Các LLM có mô hình từ. Các chuyên gia có mô hình thế giới. Đó là toàn bộ khoảng cách. Một LLM viết một hợp đồng mà đọc hoàn hảo. Một luật sư thấy chính xác cách mà bên đối kháng sẽ xé nó ra. Cũng giống như trong sinh học. Một mô hình dự đoán cấu trúc protein. Một nhà sinh học hỏi: nó sẽ hành xử như thế nào khi tế bào bị căng thẳng, viêm hoặc chết? Biên giới AI tiếp theo không phải là trí thông minh. Đó là độ sâu mô phỏng.

Hôm nay, nguồn tin X của tôi tràn ngập những đột phá y học thực sự: 🇲🇽 Các nhà khoa học Mexico đã loại bỏ HPV 🇪🇸 Các nhà nghiên cứu Tây Ban Nha đã chữa khỏi ung thư tuyến tiền liệt ở chuột 🇯🇵 Nhật Bản đã phục hồi chức năng vận động cho bệnh nhân bị liệt thông qua y học tái sinh 🇰🇷 Các nhà khoa học Hàn Quốc báo cáo đã đảo ngược ung thư đại tràng 🇻🇳 Các bác sĩ Việt Nam cho thấy ung thư máu có thể được điều trị hoàn toàn Khoa học sinh học đang tiến bộ với tốc độ chưa từng có và đang gia tăng. Một ngày thực sự tuyệt vời cho y học. 🧬🚀

Mọi người đều hào hứng về "AI cho Khoa học" vào năm 2025! Vào cuối năm, xin hãy cho tôi chia sẻ sự lo lắng và lạc quan của mình, đặc biệt là về AI & sinh học. Sau khi dành thêm một năm sâu vào các mô hình nền tảng sinh học, AI trong chăm sóc sức khỏe và phát hiện thuốc, đây là 3 bài học tôi đã học được trong năm 2025. 1. Sinh học không phải là "chỉ là một phương thức khác." Hiểu lầm lớn nhất mà tôi vẫn thấy: "Sinh học là văn bản + hình ảnh + đồ thị. Chỉ cần mở rộng các transformer." Không. Sinh học là nguyên nhân, phân cấp, ngẫu nhiên và không hoàn chỉnh theo những cách mà ngôn ngữ và thị giác không có. Các token không tương ứng một cách rõ ràng với thực tế. Các nhãn thì thưa thớt, thiên lệch và thường sai. Sự thật cơ bản là có điều kiện, phụ thuộc vào ngữ cảnh và đôi khi không thể biết được. Chúng ta đã đạt được tiến bộ thực sự—mô hình hóa tế bào đơn, hình ảnh, genomics, EHR cuối cùng cũng đang được mô hình hóa chung—nhưng sự thật khó khăn là: Hầu hết các tín hiệu sinh học không phải là các vấn đề có giám sát đang chờ đợi các hàm mất mát tốt hơn. Chúng là các vấn đề do can thiệp. Chúng đòi hỏi các biến đổi, các trường hợp phản thực tế và các cơ chế, không chỉ là dự đoán. Mở rộng rõ ràng là có ích. Nhưng nếu không có cấu trúc nguyên nhân, việc mở rộng chủ yếu chỉ mang lại cho bạn các tương quan sắc nét hơn. Năm 2025 đã củng cố niềm tin của tôi rằng các mô hình nền tảng sinh học phải được xây dựng xung quanh sự can thiệp, sự không chắc chắn và khả năng hành động, không chỉ là học đại diện. 2. Các tiêu chuẩn đang kìm hãm sinh học nhiều hơn là tính toán. Hãy thành thật: Việc đánh giá trong AI & sinh học vẫn còn bị hỏng. Mọi người đều báo cáo SOTA. Mọi người chọn một lát dữ liệu khác nhau. Mọi người điều chỉnh cho một chỉ số khác nhau. Mọi người tránh xác thực dự kiến. Chúng ta đã nhập khẩu những thói quen tồi tệ nhất của việc đánh giá ML vào một lĩnh vực mà mức độ rủi ro cao hơn nhiều. Trong sinh học và chăm sóc sức khỏe, một lợi ích 1% không chuyển giao thì tệ hơn cả vô dụng—nó gây hiểu lầm. Điều thiếu không phải là nhiều tiêu chuẩn hơn. Mà là các tiêu chuẩn khó: •Dự kiến, không hồi cứu •Dựa trên can thiệp, không tĩnh •Đa địa điểm, không đơn phòng thí nghiệm •Nhận thức về thất bại, không tối ưu hóa bảng xếp hạng Nếu mô hình của bạn chỉ hoạt động trên tập dữ liệu đã tạo ra nó, thì nó không phải là mô hình nền tảng—nó là một hiện vật dữ liệu. Vào năm 2026, chúng ta cần ít biểu đồ hào nhoáng hơn và nhiều khiêm tốn, nghiêm ngặt và kết quả tiêu cực hơn. 3. "Lập luận" trong sinh học không phải là chuỗi suy nghĩ. Có một xu hướng ngày càng tăng để áp dụng trực tiếp từ lập luận lên các LLM sinh học. Hãy cẩn thận. Lập luận sinh học không phải là sự lưu loát bằng lời, các cửa sổ ngữ cảnh dài hơn, hay những lời giải thích đẹp hơn. Đó là những cải tiến bề mặt. Lập luận thực sự trong sinh học xuất hiện ở những nơi khác: trong việc hình thành giả thuyết, quyết định thí nghiệm nào để thực hiện, cập nhật niềm tin khi các biến đổi thất bại, và liên tục cân nhắc chi phí, rủi ro và sự không chắc chắn. Một mô hình giải thích một con đường một cách đẹp đẽ nhưng không thể quyết định thí nghiệm nào để thực hiện tiếp theo không phải là lập luận, mà là kể chuyện. Năm 2025 đã thuyết phục tôi rằng tương lai nằm ở AI sinh học có tính tác động: những hệ thống kết hợp các mô hình nền tảng với thí nghiệm, mô phỏng và các vòng quyết định. Suy nghĩ cuối cùng: AI & sinh học không thua kém AI cho mã hay ngôn ngữ. Nó chỉ đang chơi một trò chơi khó hơn. Các ràng buộc là có thật. Dữ liệu thì lộn xộn. Các vòng phản hồi thì chậm. Các hậu quả là quan trọng. Nếu năm 2025 đã làm rõ bất cứ điều gì cho tôi, thì đó là: Chúng ta sẽ không tiến bộ bằng cách đối xử với sinh học như văn bản. Chúng ta sẽ tiến bộ bằng cách xây dựng AI hành xử giống như một nhà khoa học: hoài nghi, lặp đi lặp lại và sẵn sàng sai lầm. Tiến tới năm 2026.