一个新实验还没做,AI 就学会用一句话来指挥细胞

arXiv:2610.02247 · 2026年9月30日 · 佛蒙特大学 / 塔夫茨大学 Allen Discovery Center

一个新实验没做。

也没有碰一只新的青蛙胚胎。

就靠一个录完放着的旧录像库，AI 把"让它慢一点""让它停下来"这类没人说过的话，翻译成了电刺激该打多少秒。

换成它完全没见过的新说法，命中 80%。瞎猜是 66.7%。

一、我们跟细胞说话，一直用的是旋钮

跟软件说话，可以说"给我一个排序函数"。跟分子生成模型说话，可以说"亲水性再高一点"。这些话，机器都能接住。

跟细胞说话不行。真正的接口是一排旋钮：电压多少伏，刺激几秒，什么时候打，从哪一侧打。

旋钮只能靠试。每试一次，就是一次湿实验。想教会模型"这句话对应哪组参数"，就得给每一句话配一次实验，这个成本没人扛得住。

麻烦还有第二层。细胞不是砖头。Michael Levin 这一条线上的研究，核心结论是细胞膜电位参与了组织"决定自己长成什么形状"这件事。

也就是说，活的东西本来就有自己的意图。想让它按你的意图动，得在它的电学语言里插话。

这篇论文挑的实验对象，是把这件事推到最干净的一个模型：xenobot。

二、非洲爪蟾细胞拼的机器，只有"电多久"能调

xenobot 是非洲爪蟾胚胎细胞拼出来的多细胞构造，几百微米，没有神经系统。这个团队 2021 年就让它自己游动了。

选它有一个很实用的好处：干预手段被压缩成一个数。给一团电场，唯一调的参数是持续时间 d。

一句话进来，出去的就是一个秒数。

数据是老账。149 段录像，每段是单独一个构造，受一次刺激，前后各录一段轨迹。构造不重复使用，所以这 149 段算真正的生物学重复，不是同一只反复测。

从视频里抠轨迹比听起来难。刺激会在培养皿里冒气泡，还有反光和杂质，朴素的亮度追踪会把气泡当成机器人。

作者用 SAM 分三套策略逐帧定位：重新检测、光流引导、网格提示，再拿培养皿几何和构造外观交叉排除假阳性。三套都失败的帧直接标记为缺失，不当成"没动"。

清洗完剩下 101 段可用：26 段加速，75 段减速。另外 48 段被判不可靠，直接扔掉，没有硬塞进分类。

指令写了 33 句。于是有了一张 101 × 33 的打分表，一共 3333 个"录像 × 句子"组合。整篇论文的训练，都在这张表上做。

图1｜(a)-(c) 同一个 xenobot 在刺激前、刺激瞬间、刺激后的真实轨迹，虚线处是通电那一刻；(d) 一句自然语言指令；(e) 一个冻结的句向量接两层小网络，输出一个时长；(f) 这个时长去库里找最近的真实录像，裁判看录像像不像这句话，分数回传训练。整条链路里，只有一个变量在动，就是时长。

三、裁判自己错了怎么办

这里有一个绕不开的窟窿。没有人手工标注过"这句话该配几秒"，训练哪来的对错？

作者的办法是让大模型当裁判。给它一句指令和一段轨迹图，让它打一个 0 到 1 的分。注意，它看不到时长，只能从轨迹里自己猜快慢。

这一步最容易被质疑：裁判错得离谱，整个训练就是错的。

作者没有绕。他们拿裁判的分，去对独立追踪出来的真实行为标签：相关系数 0.843，正负号一致率 97%。三处不一致的录像，速度变化都在 ±0.02 像素/秒以内，本身就是模糊地带。

还有一个我很喜欢的对照。作者试过把预先算好的速度曲线图喂给裁判，让它对着图打分。相关系数掉到 0.49，两类的区间也只有 0.49 到 0.66。

把答案抽掉，逼它从原始轨迹里推，它反而更准。这个结果反过来解释了为什么"看图说话"的模型经常不可靠。

打分表拿到手，怎么变成训练信号，有两条路走。一条是把预测的时长吸到最近的真实录像上，直接读那一段的分。这个 argmin 不可导，只能用强化学习或者进化策略。

另一条路更省事：对每句指令，把 101 个点拟合成一条 logistic 曲线，取曲线中点当目标时长，剩下的就是普通的均方误差，直接反向传播。

两条路作者都跑了，还加了第三种做交叉验证。同一张表，三种优化器，最后谁高谁低，见下一节。

图2｜同一句指令的两种用法。(a) 离散路线：预测时长吸到最近的真实录像，读它的原始分数，所以要走强化学习；(b) 可微路线：把同样这些真实点拟合成一条曲线，压成一个固定目标，用均方误差反传。两种办法的输入数据完全相同，差别只在怎么把离散的点变成梯度。

四、80% 是怎么算出来的，59.1% 又是怎么掉的

评测分四个格子，交叉两条轴：句子见没见过，录像见没见过。

最狠的格子是两条轴都换：用训练里的句子去考没见过的录像，再拿没见过的说法去考没见过的录像。

按最简单的多数类猜，基线是 66.7%，因为减速样本占七成多。

表｜30 个随机种子的平均。前一行是本文的参考模型，后两行是同一张打分表上的另外两种优化器。

梯度法全格领先两个无梯度方法十几个点。原因不难想：打分曲线能被拟合，能反传，就不用靠撒点碰运气。

这一条本身就有意思。前面同一批人的工作里，这个奖励一直被当成不可微的，只能上进化策略。今天改成可微，成绩就上来了。

还有个压力测试。拿训练好的模型，不重训，喂 120 条新写的同义说法，8 倍量地考。准确率 85%，和原来的 80% 差不多。

我认为全文最值钱的是下面这组对照。

作者把奖励换成一个纯数字目标：不用裁判，直接在训练集里挑速度变化最大的那段录像，把它的时长定死。加速的话全用同一个秒数，减速的话全用另一个。

训练集准确率 88.9%，几乎一样。最狠的格子掉到 59.1%，比瞎猜还低。

原因很具体。那个被挑中的加速时长，正好落在没见过的录像里"减速样本密集"的区间，于是所有没见过的加速指令都被判成了减速。

训练曲线一样漂亮，泛化差 21 个点。只看训练集的准确率，你根本发现不了这件事。

分类粒度上作者也很坦白。想要三分类（加速、轻微减速、停下），平衡准确率只有 0.477，基本等于没学会；合并成两类才 0.713。

不是模型不行。真正"轻微减速"的样本只有 14 条，数据撑不起第三类。

所以只测两类时，"停下"这类指令很稳，97.8% 落在真实的完全停止上；说"慢一点"有 33.3% 会被预测成完全停止，冲过头了。

图3｜四个格子横着看是换录像，竖着看是换句子。反向传播在每一格都留着对随机基线的最大余量，全换那一格仍有 13.3 个百分点。旁边几根浅色柱是几张陪跑的基线：随机、常数、未训练网络、只用最近邻训练的网络。

五、写在最后

边界得先说清楚，作者自己写在讨论里：只有一个可调的干预参数，可用数据 101 条，行为类别是提前定好的，而且全文没有一个新做的物理实验。

最关键的一条：预测出来的那个秒数，还没真的打在一只新的 xenobot 上。它有没有照做，这篇没测。

所以严格讲，这是检索，不是生成。模型只会指着仓库里最像的那段录像说"大概是这样"。仓库里没有的组合，它给不出来。

我更看重它对假设的验证方式。80% 这个数字没那么重要，重要的是它证明了"让大模型当裁判，可以代替新实验"这件事，在一个真实活体系统上站得住脚。

这个假设一旦成立，价值在数据那边。实验室里压着大量录过、没细算过的录像，它们本来只是存档，现在可以变成训练集。这个池子比外人想的大得多。

但别把它当成"AI 指挥细胞"的成品。80% 说的是"这句话最像哪段录像"，不是"这么做真能让它慢下来"。前者是检索准确率，后者才叫控制。这一格没填，标题里那个"指挥"就只兑现了一半。

顺手给做湿实验的同学一条建议。录像归档时，把刺激参数写进文件名或元数据，别只存视频。这篇能做出来，靠的就是那个仓库里每段录像都带着自己的 d。

还有一条值得记。论文里专门写了 AI 使用声明：裁判用的是 Claude，写作过程也用 AI 润色过，文字由作者复核。这种声明以后会越来越多，早一点习惯比晚一点好。

觉得有用？转发给做类器官、做活体机器人实验的朋友。

— END —

组织工程研究前沿聚焦 AI for Science