Nam H. Le, Douglas Blackiston, Michael Levin, Josh Bongard “వేగం పెంచు” వంటి చిన్న సూచనలను ముందుగా నమోదు చేసిన జెనోబాట్ విద్యుత్-ప్రేరణ ప్రయోగాల ఎంపికగా మార్చే వ్యవస్థకు శిక్షణ ఇచ్చారు. వారి సెప్టెంబర్ 30 arXiv ప్రిప్రింట్ అత్యంత కఠినమైన నిలిపిన పోలికల్లో 80.0% సార్లు ఇష్టపడిన మోడల్ ఉద్దేశించిన దిశలోని భద్రపరచిన ఫలితాన్ని ఎంచుకుందని తెలిపింది. ఇది ఆఫ్‌లైన్ జతపరిచే ఫలితం; కొత్తగా ప్రేరేపించిన జెనోబాట్లపై అంచనాలను ప్రయోగించారని రచయితలు చెప్పలేదు.

జీవ వ్యవస్థలను మళ్లించాలనుకునే జీవశాస్త్రవేత్తలకు వాక్యం, భౌతిక జోక్యం మధ్య AI ఏం చేసిందనేది ముఖ్యమైన ప్రశ్న. ఇక్కడ అది పాత కదలిక మార్గాలను అంచనా వేసి, సూచన-నుంచి-వ్యవధి మోడల్ శిక్షణకు సహాయపడి, కోరిన ప్రవర్తనకు దగ్గరైన పాత ప్రయోగాన్ని ఇచ్చింది. కొత్త జీవి అలాగే స్పందిస్తుందని నిరూపించలేదు.

పెద్ద మార్పు

  • ఏమి మారింది:సాధారణ భాషలోని కదలిక అభ్యర్థనలను ఇప్పటికే ఉన్న జెనోబాట్ ఆర్కైవ్‌లోని విద్యుత్ ప్రేరణ వ్యవధులతో కలపడానికి పరిశోధకులు AI నిర్ణయకర్తను వాడారు. ప్రతి సూచనకు కొత్త ప్రయోగం సేకరించకుండానే భాషా ఇంటర్‌ఫేస్‌ను శిక్షణ ఇవ్వొచ్చు.
  • ఇది ఎందుకు ముఖ్యం:జోక్యం, ఫలితాల రికార్డులు ఉన్నవారు భవిష్యత్ పరీక్షలకు ప్రయోగశాల సమయం వెచ్చించే ముందే అవి ఉపయోగకరమైన భాషా ఇంటర్‌ఫేస్‌కు సరిపోతాయా చూడవచ్చు. ఈ అధ్యయనం ఒక ప్రేరణ పరామితి, స్థూల కదలిక దిశలనే నిర్వహించింది; ప్రాయోగిక విలువ పరీక్షించలేదు.
  • ఏమి చూడాలి:ఎంచుకున్న వ్యవధిని కొత్త జెనోబాట్‌కు ఇచ్చి కదలిక సూచనను అనుసరిస్తుందా కొలవడం కీలక తదుపరి ప్రయోగం. ప్రిప్రింట్ ఆ పరీక్షను సూచిస్తుంది; ఖచ్చితత్వం ఆర్కైవ్ జతపరిచే పనిని కొలుస్తుంది.

మోడల్ నిజంగా ఏమి నేర్చుకుంది

జెనోబాట్లు Xenopus laevis కణాలతో చేసిన చిన్న జీవ నిర్మాణాలు. తిరిగి వాడిన ప్రయోగాల్లో ఒక్కో నిర్మాణాన్ని విద్యుత్ ప్రేరణకు ముందు, తర్వాత ట్రాక్ చేశారు. కొత్త వ్యవస్థ ఎంచుకోగల ఏకైక పరామితి ప్రేరణ వ్యవధి. ఆర్కైవ్ వీడియో జెనోబాట్ తర్వాత వేగంగా లేదా నెమ్మదిగా కదిలిందా చూపింది.

రచయితలు ముందుగా వీడియోల నుంచి 2D మార్గాలను తీసుకున్నారు. బుడగలు, ప్రతిబింబాలు, చెత్తను ఎదుర్కోవడానికి Segment Anything Model, ఇతర గుర్తింపు పద్ధతులు వాడారు. AI వినియోగ ప్రకటనలో Claudeగా గుర్తించిన దృశ్య-భాషా మోడల్‌కు సూచన, గీసిన కదలిక మార్గం ఇచ్చారు. Claude కదలిక పదాలకు ఎంత సరిపోతుందో స్కోర్ చేసింది; ప్రేరణ వ్యవధి చూడలేదు.

ఆ స్కోర్లు స్థిర బహుమతి పట్టిక అయ్యాయి. వేరే నెట్‌వర్క్ సూచన ఎంబెడ్డింగ్‌ నుంచి ప్రేరణ వ్యవధిని అంచనా వేసింది. ప్రధాన పద్ధతిలో ప్రతి సూచనకు ఆర్కైవ్ వ్యవధులపై మృదువైన స్కోర్ వక్రాన్ని అమర్చి లక్ష్య వ్యవధిని తీసి, దాన్ని అంచనా వేయడానికి శిక్షణ ఇచ్చారు. ఫలితం చూపేటప్పుడు అంచనాను ముందే నమోదైన ప్రయోగంతో జతచేసి దాని మార్గాన్ని చూపారు. పత్రంలోని Figure 1 ఈ క్రమాన్ని చూపుతుంది; Figure 10 డెమో మూడు టైప్ చేసిన సూచనలకు పాత మార్గాలను తిరిగి ఇస్తుంది. “లైవ్ ఇంటర్‌ఫేస్” అంటే పరస్పర ప్రదర్శన, జీవిపై ప్రత్యక్ష నియంత్రణ కాదు.

ఆర్కైవ్ ఫలితం ఎంత బలంగా ఉంది?

ప్రారంభ సేకరణలో 149 ట్రాక్ చేసిన ప్రయోగాలు ఉన్నాయి. నమ్మదగనివని 48 తొలగించగా, వేర్వేరు జెనోబాట్ల నుంచి 101 మిగిలాయి: 26 వేగంగా, 75 నెమ్మదిగా వర్గీకరించారు. శిక్షణ ఉపసమితి 61, పరీక్ష ఉపసమితి 40. వ్యవస్థ 33 శిక్షణ సూచనలు వాడింది; మూల్యాంకనంలో శిక్షణలో లేని సూచనలూ ఉన్నాయి. సంబంధిత ఆర్కైవ్ ఉపసమితిలో వ్యవధి ప్రకారం దగ్గరైన మూడు ప్రయోగాలు ఉద్దేశించిన కదలిక దిశకు ఓటు వేస్తే అంచనా సరైనదిగా లెక్కించారు.

కొత్త సూచనలు, పరీక్ష ఆర్కైవ్ ఉపసమితితో చేసిన పోలికలో ఇష్టపడిన శిక్షణ పద్ధతి 80.0% ఖచ్చితత్వాన్ని 30 శిక్షణ సీడ్లలో సాధించింది. ఎప్పుడూ “నెమ్మదిగా” అంచనా వేసే నియమం 66.7% సాధిస్తుంది: పరీక్ష మూడు సూచన రకాలను సమతుల్యం చేసినా “వేగం తగ్గించు”, “ఆపు”లను ఒకే నెమ్మదైన వర్గంలో కలుపుతుంది. కొలిచిన వేగ మార్పుల నుంచి తీసుకున్న సులభ లక్ష్యంతో శిక్షణ పొందిన మోడల్ 59.1% సాధించింది. ఇవి రచయితల డేటా ఫలితాలు, కొత్త జెనోబాట్లలో కొలిచిన విజయశాతం కాదు.

ట్రాక్ చేసిన మార్గాల నుంచి స్వతంత్రంగా తీసిన కదలిక లేబుళ్లతో AI నిర్ణయకర్తను కూడా తనిఖీ చేశారు. వేగంగా/నెమ్మదిగా వర్గీకరణలో 97% ఏకీభావం నివేదించారు. స్థూల తేడాకు ఇది మద్దతు ఇస్తుంది, కానీ వేగ మార్పు పరిమాణంతో స్కోర్ తక్కువగా అనుసంధానమైంది. స్వల్ప వేగతగ్గింపు, ఆగడం వేరు ఆదేశాలుగా విశ్వసనీయంగా నేర్చుకోలేదు; రెండూ ప్రధాన ఫలితంలో “నెమ్మదిగా”.

స్వతంత్ర సమీక్షకుడు పరిష్కరించాల్సిన డేటా విభజన వివరమొకటి ఉంది. విభాగం 3.4 బహుమతి పట్టిక కోసం 101 ఆర్కైవ్ ప్రయోగాలన్నింటినీ 33 శిక్షణ సూచనలపై స్కోర్ చేసినట్లు చెబుతుంది; విభాగం 3.5 వేరుగా విభజించిన ఆర్కైవ్ శిక్షణ/పరీక్ష మూల్యాంకనాన్ని వివరిస్తుంది. రెండోది నిలిపిన పరీక్షగా చెప్పినా, పరీక్ష ప్రయోగాల స్కోర్లు శిక్షణ లక్ష్యాల నుంచి ఎలా తొలగించారో ప్రధాన పాఠ్యం స్పష్టం చేయదు. అందువల్ల 80.0%ను చూడని ఆర్కైవ్ రికార్డులకు సాధారణీకరణగా చదవడంలో అనిశ్చితి ఉంది.

లేని జీవశాస్త్ర పరీక్ష

జోక్యం ఇంకా ఆర్కైవ్‌లోని వ్యవధే. మోడల్ కొత్త విద్యుత్ ప్రోటోకాల్ రూపొందించలేడు, ఇతర ప్రేరణ సెట్టింగులు ఎంచుకోలేడు, కొత్త జెనోబాట్ భద్రపరిచిన దానిలా స్పందిస్తుందని చూపలేడు. శిక్షణ, మూల్యాంకనంలో జీవ ప్రయోగశాల పరీక్ష లేదు. శీర్షిక, చర్చలో విస్తృత అవకాశాలున్నా ఆర్గనాయిడ్లు, కణజాల మరమ్మతు లేదా వైద్య వినియోగానికి ఇలాంటి ఫలితాలను ప్రిప్రింట్ నిరూపించదు.

ఇది arXiv ప్రిప్రింట్; నివేదించిన ఆధారాల్లో స్వతంత్ర పునరావృతం లేదు. సూచనలను జోక్యాలతో జత చేయని రికార్డుల నుంచి నేర్చుకోవడం దీని ప్రత్యక్ష సహకారం. జీవ కణాలను ముందుగానే దిశానిర్దేశం చేయగలదా అనేది ప్రయోగాత్మక ప్రశ్న.

మూలాలు, మరింత చదవడానికి