У LLM есть модели слов. У экспертов есть модели мира. Вот и вся разница. LLM пишет контракт, который читается идеально. Юрист видит, как противоположная сторона его разорвет. То же самое в биологии. Модель предсказывает структуру белка. Биолог спрашивает: как он ведет себя, когда клетка находится под стрессом, воспалением или умирает? Следующий рубеж ИИ — это не интеллект. Это глубина симуляции.

Сегодня моя лента X переполнена настоящими медицинскими прорывами: 🇲🇽 Мексиканские ученые устранили ВПЧ 🇪🇸 Испанские исследователи вылечили рак простаты у мышей 🇯🇵 Япония восстановила моторные функции у парализованных пациентов с помощью регенеративной медицины 🇰🇷 Корейские ученые сообщают о реверсии рака толстой кишки 🇻🇳 Вьетнамские клиницисты показывают, что рак крови можно полностью вылечить Биомедицинская наука развивается с беспрецедентной, ускоряющейся скоростью. Действительно великий день для медицины. 🧬🚀

Все в восторге от "AI для науки" в 2025 году! В конце года позвольте мне поделиться своим беспокойством и оптимизмом, особенно по поводу ИИ и биологии. Проведя еще один год, погружаясь в биологические фундаментальные модели, ИИ в здравоохранении и открытие лекарств, вот 3 урока, которые я усвоил в 2025 году. 1. Биология — это не "просто еще одна модальность." Самое большое заблуждение, которое я все еще вижу: "Биология — это текст + изображения + графики. Просто масштабируйте трансформеры." Нет. Биология причинна, иерархична, стохастична и неполна так, как язык и зрение не являются. Токены не соответствуют реальности. Метки разрозненные, предвзятые и часто неверные. Фактическая истина условна, зависит от контекста и иногда недоступна. Мы добились реального прогресса — модели на основе одиночных клеток, визуализация, геномика, электронные медицинские записи наконец моделируются совместно — но жесткая правда такова: Большинство биологических сигналов не являются контролируемыми задачами, ожидающими лучших функций потерь. Это задачи, основанные на интервенциях. Они требуют возмущений, контрфактов и механизмов, помимо просто предсказания. Масштабирование, безусловно, помогает. Но без причинной структуры масштабирование в основном дает вам более четкие корреляции. 2025 год укрепил мою веру в то, что биологические фундаментальные модели должны строиться вокруг возмущений, неопределенности и действенности, а не только обучения представлениям. 2. Бенчмарки сдерживают биологию больше, чем вычислительные мощности. Давайте будем честными: Бенчмаркинг в ИИ и биологии все еще сломан. Все сообщают о SOTA. Все выбирают разные срезы данных. Все настраивают на разные метрики. Все избегают перспективной валидации. Мы перенесли худшие привычки бенчмаркинга ML в область, где ставки гораздо выше. В биологии и здравоохранении прирост в 1%, который не переносится, хуже, чем бесполезен — он вводит в заблуждение. Что не хватает, так это не больше бенчмарков. Нужны жесткие бенчмарки: • Перспективные, а не ретроспективные • Основанные на возмущениях, а не статические • Многообъектные, а не однолабораторные • Осознающие неудачи, а не оптимизированные для таблиц лидеров Если ваша модель работает только на наборе данных, который ее создал, это не фундаментальная модель — это артефакт набора данных. В 2026 году нам нужно меньше эффектных графиков и больше смирения, строгости и отрицательных результатов. 3. "Размышление" в биологии — это не цепочка размышлений. Существует растущая тенденция напрямую применять слово "размышление" к биологическим LLM. Давайте будем осторожны. Биологическое размышление — это не вербальная беглость, более длинные контекстные окна или более красивые объяснения. Это поверхностные улучшения. Реальное размышление в биологии проявляется в другом: в формировании гипотез, принятии решений о том, какие эксперименты проводить, обновлении убеждений, когда возмущения терпят неудачу, и постоянной оценке затрат, рисков и неопределенности. Модель, которая красиво объясняет путь, но не может решить, какой эксперимент провести следующим, не размышляет, а рассказывает. 2025 год убедил меня, что будущее лежит в агентном биологическом ИИ: системах, которые связывают фундаментальные модели с экспериментами, симуляциями и циклами принятия решений. Заключительная мысль: ИИ и биология не отстают от ИИ для кода или языка. Они просто играют в более сложную игру. Ограничения реальны. Данные неаккуратны. Обратные связи медленные. Последствия имеют значение. Если 2025 год что-то прояснил для меня, так это: Мы не добьемся прогресса, рассматривая биологию как текст. Мы добьемся прогресса, создавая ИИ, который ведет себя больше как ученый: скептически, итеративно и готовый ошибаться. Вперед к 2026 году.