論文の概要: ZapGPT: Free-form Language Prompting for Simulated Cellular Control
- arxiv url: http://arxiv.org/abs/2509.10660v1
- Date: Fri, 12 Sep 2025 19:38:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-16 17:26:22.721533
- Title: ZapGPT: Free-form Language Prompting for Simulated Cellular Control
- Title（参考訳）: ZapGPT: セル制御シミュレーションのための自由形式の言語プロンプト
- Authors: Nam H. Le, Patrick Erickson, Yanbo Zhang, Michael Levin, Josh Bongard,
- Abstract要約: 単純エージェントの集団行動は自由形式の言語プロンプトによってガイドできることを示す。
自然言語を制御層として扱うことで、音声や文字によるプロンプトがシステムが望ましい行動に導く未来を示唆する。
- 参考スコア（独自算出の注目度）: 3.599327240436075
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human language is one of the most expressive tools for conveying intent, yet most artificial or biological systems lack mechanisms to interpret or respond meaningfully to it. Bridging this gap could enable more natural forms of control over complex, decentralized systems. In AI and artificial life, recent work explores how language can specify high-level goals, but most systems still depend on engineered rewards, task-specific supervision, or rigid command sets, limiting generalization to novel instructions. Similar constraints apply in synthetic biology and bioengineering, where the locus of control is often genomic rather than environmental perturbation. A key open question is whether artificial or biological collectives can be guided by free-form natural language alone, without task-specific tuning or carefully designed evaluation metrics. We provide one possible answer here by showing, for the first time, that simple agents' collective behavior can be guided by free-form language prompts: one AI model transforms an imperative prompt into an intervention that is applied to simulated cells; a second AI model scores how well the prompt describes the resulting cellular dynamics; and the former AI model is evolved to improve the scores generated by the latter. Unlike previous work, our method does not require engineered fitness functions or domain-specific prompt design. We show that the evolved system generalizes to unseen prompts without retraining. By treating natural language as a control layer, the system suggests a future in which spoken or written prompts could direct computational, robotic, or biological systems to desired behaviors. This work provides a concrete step toward this vision of AI-biology partnerships, in which language replaces mathematical objective functions, fixed rules, and domain-specific programming.
- Abstract（参考訳）: 人間の言語は意図を伝えるための最も表現力のある道具の1つであるが、ほとんどの人工的または生物学的システムは、それに対して意味のある解釈や反応のメカニズムを欠いている。
このギャップを埋めることで、複雑な分散システムに対するより自然な制御が可能になる。
AIと人工生命において、最近の研究は、言語がどのようにハイレベルな目標を指定できるかを探求しているが、ほとんどのシステムは、まだエンジニアリングされた報酬、タスク固有の監督、厳密なコマンドセットに依存しており、新しい命令への一般化を制限している。
同様の制約は、合成生物学やバイオエンジニアリングにおいて適用され、制御の軌跡は環境摂動よりもゲノムであることが多い。
重要な疑問は、人為的または生物学的な集団が、タスク固有のチューニングや慎重に設計された評価指標なしで、自由形式の自然言語だけでガイドできるかどうかである。
1つのAIモデルは、インペラティブなプロンプトを、シミュレーションされた細胞に適用された介入に変換する; 2つ目のAIモデルは、プロンプトが結果の細胞力学をどれだけうまく表現するかを評価する;そして、前のAIモデルは、後者によって生成されたスコアを改善するために進化する。
従来の手法とは異なり,本手法では,工学的適合関数やドメイン固有のプロンプト設計を必要としない。
進化したシステムは、再学習することなく、目に見えないプロンプトに一般化できることが示される。
自然言語を制御層として扱うことで、音声や文字のプロンプトが計算、ロボット、生物学的システムを望ましい行動に導く未来を示唆する。
この研究は、言語が数学的目的関数、固定ルール、ドメイン固有プログラミングを置き換える、AI-生物学のパートナーシップのこのビジョンに向けた具体的なステップを提供する。
関連論文リスト
- Interpretable Robot Control via Structured Behavior Trees and Large Language Models [0.0]
本稿では,自然言語理解とロボット実行を橋渡しする新しい枠組みを提案する。
提案手法は実世界のシナリオでは実用的であり、平均的な認識と実行の精度は約94%である。
論文 参考訳（メタデータ） (2025-08-13T08:53:13Z) - Giving Simulated Cells a Voice: Evolving Prompt-to-Intervention Models for Cellular Control [1.7056803236939193]
大規模言語モデル(LLM)は、AIシステムにおける解釈可能な制御のためのインタフェースとして自然言語を可能にした。
本稿では,自然言語のプロンプトをシミュレートされたセル集合を誘導できる空間ベクトル場に変換する機能パイプラインを提案する。
論文 参考訳（メタデータ） (2025-05-05T16:21:46Z) - Large Language Models for Scientific Synthesis, Inference and
Explanation [56.41963802804953]
大規模言語モデルがどのように科学的合成、推論、説明を行うことができるかを示す。
我々は,この「知識」を科学的文献から合成することで,大きな言語モデルによって強化できることを示す。
このアプローチは、大きな言語モデルが機械学習システムの予測を説明することができるというさらなる利点を持っている。
論文 参考訳（メタデータ） (2023-10-12T02:17:59Z) - Generative Models as a Complex Systems Science: How can we make sense of
large language model behavior? [75.79305790453654]
事前訓練されたモデルから望ましい振る舞いを排除し、望ましくないモデルを避けながら、NLPを再定義した。
言語モデルの振る舞いをタスク間性能を説明するカテゴリに分解する体系的な取り組みについて論じる。
論文 参考訳（メタデータ） (2023-07-31T22:58:41Z) - AmadeusGPT: a natural language interface for interactive animal
behavioral analysis [65.55906175884748]
動作の自然言語記述をマシン実行可能なコードに変換する自然言語インタフェースであるAmadeusGPTを紹介する。
MABE 2022の動作課題タスクで最先端のパフォーマンスを実現できることを示す。
アマデウスGPTは、深い生物学的知識、大規模言語モデル、そしてコアコンピュータビジョンモジュールをより自然に知的なシステムに統合する新しい方法を提示している。
論文 参考訳（メタデータ） (2023-07-10T19:15:17Z) - "No, to the Right" -- Online Language Corrections for Robotic
Manipulation via Shared Autonomy [70.45420918526926]
LILACは、実行中に自然言語の修正をオンラインで実施し、適応するためのフレームワークである。
LILACは人間とロボットを個別にターンテイクする代わりに、人間とロボットの間にエージェンシーを分割する。
提案手法は,タスク完了率が高く,ユーザによって主観的に好まれることを示す。
論文 参考訳（メタデータ） (2023-01-06T15:03:27Z) - LaTTe: Language Trajectory TransformEr [33.7939079214046]
本研究は、汎用的な3次元ロボット軌道を修正するための柔軟な言語ベースのフレームワークを提案する。
自然言語入力と文脈イメージを3次元軌跡の変化にマッピングするために,自動回帰変換器を用いる。
シミュレーションや実生活実験を通じて、モデルが人間の意図に従うことができることを示す。
論文 参考訳（メタデータ） (2022-08-04T22:43:21Z) - Learning Language-Conditioned Robot Behavior from Offline Data and
Crowd-Sourced Annotation [80.29069988090912]
本研究では,ロボットインタラクションの大規模なオフラインデータセットから視覚に基づく操作タスクを学習する問題について検討する。
クラウドソースの自然言語ラベルを用いたオフラインロボットデータセットの活用を提案する。
提案手法は目標画像仕様と言語条件付き模倣技術の両方を25%以上上回っていることがわかった。
論文 参考訳（メタデータ） (2021-09-02T17:42:13Z) - Language Understanding for Field and Service Robots in a Priori Unknown
Environments [29.16936249846063]
本稿では,フィールドロボットとサービスロボットによる自然言語命令の解釈と実行を可能にする,新しい学習フレームワークを提案する。
自然言語の発話において、空間的、位相的、意味的な情報を暗黙的に推測する。
本研究では,この分布を確率論的言語基底モデルに組み込んで,ロボットの行動空間のシンボル表現上の分布を推定する。
論文 参考訳（メタデータ） (2021-05-21T15:13:05Z) - Learning Adaptive Language Interfaces through Decomposition [89.21937539950966]
本稿では,分解による新しいハイレベルな抽象化を学習するニューラルセマンティック解析システムを提案する。
ユーザは、新しい振る舞いを記述する高レベルな発話を低レベルなステップに分解することで、対話的にシステムを教える。
論文 参考訳（メタデータ） (2020-10-11T08:27:07Z) - Language Conditioned Imitation Learning over Unstructured Data [9.69886122332044]
本稿では,自由形式の自然言語条件付けを模倣学習に組み込む手法を提案する。
我々のアプローチは、単一のニューラルネットワークとしてピクセル、自然言語理解、マルチタスク連続制御のエンドツーエンドから知覚を学習する。
言語アノテーションのコストを1%以下に抑えつつ,言語条件付き性能を劇的に向上させることを示す。
論文 参考訳（メタデータ） (2020-05-15T17:08:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。