I LLM hanno modelli di parole. Gli esperti hanno modelli del mondo. Questa è l'intera differenza. Un LLM scrive un contratto che sembra perfetto. Un avvocato vede esattamente come la parte avversa lo smonterà. Lo stesso in biologia. Un modello prevede una struttura proteica. Un biologo chiede: come si comporta quando la cellula è stressata, infiammata o morente? La prossima frontiera dell'AI non è l'intelligenza. È la profondità della simulazione.

Oggi il mio feed X è stracolmo di veri progressi medici: 🇲🇽 Gli scienziati messicani hanno eliminato l'HPV 🇪🇸 I ricercatori spagnoli hanno curato il cancro alla prostata nei topi 🇯🇵 Il Giappone ha ripristinato la funzione motoria in pazienti paralizzati tramite medicina rigenerativa 🇰🇷 Gli scienziati coreani riportano di aver invertito il cancro del colon 🇻🇳 I clinici vietnamiti dimostrano che il cancro del sangue può essere completamente trattato La scienza biomedica sta avanzando a un ritmo senza precedenti e in accelerazione. Una giornata davvero fantastica per la medicina. 🧬🚀

Tutti sono entusiasti riguardo a "AI for Science." nel 2025! Alla fine dell'anno, permettetemi di condividere il mio disagio e ottimismo, specificamente riguardo a AI e biologia. Dopo aver trascorso un altro anno immerso nei modelli biologici fondamentali, nell'AI per la salute e nella scoperta di farmaci, ecco 3 lezioni che ho appreso nel 2025. 1. La biologia non è "solo un'altra modalità." Il più grande fraintendimento che vedo ancora: "La biologia è testo + immagini + grafici. Basta scalare i trasformatori." No. La biologia è causale, gerarchica, stocastica e incompleta in modi in cui il linguaggio e la visione non lo sono. I token non corrispondono pulitamente alla realtà. Le etichette sono scarse, distorte e spesso errate. La verità di base è condizionale, dipendente dal contesto e talvolta inconoscibile. Abbiamo fatto progressi reali: modelli a singola cellula, imaging, genomica, EHR sono finalmente modellati congiuntamente—ma la dura verità è questa: La maggior parte dei segnali biologici non sono problemi supervisionati in attesa di migliori funzioni di perdita. Sono problemi guidati da interventi. Richiedono perturbazioni, controfattuali e meccanismi, oltre alla semplice previsione. Scalare ovviamente aiuta. Ma senza una struttura causale, scalare ti dà principalmente correlazioni più nitide. Il 2025 ha rafforzato la mia convinzione che i modelli biologici fondamentali devono essere costruiti attorno a perturbazione, incertezza e azionabilità, non solo apprendimento della rappresentazione. 2. I benchmark stanno trattenendo la biologia più del calcolo. Siamo onesti: il benchmarking in AI e biologia è ancora rotto. Tutti riportano SOTA. Ognuno sceglie un diverso sottoinsieme di dati. Ognuno ottimizza per una metrica diversa. Ognuno evita la validazione prospettica. Abbiamo importato le peggiori abitudini del benchmarking ML in un dominio dove le poste in gioco sono molto più alte. In biologia e sanità, un guadagno dell'1% che non si trasferisce è peggio che inutile—è fuorviante. Ciò che manca non sono più benchmark. Sono benchmark difficili: •Prospettici, non retrospettivi •Basati su perturbazioni, non statici •Multi-sito, non laboratorio singolo •Consapevoli dei fallimenti, non ottimizzati per la classifica Se il tuo modello funziona solo sul dataset che lo ha creato, non è un modello fondamentale—è un artefatto del dataset. Nel 2026, abbiamo bisogno di meno grafici appariscenti e più umiltà, rigore e risultati negativi. 3. "Ragionare" in biologia non è catena di pensieri. C'è una crescente tendenza ad applicare direttamente la parola ragionamento ai LLM biologici. Facciamo attenzione. Il ragionamento biologico non è fluidità verbale, finestre di contesto più lunghe o spiegazioni più belle. Questi sono miglioramenti superficiali. Il vero ragionamento in biologia si manifesta altrove: nella formazione di ipotesi, nella decisione su quali esperimenti eseguire, nell'aggiornamento delle credenze quando le perturbazioni falliscono e nel costante bilanciamento di costi, rischi e incertezze. Un modello che spiega un percorso in modo splendido ma non riesce a decidere quale esperimento eseguire dopo non sta ragionando, sta narrando. Il 2025 mi ha convinto che il futuro risiede nell'AI biologica agentica: sistemi che accoppiano modelli fondamentali con sperimentazione, simulazione e cicli decisionali. Pensiero finale: AI e biologia non stanno rimanendo indietro rispetto a AI per codice o linguaggio. Stanno solo giocando a un gioco più difficile. I vincoli sono reali. I dati sono disordinati. I cicli di feedback sono lenti. Le conseguenze contano. Se il 2025 ha chiarito qualcosa per me, è questo: Non faremo progressi trattando la biologia come testo. Faremo progressi costruendo AI che si comporta più come uno scienziato: scettico, iterativo e disposto a sbagliare. Avanti verso il 2026.