparejamiento con archivos.

## Qué aprendió realmente el modelo

Los xenobots son pequeñas construcciones vivas hechas de *células de Xenopus laevis*. En los experimentos reutilizados, se siguió una construcción antes y después de un estímulo eléctrico. La duración del estímulo era el único parámetro que podía elegir el sistema. El vídeo archivado mostraba si luego se movía más rápido o despacio.

Primero, los autores extrajeron trayectorias bidimensionales de los vídeos. Su seguimiento usó Segment Anything Model y varios métodos para manejar burbujas, reflejos y residuos. Después dieron al modelo visual y lingüístico Claude, identificado así en la declaración de uso de IA del artículo, una instrucción y una trayectoria trazada. Claude puntuó cuánto coincidía el movimiento registrado con las palabras; no veía la duración del estímulo.

Las puntuaciones formaron una tabla fija de recompensas. Otra red recibió una representación de la instrucción y predijo una duración. Para el método principal, los investigadores ajustaron una curva suave de puntuación sobre duraciones archivadas por instrucción, derivaron una duración objetivo y entrenaron la red para predecirla. Al mostrar un resultado, el sistema emparejaba la predicción con un ensayo registrado y mostraba su trayectoria. [La figura 1 del artículo ](https://arxiv.org/html/2610.02247v1#S1.F1)presenta la secuencia; su [demostración de la figura 10 ](https://arxiv.org/html/2610.02247v1#S4.F10)devuelve trayectorias antiguas para tres instrucciones escritas. «Interfaz en vivo» describe esa visualización interactiva, no el control en vivo de un organismo.

## ¿Qué solidez tiene el resultado del archivo?

La colección inicial tenía 149 ensayos seguidos. Los autores excluyeron 48 por falta de fiabilidad y quedaron 101 de xenobots distintos: 26 clasificados como más rápidos y 75 como más lentos. Informan de 61 ensayos de entrenamiento y 40 de prueba. El sistema usó 33 instrucciones de entrenamiento; la evaluación también incluyó instrucciones ausentes de ese conjunto. La prueba consideró correcta una duración si los tres ensayos más cercanos por duración en el subconjunto pertinente votaban por la dirección de movimiento solicitada.

En la comparación con instrucciones nuevas y el subconjunto de prueba, el método de entrenamiento preferido alcanzó **80,0%** de acierto en 30 semillas de entrenamiento. Una regla que siempre predice «más lento» obtiene **66,7%** porque la prueba equilibra tres tipos de instrucciones, pero agrupa «reduce la velocidad» y «detente» como más lento. Un modelo con un objetivo más simple, derivado de cambios de velocidad medidos, alcanzó **59,1%** en esa comparación. Son resultados de los autores en sus datos, no una tasa medida en xenobots nuevos.

Los autores también contrastaron el juez con etiquetas de movimiento derivadas de forma independiente de las trayectorias. Informan de un 97% de concordancia entre más rápido y más lento. Esto respalda el uso del juez para esa distinción general, aunque su puntuación se correlacionó menos con la magnitud del cambio de velocidad. El método no aprendió de forma fiable órdenes distintas para una desaceleración leve y una parada; ambas cuentan como «más lento».

Un detalle de la división de datos debe resolverlo un revisor independiente. [La sección 3.4 ](https://arxiv.org/html/2610.02247v1#S3.SS4)describe puntuar los 101 ensayos archivados con las 33 instrucciones de entrenamiento para crear la tabla de recompensas; [la sección 3.5 ](https://arxiv.org/html/2610.02247v1#S3.SS5)describe una evaluación con conjuntos de entrenamiento y prueba separados. El artículo llama reservada a esta última prueba, pero el texto principal no explica claramente cómo se excluyeron de los objetivos de entrenamiento las puntuaciones de los ensayos de prueba. Esto limita la confianza para interpretar el 80,0% como generalización a registros no vistos.

## La prueba biológica que falta

La intervención sigue siendo una duración recuperada del archivo. El modelo no puede componer un protocolo eléctrico nuevo, elegir otros ajustes ni demostrar que un xenobot nuevo responderá como uno archivado. El entrenamiento y la evaluación no añadieron un ensayo de laboratorio húmedo. El preprint tampoco establece resultados similares para organoides, reparación de tejidos o uso clínico, pese a las posibilidades más amplias del título y la discusión.

El artículo es un preprint de arXiv y la evidencia informada no incluye réplica independiente. Su contribución inmediata es un método para aprender de registros donde las instrucciones nunca se emparejaron con intervenciones. Si puede dirigir células vivas de forma prospectiva sigue siendo una pregunta experimental.

## Fuentes y lecturas adicionales

- [Le, Blackiston, Levin y Bongard, *Hacia el control de la biología con lenguaje* (arXiv v1, 30 de septiembre de 2026).](https://arxiv.org/html/2610.02247v1)El preprint completo aporta el método, los recuentos del archivo, el protocolo, las tablas y las limitaciones usados aquí. Los resultados son de los autores; no prueban revisión por pares, réplica independiente ni control biológico prospectivo.
- [PDF del mismo preprint](https://arxiv.org/pdf/2610.02247v1). El PDF de 15 páginas conserva tablas y pies de figura para comprobar cifras y el uso de trayectorias registradas en la demostración. Es otro formato de la misma fuente, no confirmación independiente.

## Sources

- [Le et al., Hacia el control de la biología con lenguaje, arXiv HTML v1](https://arxiv.org/html/2610.02247v1) — El preprint completo informa de métodos, evaluación, resultados y límites; es la versión de los autores, sin réplica independiente ni prueba prospectiva.
- [Le et al., mismo preprint, PDF de 15 páginas v1](https://arxiv.org/pdf/2610.02247v1) — El PDF permite contrastar tablas y figuras. Es otro formato del mismo trabajo, no una fuente independiente.