当AI不再只是回答问题

Stillvale如何把海量碎片化医学文献转化为可追溯的证据路径

生成式人工智能可以在数秒内总结一篇论文，但生命科学真正困难的部分，往往发生在总结之后：一项发现是否被其他研究重复验证，某种成分通过什么通路影响人体系统，不同人群和剂量条件下结论是否仍然成立。Stillvale希望解决的，正是这些“连接证据”的问题。

在国际生命阶段医学协会第一届学术年会上，协会秘书长李静介绍了Stillvale人工智能科学证据引擎。平台并不把一个流畅答案作为终点，而是将医学、生物学和营养科学文献拆解为可以计算的关系：人体表现对应哪些生物机制，成分涉及哪些靶点和通路，证据来自何处、强度如何、何时更新。

其底层流程包括文献整合、语义向量、知识关系构建、专家复核和健康洞察五个环节。在平台设计中，AI主要承担检索、抽取、关联、置信度和版本管理；科学家负责提出问题、确定标准、判断边界并验收结果。这种分工试图避开生命科学AI常见的两类风险：一是答案看似完整却无法追溯，二是把相关性误写成因果性。

Stillvale目前形成两类核心模型。一类把疲劳、睡眠节律变化和恢复能力下降等人体信号映射到可能涉及的系统与通路；另一类把营养成分与靶点、通路和人体系统建立关联。模型输出可用于形成科研假设、支持真实世界研究和辅助产品研发，但不能替代临床诊断、治疗或处方决策。

为什么平台与生命阶段医学结合？因为全生命周期健康研究天然需要处理长时间跨度和多学科数据。儿童发育、环境暴露、代谢变化和衰老表型可能相隔数十年，相关证据散落在不同专业期刊和数据库中。传统关键词检索可以找到材料，却很难持续维护这些关系。平台化的意义，是把每次研究形成的结构和边界沉淀下来，为下一次问题复用。

对商业合作方而言，这类系统的价值不应以“收录了多少篇论文”单独衡量，而应看四项指标：关系能否追溯到来源，证据等级是否透明，专家修改能否留下版本记录，应用后的反馈能否提出更好的研究问题。Stillvale将应用范围指向真实世界研究、表型分析、营养机制探索、科研假设和研发支持，商业化路径更接近科研基础设施和专业垂类模型。

行业认可为平台提供了阶段性背书，“STILLVALE生理年龄数字健康解决方案”已入编《第九届软件和信息服务业年度案例成果展示册——生态协同创新解决方案篇》，并曾在2026（第十六届）中国互联网产业年会相关展示中出现。对平台而言，这不是终点。能否在跨机构项目中形成稳定的数据规范、专家验收机制和可重复结果，才是从案例展示走向科研基础设施的关键。