LLM mají modely slov. Odborníci mají světové modely. To je celý ten rozdíl. LLM píše smlouvu, která se čte perfektně. Právník přesně vidí, jak protistrana to roztrhá. Stejně tak v biologii. Model předpovídá strukturu proteinu. Biolog se ptá: jak se chová, když je buňka ve stresu, zanícená nebo umírá? Další hranicí AI není inteligence. Je to simulační hloubka.

Dnes je můj X feed plný skutečných lékařských průlomů: 🇲🇽 Mexičtí vědci odstranili HPV 🇪🇸 Španělští vědci vyléčili rakovinu prostaty u myší 🇯🇵 Japonsko obnovilo motorickou funkci u ochrnutých pacientů pomocí regenerativní medicíny 🇰🇷 Korejští vědci hlásí, že se rakovina tlustého střeva zvrátila 🇻🇳 Vietnamští klinici ukazují, že krevní rakovina může být zcela léčena Biomedicína postupuje bezprecedentním a zrychlujícím se tempem. Opravdu skvělý den pro medicínu. 🧬🚀

Všichni jsou nadšení z "AI pro vědu" v roce 2025! Na konci roku mi prosím dovolte sdílet své obavy a optimismus, zejména ohledně AI a biologie. Po dalším roce stráveném v biologických základních modelech, zdravotnické AI a objevování léků zde jsou tři lekce, které jsem se v roce 2025 naučil. 1. Biologie není "jen další metoda." Největší nedorozumění, které stále vidím: "Biologie je text + obrázky + grafy. Jen škálujte transformátory." Ne. Biologie je kauzální, hierarchická, stochastická a neúplná způsobem, jaký jazyk a vidění nejsou. Tokeny neodpovídají čistě realitě. Štítky jsou řídké, zaujaté a často špatné. Pravda je podmíněná, závislá na kontextu a někdy nepoznatelná. Dosáhli jsme skutečného pokroku – jednobuněčné, zobrazovací metody, genomika, EHR jsou konečně modelovány společně – ale tvrdá pravda je tato: Většina biologických signálů nejsou dohlížené problémy čekající na lepší ztrátové funkce. Jsou to problémy řízené intervencí. Požadují narušení, kontrafakta a mechanismy, které přesahují pouhé předpovědi. Škálování samozřejmě pomáhá. Ale bez kauzální struktury škálování většinou dává ostřejší korelace. Rok 2025 potvrdil mé přesvědčení, že biologické základní modely musí být postaveny na narušení, nejistotě a použitelnosti, nikoli pouze na učení reprezentace. 2. Benchmarky brzdí biologii více než výpočetní technika. Buďme upřímní: Benchmarking v AI a biologii je stále rozbitý. Všichni hlásí SOTA. Každý si vybere jiný úsek datové sady. Každý ladí jinou metriku. Každý se vyhýbá možnému uznání. Nejhorší návyky ML benchmarkingu jsme převezli do oblasti, kde jsou sázky mnohem vyšší. V biologii a zdravotnictví je 1% zisk, který se nepřenáší, horší než zbytečný – je to zavádějící. Co chybí, nejsou další benchmarky. Jsou to tvrdé benchmarky: •Perspektivní, nikoli retrospektivní •Založené na perturbacích, ne statické •Vícemístní, ne jedna laboratoř •Selhání v povědomí, ne optimalizované pro žebříček Pokud váš model funguje pouze na datové sadě, která jej vytvořila, není to základní model – je to artefakt datové sady. V roce 2026 potřebujeme méně okázalých zápletek a více pokory, důslednosti a negativních výsledků. 3. "Uvažování" v biologii není řetězec myšlenek. Roste tendence přímo aplikovat slovo uvažování na biologické LLM. Buďme opatrní. Biologické uvažování není verbální plynulost, delší kontextová okna nebo hezčí vysvětlení. To jsou jen povrchová vylepšení. Skutečné uvažování v biologii se projevuje jinde: při tvorbě hypotéz, rozhodování, které experimenty provést, aktualizaci přesvědčení, když poruchy selžou, a neustálém vyměňování nákladů, rizik a nejistoty. Model, který krásně vysvětluje cestu, ale nedokáže se rozhodnout, který experiment provede dál, není rozum, ale vyprávění. Rok 2025 mě přesvědčil, že budoucnost leží v agentické biologické AI: systémy, které spojují základní modely s experimentováním, simulací a rozhodovacími smyčkami. Závěrečná myšlenka: AI a biologie nezaostávají za AI v kódu ani jazyce. Je to jen hraní těžší hry. Omezení jsou skutečná. Data jsou chaotická a chaotická. Zpětné vazby jsou pomalé. Důsledky jsou důležité. Pokud mi rok 2025 něco objasnil, je to toto: Neuděláme pokrok tím, že budeme biologii brát jako učebnici. Pokrok uděláme tím, že vybudujeme AI, která se bude chovat více jako vědec: skeptická, iterativní a ochotná se mýlit. Pokračujme do roku 2026.