論文の概要: Toward Controlling Biology with Language:Offline Learning of Prompt-Conditioned Interventions for Cells, Organoids, and Biobots

• arxiv url: http://arxiv.org/abs/2610.02247v1
• Date: Wed, 30 Sep 2026 16:49:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.012442
• Title: Toward Controlling Biology with Language:Offline Learning of Prompt-Conditioned Interventions for Cells, Organoids, and Biobots
• Title（参考訳）: 言語による生物学の制御に向けて:細胞、オルガノイド、バイオボットのためのプロンプトによる介入のオフライン学習
• Abstract要約: 生体の自然言語インタフェースは視覚モデル自身の判断で完全にオフラインで学習できることを示す。 このマッピングは完全に新しい命令に一般化され、トレーニングから持たないアーカイブデータに対して評価される。
• 参考スコア（独自算出の注目度）: 0.8749675983608171
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Artificial intelligence increasingly serves as a natural-language interface to complex technical systems, letting people accomplish sophisticated tasks by describing what they want rather than specifying how to do it. Extending this interface to living systems is harder: unlike code or images, a biological intervention has no closed-form linguistic meaning, and the paired language-intervention-outcome data needed to learn such a mapping is expensive to collect, since each example requires its own wet-lab experiment. One way around this is to treat an existing archive of interventions and their already-observed outcomes as a fixed, offline dataset, and use a vision-language model to judge, without any new experiments, whether an archived outcome matches a natural-language description. But whether that judgment is reliable enough to train a language-to-intervention mapping on -- without new experiments and without human validation -- has remained unclear. Here we show that a natural-language interface for a living organism -- a xenobot, a synthetic multicellular construct with no nervous system -- can be learned entirely offline this way, using a vision-language model's own judgment as the sole training reward: an instruction is mapped to the intervention already on record as producing the described behavior. This mapping generalizes to entirely new instructions, evaluated against archive data withheld from training (80.0% held-out accuracy vs a $66.7% chance baseline, matching a network trained directly on ground-truth labels).
• Abstract（参考訳）: 人工知能は、複雑な技術システムに対する自然言語インターフェースとしての役割をますます高めている。 コードや画像とは異なり、生物学的介入にはクローズドフォームの言語的意味はなく、そのようなマッピングを学ぶのに必要なペアリング言語-干渉-アウトカムデータは、それぞれの例が独自のウェットラブ実験を必要とするため、収集に費用がかかる。 これを回避する方法の1つは、既存の介入のアーカイブとその既存の成果を、固定されたオフラインデータセットとして扱い、アーカイブされた結果が自然言語の記述と一致するかどうかを判断するために、視覚言語モデルを使用することである。 しかし、この判断が、新しい実験や人間の検証なしに、言語と干渉のマッピングを訓練するのに十分な信頼性があるかどうかは不明だ。 ここでは、生体の自然言語インタフェース(神経系を持たない人工多細胞構造であるキセノボット)が、単独のトレーニング報酬として視覚モデル自身の判断を用いて完全にオフラインで学習可能であることを示す。 このマッピングは完全に新しい命令に一般化され、トレーニングを伴わないアーカイブデータに対して評価される(80.0%の保持精度と6.7%の確率ベースラインで、地上のトラストラベルに基づいてトレーニングされたネットワークと一致する)。

関連論文リスト

• ZapGPT: Free-form Language Prompting for Simulated Cellular Control [3.599327240436075]
  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。
  論文  参考訳（メタデータ） (2025-09-12T19:38:46Z)
• A distributional simplicity bias in the learning dynamics of transformers [50.91742043564049]
  自然言語データに基づいてトレーニングされたトランスフォーマーは、単純さのバイアスも示している。 具体的には、入力トークン間の多体相互作用を逐次学習し、低次相互作用の予測誤差において飽和点に達する。 このアプローチは、自然言語処理などにおいて、データ内の異なる順序の相互作用が学習にどのように影響するかを研究する可能性を開く。
  論文  参考訳（メタデータ） (2024-10-25T15:39:34Z)
• Prototypical Contrastive Transfer Learning for Multimodal Language Understanding [0.0]
  本稿では,PCTL(Prototypeal Contrastive Transfer Learning)と呼ばれる多モーダル言語理解のための新しいトランスファー学習手法を提案する。 国内環境における対象対象物を,自由形式の自然言語命令に従って識別するタスクに,PCTLを導入している。 実験の結果,PCTLの精度は78.1%,超微調整の精度は73.4%であった。
  論文  参考訳（メタデータ） (2023-07-12T06:14:36Z)
• Communication Drives the Emergence of Language Universals in Neural Agents: Evidence from the Word-order/Case-marking Trade-off [3.631024220680066]
  ニューラルエージェント言語学習通信フレームワーク(NeLLCom)を提案する。 我々はエージェントに特定のバイアスをハードコーディングすることなく、新しいフレームワークでトレードオフを複製することに成功しました。
  論文  参考訳（メタデータ） (2023-01-30T17:22:33Z)
• "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)
• Robotic Skill Acquisition via Instruction Augmentation with Vision-Language Models [70.82705830137708]
  言語条件制御のためのデータ駆動型インストラクション拡張(DIAL)について紹介する。 我々は,CLIPのセマンティック理解を利用したセミ言語ラベルを用いて,未知の実演データの大規模なデータセットに知識を伝達する。 DIALは、模倣学習ポリシーによって、新しい能力を獲得し、元のデータセットにない60の新しい命令を一般化することができる。
  論文  参考訳（メタデータ） (2022-11-21T18:56:00Z)
• 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)
• 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)

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。