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

# Xenobot AI 研究將語言提示配對至存檔實驗

> 一篇 xenobot 預印本報告稱，AI 訓練系統將新動作指令配對至存檔試驗時達到 80% 準確率；其預測未在新生物體上測試。

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 與 Josh Bongard 訓練系統，將「加快」等簡短指令轉換為從**先前記錄的**xenobot 電刺激試驗中選出一項。其[9 月 30 日 arXiv 預印本](https://arxiv.org/html/2610.02247v1)報告稱，偏好模型在最具挑戰性的保留比較中，有 80.0% 選出符合預期方向的存檔結果。這是離線配對結果。作者沒有報告將模型預測用於新受刺激的 xenobot。

對想引導生命系統的生物學家而言，關鍵在於 AI 在一句話與實際介入之間做了什麼。此處它評估舊運動軌跡、協助訓練提示轉時長模型，並回傳最符合所求行為的舊試驗。它沒有證明新生物體會同樣反應。

## 重大變化

- **變了什麼：**研究者用 AI 評審，將一般語言的運動要求連結至既有 xenobot 資料庫的電刺激時長。這讓他們不必為每項指令都收集新實驗，也能訓練語言介面。
- **為何重要：**有介入與結果紀錄的研究者，可先調查這些紀錄能否支援實用語言介面，再投入時間做前瞻試驗。本研究介面只處理一種刺激參數與粗略運動方向，實用價值尚未測試。
- **接下來觀察：**關鍵下一步是將選出的時長用於新 xenobot，測量運動是否符合指令。預印本提出此測試；所報準確率衡量的是資料庫配對。

## 模型實際學到什麼

Xenobot 是由*非洲爪蟾（Xenopus laevis）*細胞製成的小型活體構造。本文重用的實驗追蹤單一構造在電刺激前後的情況。新系統唯一可選參數是刺激時長。存檔影片顯示 xenobot 事後移動較快或較慢。

作者先從影片擷取二維路徑。追蹤流程使用 Segment Anything Model 與多種偵測方法處理氣泡、反光和碎屑。接著，他們將提示與繪製軌跡交給論文 AI 使用聲明所列的視覺語言模型 Claude。Claude 評分記錄運動與文字的符合程度，且看不到刺激時長。

這些分數成為固定獎勵表。另一網路讀取指令嵌入並預測刺激時長。主要訓練法是對每項提示的存檔時長擬合平滑分數曲線、推導目標時長，再訓練網路預測。展示結果時，系統將預測配對到既有試驗並顯示其軌跡。[論文圖 1](https://arxiv.org/html/2610.02247v1#S1.F1)列出此流程；[圖 10 示範](https://arxiv.org/html/2610.02247v1#S4.F10)則對三個輸入提示回傳舊軌跡。論文所稱「即時介面」是互動顯示，不是即時控制生物體。

## 資料庫結果有多強？

起始資料有 149 次追蹤試驗。作者排除 48 次不可靠試驗，留下不同 xenobot 的 101 次：26 次分類為加快、75 次減慢。報告訓練子集 61 次、測試子集 40 次。系統使用 33 個訓練提示；評估也用訓練中沒有的提示。若相關資料庫子集中時長最近的三次試驗投票支持指令所求運動方向，測試便將預測時長算為正確。

在同時使用新提示與測試資料庫子集的比較中，論文偏好訓練法達到**80.0%**準確率，涵蓋 30 個訓練種子。永遠預測「較慢」的規則得**66.7%**，因測試平衡三種提示，卻把「減速」與「停止」合併為同一較慢類別。以測得速度變化製作簡化目標的模型在該比較得**59.1%**。這是作者在其資料集上的結果，不是新 xenobot 的實測成功率。

作者也以追蹤軌跡獨立推導的運動標籤檢查 AI 評審，報告加快／減慢分類有 97% 一致。這支持評審用於粗略區分，但其分數與速度變化幅度相關較弱。方法無法可靠區分輕微減速與停止指令；主要結果將兩者都算作「較慢」。

有一處資料切分細節須由獨立審查者釐清。[第 3.4 節](https://arxiv.org/html/2610.02247v1#S3.SS4)說明以全部 101 次存檔試驗對 33 個訓練提示評分來製作獎勵表；[第 3.5 節](https://arxiv.org/html/2610.02247v1#S3.SS5)則說明分離資料庫訓練／測試評估。論文稱後者為保留測試，但正文沒有清楚說明如何將測試分數排除於訓練目標之外。此不確定性限制了將 80.0% 解讀為泛化至未見存檔紀錄的信心。

## 缺少的生物學測試

介入仍是從資料庫取回的時長。模型不能組合新電刺激方案、選其他刺激設定，也不能證明新 xenobot 會像存檔個體般反應。訓練與評估沒有濕實驗室試驗。儘管標題與討論提及更廣泛可能，預印本未證明類器官、組織修復或臨床使用有類似結果。

本文是 arXiv 預印本，所報證據沒有獨立複現。其直接貢獻是從未將指令與介入配對的紀錄中學習的方法。能否前瞻性引導活細胞仍是實驗問題。

## 來源與延伸閱讀

- [Le、Blackiston、Levin 與 Bongard，*〈以語言控制生物學〉*（arXiv v1，2026 年 9 月 30 日）。](https://arxiv.org/html/2610.02247v1)完整預印本提供本文採用的方法、資料庫數量、評估流程、表格與限制。結果由作者報告，未證明同儕審查、獨立複現或前瞻生物控制。
- [同一預印本 PDF](https://arxiv.org/pdf/2610.02247v1)。15 頁 PDF 保留表格與圖說，可核查數字及示範如何使用記錄軌跡。這是同一來源的另一格式，不是獨立確認。

## Sources

- [Le 等人，《以語言控制生物學》，arXiv HTML v1](https://arxiv.org/html/2610.02247v1) — 完整預印本報告存檔 xenobot 方法、評估、結果與限制；這是作者說法，沒有獨立複現或前瞻試驗。
- [Le 等人，同一預印本，15 頁 PDF v1](https://arxiv.org/pdf/2610.02247v1) — PDF 可交叉核對表格和圖。它是同一論文的另一格式，並非獨立來源。