Vào ngày 16 tháng 2026, tạp chí Bioengineering đã đăng tải bài xã luận của Daniele Giansanti với tiêu đề "When Bioengineering Met Artificial Intelligence: From Machine Learning to Intelligent Bioengineering Systems". Bài viết xem xét sự hội tụ dần dần của hai lĩnh vực vốn đã phát triển song song trong thời gian dài nhưng hiện đang giao thoa mạnh mẽ.
Tác giả lưu ý rằng trí tuệ nhân tạo và kỹ thuật sinh học ban đầu đi theo những con đường khác nhau: lĩnh vực thứ nhất thông qua các thuật toán và dữ liệu, lĩnh vực thứ hai thông qua các vật liệu vật lý và sinh học. Tuy nhiên, mối quan tâm của chúng ngày càng trùng khớp trong các nhiệm vụ mô hình hóa các hệ thống sinh học phức tạp, thiết kế vật liệu sinh học và tạo ra các thiết bị y tế thích ứng.
Bài viết nhấn mạnh sự chuyển dịch từ học máy truyền thống sang các hình thức tiên tiến hơn — các kiến trúc thần kinh lai, mô hình tạo sinh và các phương pháp tiếp cận đa phương thức. Những phương pháp này không chỉ cho phép phân tích dữ liệu mà còn tạo ra các giải pháp mới trong thời gian thực, có tính đến động lực học của các hệ thống sống.
Sự chú ý đặc biệt được dành cho các thách thức: nhu cầu về các bộ dữ liệu y sinh lớn và chất lượng cao, các vấn đề về khả năng diễn giải của mô hình trong bối cảnh lâm sàng và các khía cạnh đạo đức khi áp dụng AI trong kỹ thuật sinh học. Giansanti chỉ ra rằng nhiều phương pháp hiện tại vẫn còn bị giới hạn trong các nhiệm vụ hẹp và đòi hỏi sự thích ứng đáng kể với các điều kiện sinh học thực tế.
So với các công trình trước đây về ứng dụng AI trong y học, ấn phẩm này nổi bật nhờ sự nhấn mạnh vào cấp độ hệ thống: không phải các công cụ riêng lẻ, mà là việc tạo ra các "hệ thống kỹ thuật sinh học thông minh" có khả năng tự học và thích ứng. Điều này làm cho nó khác biệt so với các bài đánh giá chuyên sâu về học sâu trong chẩn đoán hoặc hình ảnh y tế.
Sự phát triển của các hệ thống như vậy mở ra những hướng nghiên cứu mới — từ thiết kế các cơ quan trên chip (organ-on-a-chip) tích hợp AI đến các thiết bị sinh học thay thế cá nhân hóa có khả năng phản ứng với những thay đổi trong cơ thể bệnh nhân. Tuy nhiên, để triển khai rộng rãi, cần có sự kiểm chứng độc lập và tiêu chuẩn hóa các giao thức đánh giá.
Vẫn chưa rõ liệu khoảng cách giữa kết quả phòng thí nghiệm và thực tiễn lâm sàng sẽ được thu hẹp nhanh chóng đến mức nào, cũng như những rủi ro mới nào sẽ xuất hiện khi mở rộng quy mô các hệ thống sinh học thông minh. Cộng đồng có lẽ sẽ tập trung vào việc tạo ra các tiêu chuẩn mở và thúc đẩy sự hợp tác liên ngành.
Kết luận chính của bài viết là giá trị thực sự của sự hội tụ này sẽ không thể hiện ở những đột phá riêng lẻ, mà ở khả năng tạo ra các chu trình khép kín trong việc thiết kế, thử nghiệm và tối ưu hóa các giải pháp sinh học với sự hỗ trợ của AI.
