Los LLM tienen modelos de palabras. Los expertos tienen modelos del mundo. Esa es toda la brecha. Un LLM redacta un contrato que se lee perfectamente. Un abogado ve exactamente cómo el abogado contrario lo desmenuzará. Lo mismo en biología. Un modelo predice la estructura de una proteína. Un biólogo pregunta: ¿cómo se comporta cuando la célula está estresada, inflamada o muriendo? La próxima frontera de la IA no es la inteligencia. Es la profundidad de la simulación.

Hoy mi feed de X está desbordado con verdaderos avances médicos: 🇲🇽 Científicos mexicanos eliminaron el VPH 🇪🇸 Investigadores españoles curaron el cáncer de próstata en ratones 🇯🇵 Japón restauró la función motora en pacientes paralizados a través de la medicina regenerativa 🇰🇷 Científicos coreanos informan sobre la reversión del cáncer de colon 🇻🇳 Clínicos vietnamitas muestran que el cáncer de sangre puede ser tratado completamente La ciencia biomédica está avanzando a un ritmo sin precedentes y acelerado. Un día realmente grandioso para la medicina. 🧬🚀

¡Todo el mundo está emocionado por "AI for Science" en 2025! Al final del año, permítanme compartir mi inquietud y optimismo, específicamente sobre la IA y la biología. Después de pasar otro año sumergido en modelos biológicos fundamentales, IA en salud y descubrimiento de fármacos, aquí hay 3 lecciones que aprendí en 2025. 1. La biología no es "solo otra modalidad." La mayor misconception que aún veo: "La biología es texto + imágenes + gráficos. Solo escala transformadores." No. La biología es causal, jerárquica, estocástica e incompleta de maneras en que el lenguaje y la visión no lo son. Los tokens no corresponden limpiamente a la realidad. Las etiquetas son escasas, sesgadas y a menudo incorrectas. La verdad fundamental es condicional, dependiente del contexto y a veces incognoscible. Hemos hecho un progreso real: los modelos de célula única, imágenes, genómica, y EHRs finalmente se están modelando conjuntamente, pero la dura verdad es esta: La mayoría de las señales biológicas no son problemas supervisados esperando mejores funciones de pérdida. Son problemas impulsados por intervenciones. Exigen perturbaciones, contrafactuales y mecanismos, más allá de solo la predicción. Escalar obviamente ayuda. Pero sin una estructura causal, escalar principalmente te da correlaciones más agudas. 2025 reforzó mi creencia de que los modelos biológicos fundamentales deben construirse en torno a la perturbación, la incertidumbre y la capacidad de acción, no solo en el aprendizaje de representación. 2. Los benchmarks están frenando más a la biología que la computación. Seamos honestos: La evaluación en IA y biología sigue estando rota. Todos reportan SOTA. Todos eligen un corte de conjunto de datos diferente. Todos ajustan para una métrica diferente. Todos evitan la validación prospectiva. Hemos importado los peores hábitos de la evaluación de ML a un dominio donde las apuestas son mucho más altas. En biología y salud, una ganancia del 1% que no se transfiere es peor que inútil: es engañosa. Lo que falta no son más benchmarks. Son benchmarks difíciles: • Prospectivos, no retrospectivos • Basados en perturbaciones, no estáticos • Multi-sitio, no de laboratorio único • Conscientes de fallos, no optimizados para la tabla de clasificación Si tu modelo solo funciona en el conjunto de datos que lo creó, no es un modelo fundamental: es un artefacto del conjunto de datos. En 2026, necesitamos menos gráficos llamativos y más humildad, rigor y resultados negativos. 3. "El razonamiento" en biología no es cadena de pensamiento. Hay una creciente tendencia a aplicar directamente la palabra razonamiento a los LLM biológicos. Seamos cuidadosos. El razonamiento biológico no es fluidez verbal, ventanas de contexto más largas o explicaciones más bonitas. Esas son mejoras superficiales. El verdadero razonamiento en biología se manifiesta en otros lugares: en la formación de hipótesis, en decidir qué experimentos realizar, en actualizar creencias cuando las perturbaciones fallan y en constantemente sopesar costo, riesgo e incertidumbre. Un modelo que explica un camino maravillosamente pero no puede decidir qué experimento realizar a continuación no está razonando, está narrando. 2025 me convenció de que el futuro radica en la IA biológica agente: sistemas que acoplan modelos fundamentales con experimentación, simulación y bucles de toma de decisiones. Pensamiento final: La IA y la biología no están rezagadas respecto a la IA para código o lenguaje. Simplemente están jugando un juego más difícil. Las restricciones son reales. Los datos son desordenados. Los bucles de retroalimentación son lentos. Las consecuencias importan. Si 2025 aclaró algo para mí, es esto: No haremos progresos tratando la biología como texto. Haremos progresos construyendo IA que se comporte más como un científico: escéptico, iterativo y dispuesto a estar equivocado. ¡Hacia adelante hacia 2026!