一项最新的基准测试旨在检验人工智能是否具备跨衰老生物学的推理能力，结果发现，专业化的小型模型能够超越体量大得多的系统。
人工智能已经擅长阅读科学文献、检索事实，并且在生物学语言的运用上显得头头是道。然而，要求它直接从衰老复杂的分子混乱中进行推理，则是一项完全不同的考验。
发表在《细胞》（Cell）杂志上的一项研究介绍了LongevityBench，这是一个开放的基准测试，旨在跨越临床数据、遗传学、表观遗传学、转录组学和蛋白质组学的17个任务来测试AI系统。研究人员评估了18个前沿AI系统，并开发了5个专门针对衰老数据训练的精简版Longevity-LLM；尽管这些专业模型的参数量仅为6亿到90亿，但在整个基准测试中，它们的表现与大得多的通用系统不相上下甚至有所超越[1]。
Longevity.Technology：一个拥有6亿参数的模型，竟然能让那些庞然大物般的“表亲”们感受到威胁，这是一个引人注目的“大卫与歌利亚”式的结果；然而更重要的是，它引发了一个关于长寿AI实际需求的深刻问题。衰老生物学不仅仅是另一部需要阅读的文集，而是一个需要进行推理的、杂乱且多维度的系统，对文献的流利掌握并不等于能够从甲基化模式、转录组、蛋白质组和临床数据中提取生物学意义。LongevityBench相当巧妙地揭示了这种区别：那些能侃侃而谈衰老的前沿模型，在被要求直接从其潜在的某些分子测量数据中工作时往往会举步维艰，而专门针对衰老数据训练的更小模型则能与它们竞争，有时甚至超越它们。
这并不意味着AI已经弄清了衰老是如何运作的，更谈不上知道如何阻止它。传统的机器学习在某些任务上依然表现更优，生物学年龄的预测仍然顽固地困难重重，而Longevity Claw提出的328个靶点是需要实验验证的假设，而不是静静等待装瓶的328种抗衰老药物。但这或许正是这项研究的重要意义所在。长寿领域从不缺数据，也越来越不缺能够谈论这些数据的AI；它真正需要的是能够将异构生物学测量数据转化为经得起实验生物学检验的假设的系统。将基准测试、模型和研究平台完全开源，也意味着这些说法现在可以接受检验，而不只是单纯被赞叹。在一个目前迷恋于越来越大模型的领域里，这个教训可能会让人感到一种美妙的不便——在理解衰老方面，了解更多生物学知识可能比单纯拥有更多参数要重要得多。
将AI置于生物学考验之下
大多数生物医学AI基准测试所检验的知识，可能已经存在于某个模型的训练材料中。LongevityBench尝试了不同的方法：提示词由初级的生物测量数据生成，要求模型推断出诸如根据甲基化谱图判断哪个人更老、从血浆蛋白质组学预测实足年龄，或评估基因扰动对寿命影响等结论。整个评估包含25,457个提示词。
这一点至关重要，正如作者所指出的，大语言模型（LLM）可以产生流利的回答，但却没有内部机制来区分既定的生物学事实与「模式匹配的相关性」。一个记住了文献对某个基因描述的模型，不一定具备识别隐藏在陌生组学谱图之中的衰老相关信号的能力[1]。
这种区别在一项基于CellAge的补充测试中表现得淋漓尽致。当被问及已发表的证据是否表明特定基因促进或抑制细胞衰老时，前沿模型的表现极其出色——Gemini-3.1-Pro得分为95.9%，GPT-5得分为94.9%——然而它们在基于初级组学测量任务上的表现，总体上却弱于专业模型。作者得出结论，解释实验数据代表了一种不同于知识检索的能力[1]。
更小的模型，更窄的专长
没有任何一个前沿模型能够在全部五个生物学领域中占据统治地位，且有几个模型在原始分子测量数据上表现尤为吃力。然而，在专业系统中，L-Qwen3.5-9B取得了最高的整体基准排名；甚至作为基于Qwen最小专业模型的L-Qwen3-0.6B，在纳入主对比的26个模型中也排在了第六位[1]。
这并不意味着单纯的小就是美。当问题具有足够的专业性时，领域特定的训练似乎能够弥补规模上的不足；作者认为，对于某些生物学模式，参数量在30亿以下的模型可以媲美体量为其数倍的系统。
然而，顽固的局限性依然存在。从组学数据中以数字方式预测年龄仍然很困难，而传统的统计方法有时仍保留着优势。例如，在蛋白质组学年龄回归中，最好的专业LLM实现了5.7年的平均绝对误差，而针对同一蛋白质面板训练的弹性网时钟（elastic-net clock）则为3.9年[1]。
英矽智能（Insilico Medicine）创始人兼联席CEO亚历克斯·扎沃龙科夫（Alex Zhavoronkov）表示：「我们与rentosertib合作的研究表明，AI发现并设计的药物可以影响患者体内的生物学衰老特征。现在，我们正在开放这些工具，帮助全球科学界发现下一代长寿疗法。LongevityBench为衡量AI是否真正能够对衰老生物学进行推理确立了一个严格的标准，而我们的专业模型和Longevity Claw则将这种智能转化为了自主发现引擎。」
从回答到靶点
基准测试只是该项目的一部分。研究人员还将L-Qwen3.5-9B置于Longevity Claw之中，这是一个将该模型与用于衰老时钟计算、基因集富集和人群分析工具相结合的智能体平台，随后要求它跨越涵盖12大衰老标志的14个类别搜索潜在的治疗靶点。
该练习产生了328个候选基因。其中12个与先前使用英矽智能PandaOmics平台识别出的300个衰老靶点集重合，实现了具有统计学意义的2.4倍富集；在早期研究经实验验证的9个靶点中，CXCL12和ADAMTS14这两个候选基因便包含在其中[1]。
有趣的是，KDM1A从新系统中反复脱颖而出——并且它已经在2023的一项研究中被独立验证为一个衰老与癌症靶点，其调节能够延长秀丽隐杆线虫（C elegans）的寿命[2]。当然，这还远算不上治疗效用的证明——作者也明确警告称，该练习并不能取代实验性的靶点验证。
一个能够前行的基准测试
LongevityBench最具意义的特征可能没有自主发现那样光鲜亮丽：它是开放的。数据集、训练好的模型、评估代码以及Longevity Claw均已公开发布，允许其他研究人员针对相同的生物学问题测试模型并扩展该基准测试。
这创造了一种可能性：即根据生物学能力而非修辞流畅度来衡量长寿AI的进展，并随着模型的改进而观察基准测试的演变。在数据集越来越大、而问题依然顽固庞大的长寿研究中，这或许会被证明是一门有用的纪律。
[1] https://pubmed.ncbi.nlm.nih.gov/42753698/
[2] https://onlinelibrary.wiley.com/doi/10.1111/acel.14017
📎 来源：Longevity Technology