Nam H. Le, Douglas Blackiston, Michael Levin और Josh Bongard ने ऐसी प्रणाली प्रशिक्षित की जो “तेज़ करो” जैसे छोटे निर्देशों को पहले दर्ज किए गए ज़ेनोबॉट विद्युत-उत्तेजना परीक्षणों में से एक विकल्प में बदलती है। उनके 30 सितंबर के arXiv प्रीप्रिंट के अनुसार, सबसे कठिन अलग रखी गई तुलनाओं में पसंदीदा मॉडल ने 80.0% बार इच्छित दिशा वाला संग्रहित परिणाम चुना। यह ऑफलाइन मिलान का नतीजा है। लेखकों ने नए उत्तेजित ज़ेनोबॉट पर अनुमान लागू करने की सूचना नहीं दी।

जीवित प्रणालियों को दिशा देने में रुचि रखने वाले जीवविज्ञानी पूछ सकते हैं कि वाक्य और भौतिक हस्तक्षेप के बीच AI ने क्या किया। यहाँ उसने पुराने गति-मार्गों का आकलन किया, निर्देश-से-अवधि मॉडल को प्रशिक्षित करने में मदद की और मांगे गए व्यवहार से सबसे मेल खाता पुराना परीक्षण लौटाया। इससे यह साबित नहीं हुआ कि नया जीव वैसा ही प्रतिक्रिया देगा।

बड़ा बदलाव

  • क्या बदला:शोधकर्ताओं ने सामान्य भाषा में गति के अनुरोधों को मौजूदा ज़ेनोबॉट संग्रह की विद्युत-उत्तेजना अवधि से जोड़ने के लिए AI निर्णायक का उपयोग किया। इससे हर निर्देश के लिए नया प्रयोग जुटाए बिना भाषा इंटरफ़ेस प्रशिक्षित किया जा सकता है।
  • यह क्यों मायने रखता है:हस्तक्षेप और परिणामों के रिकॉर्ड वाले शोधकर्ता संभावित परीक्षणों पर प्रयोगशाला समय लगाने से पहले देख सकते हैं कि क्या ये रिकॉर्ड उपयोगी भाषा इंटरफ़ेस का आधार बनते हैं। यहाँ इंटरफ़ेस एक उत्तेजना पैरामीटर और मोटी गति दिशाएँ संभालता है; व्यावहारिक उपयोगिता नहीं परखी गई।
  • क्या देखना है:अगला निर्णायक प्रयोग चुनी गई अवधि को नए ज़ेनोबॉट पर लागू कर यह मापना होगा कि उसकी गति निर्देश का पालन करती है या नहीं। प्रीप्रिंट यही परीक्षण सुझाता है; बताई गई सटीकता संग्रह-मिलान मापती है।

मॉडल ने वास्तव में क्या सीखा

ज़ेनोबॉट, Xenopus laevis कोशिकाओं से बनी छोटी जीवित संरचनाएँ हैं। दोबारा उपयोग किए गए प्रयोगों में एक संरचना को विद्युत संकेत से पहले और बाद में ट्रैक किया गया। नई प्रणाली केवल उत्तेजना की अवधि चुन सकती थी। संग्रहित वीडियो दिखाता था कि बाद में ज़ेनोबॉट तेज़ चला या धीमा।

लेखकों ने पहले वीडियो से द्वि-आयामी पथ निकाले। ट्रैकिंग प्रक्रिया में बुलबुलों, परावर्तनों और मलबे से निपटने के लिए Segment Anything Model और कई पहचान विधियाँ थीं। फिर AI उपयोग वक्तव्य में Claude नामित दृष्टि-भाषा मॉडल को निर्देश और खींचा हुआ गति-मार्ग दिया गया। Claude ने दर्ज गति और शब्दों के मेल को अंक दिया; उसे उत्तेजना अवधि नहीं दिखी।

ये अंक एक निश्चित पुरस्कार तालिका बने। अलग नेटवर्क ने निर्देश का एम्बेडिंग लेकर उत्तेजना अवधि का अनुमान लगाया। मुख्य विधि में शोधकर्ताओं ने हर निर्देश के संग्रहित अवधियों पर चिकना अंक-वक्र फिट किया, लक्ष्य अवधि निकाली और नेटवर्क को उसका अनुमान सिखाया। परिणाम दिखाते समय प्रणाली ने अनुमान को पहले दर्ज परीक्षण से मिलाकर उसका मार्ग दिखाया। लेख का चित्र 1 यह क्रम दिखाता है; चित्र 10 का डेमो तीन टाइप किए निर्देशों के लिए पुराने मार्ग लौटाता है। लेख में “लाइव इंटरफ़ेस” का अर्थ इंटरैक्टिव प्रदर्शन है, जीव पर प्रत्यक्ष नियंत्रण नहीं।

संग्रह का परिणाम कितना मजबूत है?

शुरुआती संग्रह में 149 ट्रैक किए परीक्षण थे। लेखकों ने अविश्वसनीय 48 हटाए, जिससे अलग-अलग ज़ेनोबॉट के 101 परीक्षण बचे: 26 तेज़ और 75 धीमे वर्गीकृत। उन्होंने 61 परीक्षणों का प्रशिक्षण और 40 का परीक्षण उपसमूह बताया। प्रणाली ने 33 प्रशिक्षण निर्देश लिए; मूल्यांकन में प्रशिक्षण से बाहर के निर्देश भी थे। संबंधित संग्रह उपसमूह में अवधि से सबसे निकट के तीन परीक्षण यदि इच्छित गति दिशा के पक्ष में वोट करते, तो अनुमानित अवधि सही मानी गई।

नए निर्देशों और परीक्षण संग्रह उपसमूह वाली तुलना में पसंदीदा प्रशिक्षण विधि ने 80.0% सटीकता 30 प्रशिक्षण बीजों पर हासिल की। हमेशा “धीमा” कहने वाला नियम यहाँ 66.7% पाता है, क्योंकि परीक्षण तीन निर्देश प्रकार संतुलित करता है लेकिन “धीमा करो” और “रुको” को एक धीमी श्रेणी में जोड़ता है। मापी गई गति-परिवर्तनों से बने सरल लक्ष्य पर प्रशिक्षित मॉडल ने इस तुलना में 59.1% पाया। ये लेखकों के अपने डेटा के नतीजे हैं, नए ज़ेनोबॉट पर मापी सफलता दर नहीं।

लेखकों ने गति-मार्गों से स्वतंत्र रूप से निकाले लेबलों से AI निर्णायक की जाँच भी की। तेज़ बनाम धीमा वर्गीकरण में 97% सहमति बताई। यह मोटे भेद के लिए निर्णायक के उपयोग का समर्थन करता है, हालांकि गति-परिवर्तन के आकार से इसका अंक कम जुड़ा था। हल्की मंदी और रुकने के लिए मॉडल अलग आदेश भरोसेमंद ढंग से नहीं सीख पाया; मुख्य नतीजे में दोनों “धीमे” हैं।

डेटा विभाजन की एक बात स्वतंत्र समीक्षक को स्पष्ट करनी होगी। खंड 3.4 बताता है कि पुरस्कार तालिका बनाने के लिए सभी 101 संग्रहित परीक्षणों को 33 प्रशिक्षण निर्देशों पर अंकित किया गया; जबकि खंड 3.5 अलग संग्रह प्रशिक्षण/परीक्षण मूल्यांकन बताता है। लेख दूसरे को अलग रखा गया परीक्षण कहता है, लेकिन मुख्य पाठ स्पष्ट नहीं करता कि परीक्षण-अंकों को प्रशिक्षण लक्ष्यों से कैसे हटाया गया। इस अनिश्चितता से 80.0% को अनदेखे संग्रह रिकॉर्ड पर सामान्यीकरण मानने का भरोसा सीमित होता है।

गायब जैविक परीक्षण

हस्तक्षेप अब भी संग्रह से निकाली अवधि है। मॉडल नया विद्युत प्रोटोकॉल नहीं बना सकता, अन्य उत्तेजना सेटिंग नहीं चुन सकता और यह नहीं दिखा सकता कि नया ज़ेनोबॉट संग्रहित नमूने जैसा प्रतिक्रिया देगा। प्रशिक्षण और मूल्यांकन में जीवित प्रयोगशाला परीक्षण नहीं था। शीर्षक और चर्चा की व्यापक संभावनाओं के बावजूद प्रीप्रिंट ऑर्गेनॉइड, ऊतक मरम्मत या चिकित्सकीय उपयोग के समान नतीजे स्थापित नहीं करता।

यह arXiv प्रीप्रिंट है; रिपोर्ट किए प्रमाण में स्वतंत्र दोहराव नहीं है। इसका तात्कालिक योगदान उन रिकॉर्डों से सीखने की विधि है जहाँ निर्देश और हस्तक्षेप कभी जोड़े नहीं गए। जीवित कोशिकाओं को आगे चलकर दिशा दे पाने की क्षमता प्रयोग का प्रश्न है।

स्रोत और आगे पढ़ें