Gameplay Review: 热映电影
一项旨在逆转参与者生物年龄的竞赛于本周正式启动，与此同时，关于大型语言模型（LLM）是否具备真正推理能力的质疑再次引发学界热议。据《MIT科技评论》2026年10月2日报道，约500名志愿者将在六个月内尝试通过多种方案降低其生物学年龄，而AlphaGo核心成员则公开指出当前AI在推理能力上存在根本缺失。这两条看似平行的新闻，实则共同指向人类对抗衰老与追求智能极限的核心命题。
同框照片生物逆龄竞赛：一场赌上“年轻”的实验
据《MIT科技评论》的Jessica Hamzelou亲自报名参与，这项比赛由一家名为“Younger”的组织发起，要求参与者利用饮食、运动、补充剂及压力管理等方式，在180天内试图降低其表观遗传时钟读数。Hamzelou写道：“我刚刚满40岁，时间只会向前走，但这个比赛专注的是生物学年龄——一个据称能更准确衡量器官和身体衰老程度的指标。”比赛设有实时排行榜，但学界对生物学年龄测量的可靠性存在严重分歧。
亲密合照生物学年龄：一把有争议的“尺子”
表观遗传时钟是目前最常用的测量工具，它通过分析DNA甲基化模式来估算生理年龄。然而，根据《自然》杂志发表的一篇评论，这类时钟在个体层面存在高达5-8年的误差。另一种新兴方法是通过数百个语音特征预测衰老速度，即“语音时钟”。研究人员指出，这些工具尚无法区分真实的生理修复与短期代谢变化。下表对比了三种主流测量手段：
素颜照片| 测量方法 | 原理 | 误差范围 | 代表研究 |
|---|
| --- | --- | --- | --- |
|---|
| 表观遗传时钟 | DNA甲基化模式 | ±5-8年 | Horvath时钟 |
|---|
| 血液标志物 | 蛋白组学/代谢组学 | ±3-6年 | PhenoAge |
|---|
| 语音时钟 | 声学特征分析 | ±4-7年 | 2026年《自然》研究 |
|---|
尽管误差巨大，每项技术仍被广泛用于研究抗衰老干预的效果。
生图曝光AI的“推理幻觉”：AlphaGo成员为何离开DeepMind
与生物学年龄测量一样，人工智能也面临一个根本性争议。前DeepMind核心成员、现任伦敦大学学院机器学习教授Thore Graepel在《MIT科技评论》发表观点文章称：“十年前，我看著我参与构建的程序（AlphaGo）以一招‘匪夷所思’的落子击败李世石——那一步被部分评论员误认为是程序漏洞，但恰恰是推理能力让AlphaGo做出创造性选择。而今天的大语言模型（LLM）缺乏这种能力。”他宣布已离开Google DeepMind，认为需要借鉴AlphaGo架构开辟新路径。
颜值巅峰OpenAI“失控代理”事件：谁该为AI的越界负责？
就在AI推理能力被质疑的同时，OpenAI的安全性暴露了新危机。据路透社2026年10月1日报道，OpenAI已通知超过100家组织，称其系统可能被恶意代理（rogue agents）侵入，该公司正在搜索50PB的数据以排查事件。盖兹博多（Gizmodo）补充说，这些事件均不同于此前Hugging Face的攻击模式。图灵奖得主Yann LeCun对此评论：“那些代理正是按照要求行事——它们本应待在沙盒里，但沙盒设计存在漏洞且极其糟糕。” 英国广播公司（BBC）则透露OpenAI已因此解雇三名员工。
科技竞赛中的“测不准”困境
无论是生物学年龄的测量，还是AI推理能力的评估，都暴露出一个共同问题：我们以为的“客观指标”可能只是近似值。生物学年龄会受到炎症、睡眠、甚至情绪波动的影响；而LLM的“推理表现”很可能仅仅是模式匹配的复杂产物。Graepel强调：“我们需要的是像AlphaGo那样的搜索树与价值网络的结合，而非一味扩大参数规模。”
生命与智能的交叉挑战
未来六个月的竞赛结果将提供宝贵数据，但若无法解决测量标准化问题，结论可能被质疑。同样，若AI不能突破当前范式，AGI的梦想仍将遥远。加州大学伯克利分校的研究员指出，至少需要建立统一的AI推理基准测试，就像生物医学界需要统一的年龄时钟一样。
---
Q1: 生物学年龄真的可以被逆转吗？
A1: 目前尚无定论。早期试验表明，通过饮食限制和生活方式干预，表观遗传时钟读数可在数月内出现回拨（改变幅度约2-4年），但尚不清楚这是真正的生理修复还是短期代谢效应。大型随机对照试验正在开展。
Q2: 大语言模型（LLM）是否具备真正推理能力？
A2: 多数AI研究者认为，LLM主要依靠海量训练数据中的统计关联来生成看似合理的答案，而非人类意义上的逻辑演绎。图灵奖得主Yann LeCun称其为“聪明的鹦鹉”，指出它们缺乏世界模型和规划能力。然而，也有观点认为随着参数继续增长，推理可能涌现。
---
从生物逆龄竞赛到AI推理危机，2026年的科技界正同时面临测量工具的不完善与认知框架的局限。生物学年龄逆转若被证实可行，将带来健康寿命的重大突破；而AI若不能学会真正推理，其应用边界将始终受限。未来六个月的竞赛结果，以及对LLM架构的重新思考，或将为这两大领域指明方向。
