过去几年，AI 与生命科学的结合，先后走过两条主线：一条是医疗 AI，让算法进入影像、病历和问诊；另一条是 AI 制药，让算法参与靶点发现、分子设计和药物研发。现在，长寿科技正在提出一个更贴近日常生活的问题：AI 能不能更早识别人体状态的细微变化，帮助人们理解衰老、营养、精力、皮肤状态和恢复力之间的关系？

DeepoMe 深度甲基正在尝试把这个问题放进“生物医学世界模型”的框架里。近日，在杭州举办的第五届 CCGH 老年病防控与健康大会上，北京深度甲基健康技术有限公司 DeepoMe 深度甲基创始人、首席科学家熊江辉博士，介绍了团队正在构建的 SteeraMed 框架。与传统 AI 医疗更多回答“是否像某种疾病”不同，SteeraMed 更关心的是：一个人的健康状态正在如何变化，哪些因素可能推动这种变化，以及是否存在可验证、可追溯的状态转移路径。

在 DeepoMe 的技术体系中，Capome 负责读取人体状态。它基于血液或唾液 DNA 甲基化信息，面向多维衰老与内在能力检测；SteeraMed 负责在知识地图上推演状态转移；DeepKang 深度根因健康干预体系则承接个体化健康干预生成、证据链组织和反馈迭代。三者合在一起，构成从状态识别、路径推演到持续反馈的 AI 长寿科技闭环。

“隐性饥饿”是这套体系正在探索的一个重要应用方向。传统营养检测通常回答“缺不缺”，更多依赖血液中的静态指标；但在真实生活中，血清指标看似正常，细胞层面的功能不足却可能已经潜伏。DeepoMe 更关心的是另一类问题：一个人的分子网络是否提示某些营养相关通路处于低效、失衡或高需求状态？这种状态是否可能影响肌肤微循环、发丝角蛋白合成、精力储备、情绪稳态、睡眠质量和运动恢复？

为回答这类问题，DeepoMe 正在探索一种基于 DNA 甲基化的营养缺口分析方法。它不是再生产一个“缺乏 / 正常”的二值化检测，而是尝试把 DNA 甲基化状态、营养相关基因网络、衰老方向和真实反馈数据结合起来，形成面向个体状态的营养需求推理。DeepoMe 已在自有检测产品采集的数千份样本中，围绕多种营养素进行测试和应用，并结合 DeepKang 体系中的真实反馈持续迭代。

如果把“隐性饥饿”放到产业场景里，它的想象空间并不局限于传统营养检测。在美业场景中，人们过去更多关注皮肤表层管理，而 AI 长寿科技有机会把皮肤状态、抗氧化能力、炎症反应、胶原相关通路、头发状态和营养需求放到同一张知识地图中理解；在运动健康场景中，它可以用于观察训练恢复、能量代谢、疲劳易感性、睡眠恢复和营养补给方向；在特种医学场景中，它则可能服务于应急管理、高原、航天、极地、深潜、高温高寒、高强度作业等特殊环境下的人体状态监测、营养需求、恢复力评估和风险预警研究。

这些场景的共同点，不是直接给出诊断或疗效承诺，而是把人体看作一个会持续适应和转移的动态系统。一个人处在什么状态，为什么会走到这里，哪些营养、生活方式或环境因素可能推动状态变化，哪些证据足以支持这种判断——这才是生物医学世界模型试图解决的核心问题。

从这个角度看，DeepoMe 深度甲基想沉淀的不是单一检测产品，也不是一个健康问答工具，而是一套面向 AI 长寿科技的状态推演能力：先读取个体分子状态，再在知识地图上推演可能的状态转移，最后用证据链和真实反馈不断校正。未来，如果高质量、长期、动态跟踪的人体数据集逐步建立，美业、运动健康和特种医学，都可能成为生物医学世界模型较早落地的场景。

从产业角度看，AI 长寿科技的价值，可能不只在于“让人活得更久”这个宏大叙事，而在于让人更早看见身体状态的变化，并找到更有证据约束的健康路径。医疗 AI 解决识别问题，AI 制药解决研发效率问题，而生物医学世界模型试图解决状态转移问题。谁能率先建立可计算、可验证、可迭代的人体状态模型，谁就可能拿到下一代长寿科技、美业健康、运动表现和特种医学的底层入口。