ZapGPT: Free-form Language Prompting for Simulated Cellular Control

人类语言是表达意图的最有力工具之一，然而大多数人工或生物系统却缺乏解读或有意义回应语言的机制。弥合这一差距，可能使我们以更自然的方式操控复杂且去中心化的系统。在人工智能和人工生命领域，最近的研究探索了语言如何用来指定高层次目标，但大多数系统仍然依赖人工设计的奖励机制、特定任务的监督信号或固定的命令集，从而限制了它们对新指令的泛化能力。在合成生物学和生物工程领域也存在类似的限制，其中控制通常作用于基因组层面，而非通过环境扰动来实现。 一个关键的开放问题是：是否可以仅凭自由形式的自然语言来引导人工或生物群体的行为，而无需针对特定任务进行调优或精心设计评估指标？我们在本文中给出了一个可能的答案。我们首次展示，只需自由形式的语言提示，就能引导简单智能体的集体行为：一个AI模型将指令式提示转化为干预措施，并作用于模拟细胞；另一个AI模型则评估该提示对细胞动态变化的描述准确程度；前一个AI模型通过进化不断优化，以提升后一个模型给出的评分。 与以往研究不同，我们的方法不需要人工设计的适应度函数或领域特定的提示设计。我们展示了这一系统可以在无需重新训练的情况下泛化到未见过的提示。通过将自然语言视为一种控制层，该系统描绘了一种未来图景：口头或书面提示可以引导计算系统、机器人系统或生物系统实现期望的行为。这项研究朝着“人工智能与生物学协作”的愿景迈出了实质性的一步，在这一愿景中，语言取代了数学目标函数、固定规则以及领域特定的编程方式。

论文试图解决如何使用自由形式的自然语言（如指令）来引导人工或生物系统的集体行为这一问题。当前大多数系统仍然依赖于设计好的奖励机制、特定任务的监督或固定的命令集，限制了其对新指令的泛化能力。这是一个较新的问题，特别是在合成生物学和人工智能的交叉领域。

论文的核心思想是将自然语言作为控制层，通过两个AI模型的协作：一个模型将语言指令转化为对模拟细胞的干预，另一个模型评估干预后行为与语言描述的匹配程度。通过进化方法优化第一个模型，使其能够更好地响应未见过的语言指令，而无需任务特定的调优或人工设计的适应度函数。

1. 实验设计通过模拟细胞环境进行，展示了系统对未见过的语言指令的泛化能力。 2. 无需人工设计的奖励函数或领域特定的提示工程，系统即可实现行为控制。 3. 论文首次展示了自然语言可以直接引导简单代理的集体行为。 4. 开源代码和数据是否公开尚未提及，但实验设置具有可复现性潜力。 5. 未来研究方向包括将该方法扩展到机器人系统和真实生物系统中。

1. Language as a Latent Space for Controlling Neural Cellular Automata (2023) 2. Natural Language as a Control Signal for Reinforcement Learning Agents (2022) 3. Program Synthesis from Natural Language Using Deep Learning (2021) 4. Instruction Following in Multi-Agent Reinforcement Learning (2023) 5. Controlling Gene Regulatory Networks with Language-Based Inputs (2024)