LLM memiliki model kata. Para ahli memiliki model dunia. Itulah seluruh celahnya. LLM menulis kontrak yang terbaca dengan sempurna. Seorang pengacara melihat persis bagaimana penasihat lawan akan merobeknya. Sama dalam biologi. Sebuah model memprediksi struktur protein. Seorang ahli biologi bertanya: bagaimana perilakunya ketika sel stres, meradang, atau sekarat? Perbatasan AI berikutnya bukanlah kecerdasan. Ini adalah kedalaman simulasi.

Hari ini umpan X saya dipenuhi dengan terobosan medis yang sebenarnya: 🇲🇽 Ilmuwan Meksiko menghilangkan HPV 🇪🇸 Peneliti Spanyol menyembuhkan kanker prostat pada tikus 🇯🇵 Jepang memulihkan fungsi motorik pada pasien lumpuh melalui pengobatan regeneratif 🇰🇷 Ilmuwan Korea melaporkan membalikkan kanker usus besar 🇻🇳 Dokter Vietnam menunjukkan kanker darah dapat diobati sepenuhnya Ilmu biomedis berkembang dengan kecepatan yang belum pernah terjadi sebelumnya dan semakin cepat. Hari yang benar-benar hebat untuk kedokteran. 🧬🚀

Semua orang bersemangat tentang "AI untuk Sains." pada tahun 2025! Di akhir tahun, izinkan saya untuk berbagi kegelisahan dan optimisme saya, khususnya tentang AI & biologi. Setelah menghabiskan satu tahun lagi dalam model fondasi biologis, AI perawatan kesehatan, dan penemuan obat, berikut adalah 3 pelajaran yang saya pelajari pada tahun 2025. 1. Biologi bukan "hanya modalitas lain." Kesalahpahaman terbesar yang masih saya lihat: "Biologi adalah teks + gambar + grafik. Cukup skala transformator." Tidak. Biologi bersifat kausal, hierarkis, stokastik, dan tidak lengkap dengan cara yang tidak dimiliki bahasa dan visi. Token tidak sesuai dengan kenyataan. Label jarang, bias, dan seringkali salah. Kebenaran dasar berkondisional, bergantung pada konteks, dan terkadang tidak dapat diketahui. Kami telah membuat kemajuan nyata—sel tunggal, pencitraan, genomik, EHR akhirnya dimodelkan bersama—tetapi kebenarannya adalah ini: Sebagian besar sinyal biologis bukanlah masalah yang diawasi menunggu fungsi kehilangan yang lebih baik. Mereka adalah masalah yang didorong oleh intervensi. Mereka menuntut gangguan, kontrafaktual, dan mekanisme, di luar sekadar prediksi. Penskalaan jelas membantu. Tetapi tanpa struktur kausal, penskalaan sebagian besar memberi Anda korelasi yang lebih tajam. 2025 memperkuat keyakinan saya bahwa model fondasi biologis harus dibangun di sekitar gangguan, ketidakpastian, dan kemampuan tindakan, bukan hanya pembelajaran representasi. 2. Tolok ukur menahan biologi lebih dari komputasi. Mari kita jujur: Benchmarking dalam AI & biologi masih rusak. Semua orang melaporkan SOTA. Setiap orang memilih irisan himpunan data yang berbeda. Setiap orang mendengarkan metrik yang berbeda. Semua orang menghindari validasi prospektif. Kami telah mengimpor kebiasaan terburuk dari pembandingan ML ke domain di mana taruhannya jauh lebih tinggi. Dalam biologi dan perawatan kesehatan, kenaikan 1% yang tidak ditransfer lebih buruk daripada tidak berguna—itu menyesatkan. Yang hilang bukanlah tolok ukur lagi. Ini adalah tolok ukur yang sulit: • Prospektif, bukan retrospektif •Berbasis gangguan, bukan statis • Multi-situs, bukan lab tunggal • Sadar kegagalan, tidak dioptimalkan untuk papan peringkat Jika model Anda hanya berfungsi pada himpunan data yang membuatnya, itu bukan model fondasi—ini adalah artefak himpunan data. Pada tahun 2026, kita membutuhkan lebih sedikit plot mencolok dan lebih banyak kerendahan hati, ketelitian, dan hasil negatif. 3. "Penalaran" dalam biologi bukanlah rantai pemikiran. Ada kecenderungan yang berkembang untuk secara langsung menerapkan kata penalaran pada LLM biologis. Mari kita berhati-hati. Penalaran biologis bukanlah kefasihan verbal, jendela konteks yang lebih panjang, atau penjelasan yang lebih cantik. Itu adalah peningkatan tingkat permukaan. Penalaran nyata dalam biologi muncul di tempat lain: dalam membentuk hipotesis, memutuskan eksperimen mana yang akan dijalankan, memperbarui keyakinan ketika gangguan gagal, dan terus-menerus memperdagangkan biaya, risiko, dan ketidakpastian. Model yang menjelaskan jalur dengan indah tetapi tidak dapat memutuskan eksperimen mana yang akan dijalankan selanjutnya bukanlah penalaran, melainkan narasi. 2025 meyakinkan saya bahwa masa depan terletak pada AI biologis agen: sistem yang menggabungkan model fondasi dengan eksperimen, simulasi, dan loop pengambilan keputusan. Penutup: AI & biologi tidak tertinggal dari AI untuk kode atau bahasa. Ini hanya memainkan permainan yang lebih sulit. Kendalanya nyata. Datanya berantakan. Loop umpan balik lambat. Konsekuensinya penting. Jika tahun 2025 mengklarifikasi sesuatu bagi saya, itu adalah ini: Kita tidak akan membuat kemajuan dengan memperlakukan biologi seperti teks. Kami akan membuat kemajuan dengan membangun AI yang berperilaku lebih seperti ilmuwan : skeptis, berulang, dan bersedia salah. Maju ke 2026.