东北大学的研究人员正在开发一种新的人工智能工具，这种工具能够在下一次疫情爆发之前对其进行建模——甚至可能防止其发生。
“我们的目标是通过改进我们对社会技术系统运作方式的理解来改善人类的生活条件。”东北大学体验式人工智能研究所的人工智能和生命科学主任Samuel Scarpino说道。Scarpino是最近发表在《自然》杂志上的一篇论文的合著者，该论文描述了如何利用人工智能来建模未来传染病疫情。
网络科学为研究人员提供了一种“通用语言”，使他们能够研究从“癌症等细胞水平过程到流行病和大流行病等人口水平过程”的多尺度系统。“如果听起来很广泛，那确实如此。”Scarpino补充道。
为了对未来疫情进行建模，“我们需要新的AI和新的方法。”Scarpino指出，构建如此复杂事件模型所需的背景信息挑战巨大。“当需要大量背景信息来进行预测时，AI模型真的会遇到困难。”他解释说，ChatGPT的成功很大程度上归功于它在处理背景信息方面的突破，“改变了背景信息的引入方式”。
但语言导向的AI模型所面临的背景问题“与生活系统的复杂性相比微不足道”。Scarpino表示：“这些系统，无论是有机网络还是社会网络，从人类免疫系统到人口流动，都在非常短的时间尺度和进化时间尺度上具有适应性。由于这种适应性，即使我对系统有很好的理解，但如果我干扰了系统，我可能也无法对其将要发生的事情做出准确的预测。”
“这意味着我们需要新的AI和新的方法。”Scarpino和他的同事们面临的最大挑战之一是互操作性问题。网络科学家如何让截然不同的数据彼此交流？
“孤立地研究生物系统的方法注定要失败。”Scarpino说。如果我们真的希望拥有良好的疫情模型，那么这些模型必须包含全球范围内的信息，并且包含来自全球各地的代表性数据集，这些数据集可以互相兼容并输入模型中。
Scarpino以最近H5N1（俗称“禽流感”）的爆发为例，说明了需要协同工作的许多不同类型的数据。例如，美国农业部对家禽和牲畜的报告不同，此外还有废水数据、疾病控制中心报告的人类病例、鱼类和野生动物管理局报告的禽类病例、牲畜移动数据、鸟类迁徙模式等等。这还不包括病毒本身的行为。
“如果你没有所有这些层次的信息，我们就无法了解这种病毒是如何传播的。”他说。
Scarpino还谨慎地指出，这些AI模型缺乏机制性的解释。例如，AI只能做出预测，而不能告诉你“具体机制是农场加上鸟类再加上其他什么”。然而，这些预测“在操作层面非常有用”，因为研究人员和政策制定者可以寻找能够阻止疫情成为大流行的杠杆点。
“AI工作的前沿在于解释性方面。”他说。但关键的是，这意味着网络科学家无法对未知的事物进行建模。对更多更详细数据集的需求非常高。
疫情“有点像地震”，Scarpino说，不是指它们的可预测性，而是指“如果出现这种规模的地震或全球疫情，那就意味着你错过了其他较小的地震和疫情”。
“这种情况下的早期监测挑战非常巨大。”他继续说道。“会有许多从未造成影响的动物到人类的溢出事件。”
“也许AI可以帮助我们至少回答这个问题：我们实际上看到多少具有大流行潜力的新病毒溢出到人类群体中？”
目前，Scarpino表示，“我们只有猜测，在我们对这些问题有一些明确答案之前，我们并不知道如何建立正确的应对系统来应对这些威胁。”
“无论将来出现什么真正的大问题，都是我们未曾预料到的。”但他指出，这种不确定性也可以被纳入他们的模型中。
Scarpino说，现在对传染病传播的建模已经比天气预报更准确了。天气预报虽然不可靠，但我们仍然“依靠这些天气预报做出涉及重大经济影响的决策”。
“对于疾病预测，我们仍处于起步阶段。”他说，“但我们已经有准确的模型，可以在两到三周，有时甚至四周内做出对医院和其他系统具有操作意义的预测。”
(全文结束)
