LLM-er har ordmodeller. Eksperter har verdensmodeller. Det er hele gapet. En LLM skriver en kontrakt som leses perfekt. En advokat ser nøyaktig hvordan motpartens advokat vil rive det fra hverandre. Det samme gjelder biologi. En modell forutsier en proteinstruktur. En biolog spør: hvordan oppfører den seg når cellen er stresset, betent eller dør? Den neste AI-grensen er ikke intelligens. Det er simuleringsdybde.

I dag er X-feeden min full av faktiske medisinske gjennombrudd: 🇲🇽 Meksikanske forskere eliminerte HPV 🇪🇸 Spanske forskere kurerte prostatakreft hos mus 🇯🇵 Japan gjenopprettet motorisk funksjon hos lammede pasienter via regenerativ medisin 🇰🇷 Koreanske forskere rapporterer reversering av tykktarmskreft 🇻🇳 Vietnamesiske klinikere viser at blodkreft kan behandles fullstendig Biomedisinsk vitenskap utvikler seg i et enestående, akselererende tempo. En virkelig flott dag for medisin. 🧬🚀

Alle er gira på «AI for vitenskap» i 2025! På slutten av året, la meg dele min uro og optimisme, spesielt om AI og biologi. Etter å ha tilbrakt enda et år dypt i biologiske grunnlagsmodeller, helse-AI og legemiddelutvikling, er her tre lærdommer jeg lærte i 2025. 1. Biologi er ikke «bare en annen modalitet.» Den største misforståelsen jeg fortsatt ser: "Biologi er tekst + bilder + grafer. Bare skaler transformatorer." Nei. Biologi er kausal, hierarkisk, stokastisk og ufullstendig på måter som språk og syn ikke er. Tokens samsvarer ikke helt med virkeligheten. Merkelappene er sparsomme, partiske og ofte feil. Grunnens sannhet er betinget, kontekstavhengig og noen ganger uforståelig. Vi har gjort reelle fremskritt—enkeltcellede, bildediagnostikk, genomikk, EPJ-er blir endelig modellert sammen—men den harde sannheten er denne: De fleste biologiske signaler er ikke overvåkede problemer som venter på bedre tapfunksjoner. De er intervensjonsdrevne problemer. De krever forstyrrelser, kontrafaktiske forhold og mekanismer, utover bare prediksjon. Skalering hjelper selvfølgelig. Men uten kausal struktur gir skalering stort sett skarpere korrelasjoner. 2025 forsterket min tro på at biologiske grunnlagsmodeller må bygges rundt forstyrrelser, usikkerhet og handlingsbarhet, ikke bare representasjonslæring. 2. Benchmarks holder biologien tilbake mer enn beregningen gjør. La oss være ærlige: Benchmarking innen AI og biologi er fortsatt ødelagt. Alle rapporterer SOTA. Alle velger en forskjellig datasettskive. Alle tilpasser seg en forskjellig måleparameter. Alle unngår prospektiv validering. Vi har importert de verste vanene fra ML-benchmarking til et område hvor innsatsen er mye høyere. Innen biologi og helsevesen er en gevinst på 1 % som ikke overføres verre enn ubrukelig – det er misvisende. Det som mangler er ikke flere benchmarks. Det er harde målestokker: •Prospektivt, ikke retrospektivt •Forstyrrelsesbasert, ikke statisk •Flersted, ikke enkeltlaboratorium •Feilbevisst, ikke optimalisert på topptavlen Hvis modellen din kun fungerer på datasettet som skapte den, er det ikke en grunnmodell – det er et datasett-artefakt. I 2026 trenger vi færre flashy plott og mer ydmykhet, grundighet og negative resultater. 3. "Resonnement" i biologi er ikke tankekjede. Det er en økende tendens til å direkte bruke ordet resonnering på biologiske LLM-er. La oss være forsiktige. Biologisk resonnement er ikke verbal flyt, lengre kontekstvinduer eller penere forklaringer. Dette er overfladiske forbedringer. Ekte resonnement i biologi dukker opp andre steder: i å danne hypoteser, bestemme hvilke eksperimenter som skal gjennomføres, oppdatere tro når forstyrrelser feiler, og stadig veie mellom kostnader, risiko og usikkerhet. En modell som forklarer en rute vakkert, men ikke klarer å bestemme seg for hvilket eksperiment som skal kjøres neste gang, er ikke resonnement, det er forteller. 2025 overbeviste meg om at fremtiden ligger i agentisk biologisk AI: Systemer som kobler grunnmodeller med eksperimentering, simulering og beslutningssløyfer. Avslutningstanke: AI og biologi henger ikke etter AI når det gjelder kode eller språk. Det er bare å spille et vanskeligere spill. Begrensningene er reelle. Dataene er rotete. Tilbakemeldingssløyfene er trege. Konsekvensene betyr mye. Hvis 2025 klargjorde noe for meg, er det dette: Vi vil ikke gjøre fremskritt ved å behandle biologi som tekst. Vi vil gjøre fremskritt ved å bygge AI som oppfører seg mer som en forsker: skeptisk, iterativ og villig til å ta feil. Videre til 2026.