LLM's hebben woordmodellen. Experts hebben wereldmodellen. Dat is de hele kloof. Een LLM schrijft een contract dat perfect leest. Een advocaat ziet precies hoe de tegenpartij het uit elkaar zal halen. Hetzelfde in de biologie. Een model voorspelt een eiwitstructuur. Een bioloog vraagt: hoe gedraagt het zich wanneer de cel onder stress staat, ontstoken is of stervende is? De volgende AI-grens is niet intelligentie. Het is de diepte van simulatie.

Vandaag stroomt mijn X-feed over van daadwerkelijke medische doorbraken: 🇲🇽 Mexicaanse wetenschappers hebben HPV geëlimineerd 🇪🇸 Spaanse onderzoekers hebben prostaatkanker bij muizen genezen 🇯🇵 Japan heeft motorische functies hersteld bij verlamde patiënten via regeneratieve geneeskunde 🇰🇷 Koreaanse wetenschappers melden dat ze dikkedarmkanker hebben omgekeerd 🇻🇳 Vietnamese clinici tonen aan dat bloedkanker volledig kan worden behandeld Biomedische wetenschap vordert in een ongekend, versnellend tempo. Een oprecht geweldige dag voor de geneeskunde. 🧬🚀

Iedereen is enthousiast over "AI voor Wetenschap." in 2025! Aan het einde van het jaar, laat me alsjeblieft mijn onbehagen en optimisme delen, specifiek over AI & biologie. Na weer een jaar diep in biologische fundamentmodellen, gezondheidszorg AI en medicijnontdekking, zijn hier 3 lessen die ik in 2025 heb geleerd. 1. Biologie is niet "slechts een andere modaliteit." De grootste misvatting die ik nog steeds zie: "Biologie is tekst + afbeeldingen + grafieken. Schaal gewoon transformers." Nee. Biologie is causaal, hiërarchisch, stochastisch en onvolledig op manieren die taal en visie niet zijn. Tokens komen niet schoon overeen met de realiteit. Labels zijn schaars, bevooroordeeld en vaak verkeerd. De grondwaarheid is voorwaardelijk, contextafhankelijk en soms onbekend. We hebben echte vooruitgang geboekt—single-cell, imaging, genomica, EHR's worden eindelijk gezamenlijk gemodelleerd—maar de harde waarheid is dit: De meeste biologische signalen zijn geen gesuperviseerde problemen die wachten op betere verliesfuncties. Het zijn interventie-gedreven problemen. Ze vereisen verstoringen, tegenfeitelijkheden en mechanismen, meer dan alleen voorspelling. Schaalvergroting helpt uiteraard. Maar zonder causale structuur geeft schaling meestal alleen scherpere correlaties. 2025 heeft mijn overtuiging versterkt dat biologische fundamentmodellen moeten worden gebouwd rond verstoring, onzekerheid en uitvoerbaarheid, niet alleen rond representatie leren. 2. Benchmarks houden biologie meer tegen dan compute. Laten we eerlijk zijn: Benchmarking in AI & biologie is nog steeds gebroken. Iedereen rapporteert SOTA. Iedereen kiest een andere dataset-slice. Iedereen stemt af op een andere metriek. Iedereen vermijdt prospectieve validatie. We hebben de slechtste gewoonten van ML-benchmarking geïmporteerd in een domein waar de inzet veel hoger is. In biologie en gezondheidszorg is een winst van 1% die niet overdraagbaar is erger dan nutteloos—het is misleidend. Wat ontbreekt zijn geen meer benchmarks. Het zijn harde benchmarks: • Prospectief, niet retrospectief • Verstoring-gebaseerd, niet statisch • Multi-site, niet single-lab • Faalbewust, niet leaderboard-geoptimaliseerd Als je model alleen werkt op de dataset die het heeft gecreëerd, is het geen fundamentmodel—het is een dataset-artifact. In 2026 hebben we minder flashy plots en meer nederigheid, rigor en negatieve resultaten nodig. 3. "Redeneren" in biologie is geen keten van gedachten. Er is een groeiende tendens om het woord redeneren direct toe te passen op biologische LLM's. Laten we voorzichtig zijn. Biologische redenering is geen verbale vloeiendheid, langere contextvensters of mooiere uitleggen. Dat zijn oppervlakkige verbeteringen. Echte redenering in biologie komt elders tot uiting: in het vormen van hypothesen, beslissen welke experimenten uit te voeren, het bijwerken van overtuigingen wanneer verstoringen falen, en voortdurend afwegen van kosten, risico en onzekerheid. Een model dat een pad prachtig uitlegt maar niet kan beslissen welk experiment het volgende moet worden uitgevoerd, is geen redeneren, het is vertellen. 2025 heeft me overtuigd dat de toekomst ligt in agentische biologische AI: systemen die fundamentmodellen koppelen aan experimentatie, simulatie en besluitvormingscycli. Afsluitende gedachte: AI & biologie loopt niet achter op AI voor code of taal. Het speelt gewoon een moeilijker spel. De beperkingen zijn echt. De data is rommelig. De feedbackloops zijn traag. De gevolgen zijn belangrijk. Als 2025 iets voor mij heeft verduidelijkt, is het dit: We zullen geen vooruitgang boeken door biologie te behandelen als tekst. We zullen vooruitgang boeken door AI te bouwen die zich meer gedraagt als een wetenschapper: sceptisch, iteratief en bereid om fout te zijn. Vooruit naar 2026.