生物逆龄竞赛开赛，LLM 推理再遭质疑

编者按：麻省理工科技评论（MIT Technology Review）的每日通讯《The Download》近日同时抛出两个耐人寻味的话题：一边是有人把“生物年龄”变成了一场竞赛的赛道，另一边是研究者再次追问——大语言模型到底会不会推理。前者关乎人类如何延展生命，后者关乎机器如何被定义。本期我们把它拆开来看。

一场以“青春”为赌注的竞赛

本周，MIT Technology Review 记者 Jessica Hamzelou 做了一件不太寻常的事——她正式报名参加了一场竞赛。这场比赛比拼的不是速度，也不是耐力，而是谁能让自己的“生物年龄”下降得更快。换句话说，这是一场逆龄比赛。

要理解它为什么成立，得先理解“生物年龄”这个概念。过去十年，衰老研究逐渐从边缘走向主流，核心工具之一是表观遗传时钟（epigenetic clock）。研究者通过检测 DNA 甲基化模式，结合代谢、炎症、肌肉功能等一系列生物标志物，可以估算出一个人的身体究竟“老化”到什么程度——这常常和身份证上的数字并不一致。

资本早已闻风而动。Altos Labs 在 2022 年以约 30 亿美元起步，Calico 背靠 Alphabet，Retro Biosciences 拿到了 Sam Altman 的投资。它们追逐的方向包括“部分重编程”（partial reprogramming），也就是用 Yamanaka 因子等手段，让细胞短暂回到更年轻的状态，再观察机体整体是否受益。

“本周，我正式报名参加了一场不同寻常的竞赛——它奖励的是那些在生物青春上跑得更快的人。”——Jessica Hamzelou

这类竞赛的价值未必在奖金，而在标准化。衰老领域长期缺乏公认的评估终点：有人看端粒长度，有人看炎症因子，有人看表观遗传年龄。指标不统一，研究之间就难以比较。如果一场比赛能推动大家坐下来统一度量方式，那本身就是一次进步。当然，风险也在——把复杂的生物学简化成一个排行榜，容易催生营销式的“逆龄”叙事。

LLM 的“推理”，是思考还是模仿？

《The Download》同日关注的另一个话题，是那句被反复引用的论断：大语言模型不会推理。它并非空穴来风。过去两年，大量研究从不同角度测试模型的推理能力，结论往往指向同一处：题目稍作改动，表现就会大幅波动。

苹果在 2024 年发表的 GSM-Symbolic 研究颇具代表性。研究者把标准数学题中的人名和数字替换掉，再插入无关的干扰信息，模型的准确率便明显下滑。这暗示模型很可能是在匹配训练数据里的模式，而不是像人那样，从题目中抽象出稳定的运算规则。

这并不等于说模型没用。在翻译、摘要、写代码这类任务上，它们表现相当出色。争论的真正焦点在于：我们把“能给出正确答案”和“理解为什么这个答案正确”混为一谈了。

模式匹配可以在大量场景下产生正确输出，但它无法保证在分布之外的世界里依然可靠。

为什么这两件事值得放在一起看

逆龄竞赛和 LLM 推理看似风马牛不相及，却共享同一个底层难题：如何定义并测量一个模糊的概念。生物年龄需要一套可信的指标体系，模型推理能力同样需要一个不轻易被“题目换皮”击穿的评测框架。

对普通读者而言，这意味着两件事。第一，看到“逆龄 XX 岁”的宣称时，先问它用的是哪套指标、样本有多少、是否经过同行评审。第二，在使用大模型处理关键任务时，把它当作一位博学但偶尔自信过头的助手，而不是一位可以全权托付的专家。

技术的前沿，往往不是某个突破性答案，而是我们对问题本身重新提问的方式。

本文编译自 MIT Technology Review。