Los LLM tienen modelos de palabras. Los expertos tienen modelos mundiales. Esa es toda la diferencia. Un LLM redacta un contrato que se lee perfectamente. Un abogado ve exactamente cómo el abogado contrario lo desmonta. 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 profundidad de simulación.

Hoy mi feed de X está repleto de avances médicos reales: 🇲🇽 Científicos mexicanos eliminaron el VPH 🇪🇸 Investigadores españoles curaron el cáncer de próstata en ratones 🇯🇵 Japón restauró la función motora en pacientes paralizados mediante medicina regenerativa 🇰🇷 Científicos coreanos informan de la reversión del cáncer de colon 🇻🇳 Los clínicos vietnamitas demuestran que el cáncer de sangre puede tratarse completamente La ciencia biomédica avanza a un ritmo acelerado sin precedentes. Un día realmente estupendo para la medicina. 🧬🚀

¡Todo el mundo está entusiasmado con la "IA para la Ciencia" en 2025! Al final del año, permítanme compartir mi inquietud y optimismo, específicamente sobre la IA y la biología. Después de pasar otro año profundamente en modelos de base biológica, IA sanitaria y descubrimiento de fármacos, aquí van 3 lecciones que aprendí en 2025. 1. La biología no es "solo otra modalidad". El mayor malentendido que sigo viendo: "Biología es texto + imágenes + gráficos. Solo escala transformadores." No. La biología es causal, jerárquica, estocástica e incompleta de maneras que el lenguaje y la visión no lo son. Los tokens no corresponden perfectamente con la realidad. Las etiquetas son escasas, sesgadas y a menudo erróneas. La verdad fundamental es condicional, depende del contexto y a veces es incognoscible. Hemos avanzado de verdad —células individuales, imagen, genómica, EHR 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 la intervención. Exigen perturbaciones, contrafactuales y mecanismos más allá de la simple predicción. Obviamente, el escalado ayuda. Pero sin estructura causal, la escala te da correlaciones más agudas. 2025 reforzó mi convicción de que los modelos de base biológica deben basarse en la perturbación, la incertidumbre y la capacidad de actuar, no solo en el aprendizaje de representación. 2. Los benchmarks están frenando más a la biología que la computación. Seamos sinceros: el benchmarking en IA y biología sigue siendo roto. Todo el mundo denuncia SOTA. Cada uno elige una porción diferente del conjunto de datos. Cada uno ajusta según una métrica diferente. Todo el mundo evita la validación prospectiva. Hemos importado los peores hábitos del benchmarking de ML a un ámbito donde las apuestas son mucho mayores. En biología y sanidad, un aumento del 1% que no se transfiere es peor que inútil: es engañoso. Lo que falta no son más referencias. Son puntos de referencia duros: •Prospectivo, no retroactivo • Basado en perturbaciones, no estático • Multi-sitio, no laboratorio único •Consciente de fallos, no optimizado para clasificaciones Si tu modelo solo funciona con el conjunto de datos que lo creó, no es un modelo de fundación—es un artefacto del conjunto de datos. En 2026, necesitamos menos tramas llamativas y más humildad, rigor y resultados negativos. 3. El "razonamiento" en biología no es cadena de pensamiento. Hay una tendencia creciente a aplicar directamente la palabra razonamiento a los LLMs biológicos. Seamos cuidadosos. El razonamiento biológico no es fluidez verbal, ventanas de contexto más largas ni explicaciones más bonitas. Son mejoras superficiales. El razonamiento real en biología aparece en otros lugares: en la formación de hipótesis, en la decisión de qué experimentos realizar, en la actualización de creencias cuando las perturbaciones fallan y en alternar constantemente costes, riesgos e incertidumbres. Un modelo que explica una vía de forma hermosa pero no puede decidir qué experimento realizar a continuación no es razonamiento, es narración. 2025 me convenció de que el futuro está en la IA biológica agente: sistemas que combinan modelos fundamentales con bucles de experimentación, simulación y toma de decisiones. Reflexión final: La IA y la biología no están rezagadas en el código o el lenguaje. Simplemente es jugar un juego más difícil. Las limitaciones son reales. Los datos son un caos. Los bucles de retroalimentación son lentos. Las consecuencias importan. Si 2025 me ha aclarado algo, es esto: No avanzaremos tratando la biología como texto. Avanzaremos construyendo IA que se comporte más como un científico: escéptica, iterativa y dispuesta a equivocarse. Hacia 2026.