LLM:er har ordmodeller. Experter har världsmodeller. Det är hela skillnaden. En LLM skriver ett kontrakt som läses perfekt. En advokat ser exakt hur motpartens ombud kommer att riva upp den. Samma sak inom biologi. En modell förutsäger en proteinstruktur. En biolog frågar: hur beter den sig när cellen är stressad, inflammerad eller dör? Nästa AI-gräns är inte intelligens. Det är simuleringsdjup.

Idag svämmar mitt X-flöde över av faktiska medicinska genombrott: 🇲🇽 Mexikanska forskare eliminerade HPV 🇪🇸 Spanska forskare botade prostatacancer hos möss 🇯🇵 Japan återställde motorisk funktion hos förlamade patienter via regenerativ medicin 🇰🇷 Koreanska forskare rapporterar att tjocktarmscancer har vänt 🇻🇳 Vietnamesiska kliniker visar att blodcancer kan behandlas helt Biomedicinsk vetenskap utvecklas i en aldrig tidigare skådad, accelererande takt. En genuint bra dag för medicin. 🧬🚀

Alla är taggade på "AI för vetenskap." år 2025! I slutet av året får jag dela med mig av min oro och optimism, särskilt om AI och biologi. Efter att ha tillbringat ytterligare ett år djupt i biologiska grundmodeller, hälsomedicinsk AI och läkemedelsupptäckt, här är tre lärdomar jag fick under 2025. 1. Biologi är inte "bara en annan modalitet." Den största missuppfattningen jag fortfarande ser: "Biologi är text + bilder + grafer. Bara skala transformatorer." Nej. Biologin är kausal, hierarkisk, stokastisk och ofullständig på sätt som språk och syn inte är. Tokens motsvarar inte verkligheten korrekt. Etiketter är sparsamma, partiska och ofta felaktiga. Sanningen på marken är villkorad, kontextberoende och ibland omöjlig att förstå. Vi har gjort verkliga framsteg—encellig, avbildning, genomik, EHR modelleras äntligen gemensamt—men den hårda sanningen är denna: De flesta biologiska signaler är inte övervakade problem som väntar på bättre förlustfunktioner. De är interventionsdrivna problem. De kräver störningar, kontrafaktiska faktorer och mekanismer, bortom bara förutsägelse. Skalning hjälper förstås. Men utan kausal struktur ger skalning oftast skarpare korrelationer. 2025 stärkte min tro på att biologiska grundmodeller måste byggas kring störningar, osäkerhet och handlingsbarhet, inte bara representationsinlärning. 2. Benchmarks håller tillbaka biologin mer än beräkningen gör. Låt oss vara ärliga: benchmarking inom AI och biologi är fortfarande trasigt. Alla rapporterar SOTA. Alla väljer en annan datamängdsskiva. Alla justerar för olika mått. Alla undviker potentiell bekräftelse. Vi har importerat de sämsta vanorna från ML-benchmarking till en domän där insatserna är mycket högre. Inom biologi och sjukvård är en 1 % ökning som inte överförs värre än värdelös – det är missvisande. Det som saknas är inte fler benchmarks. Det är hårda riktmärken: • Framåtblickande, inte retrospektivt •Störningsbaserad, inte statisk •Flera platser, inte enskild labb •Felmedveten, inte topplisteoptimerad Om din modell bara fungerar på datamängden som skapade den är det inte en grundmodell – det är en datamängdsartefakt. År 2026 behöver vi färre flashiga handlingar och mer ödmjukhet, noggrannhet och negativa resultat. 3. "Resonemang" inom biologin är inte tankekedja. Det finns en växande tendens att direkt använda ordet resonemang på biologiska LLM:er. Låt oss vara försiktiga. Biologiskt resonemang är inte verbal flyt, längre kontextfönster eller snyggare förklaringar. Det är ytliga förbättringar. Verkligt resonemang inom biologin visar sig på andra håll: i att formulera hypoteser, bestämma vilka experiment som ska genomföras, uppdatera övertygelser när störningar misslyckas och ständigt väga kostnader, risk och osäkerhet. En modell som förklarar en väg vackert men inte kan bestämma vilket experiment som ska göras härnäst är inte resonerande, det är berättande. 2025 övertygade mig om att framtiden ligger i agentisk biologisk AI: system som kopplar grundmodeller till experiment, simulering och beslutsfattande. Avslutande tanke: AI och biologi ligger inte efter AI när det gäller kod eller språk. Det är bara att spela ett svårare spel. Begränsningarna är verkliga. Datan är rörig. Återkopplingsslingorna är långsamma. Konsekvenserna spelar roll. Om 2025 klargjorde något för mig, så är det detta: Vi kommer inte att göra framsteg genom att behandla biologi som text. Vi kommer att göra framsteg genom att bygga AI som beter sig mer som en vetenskapsman: skeptisk, iterativ och villig att ha fel. Framåt mot 2026.