新冠肺炎疫情仍在全球各地迅速蔓延，死亡人數不斷攀升。這場全球性災難對全世界的經濟、政治、文化將產生深遠的影響。在控制疫情的同時，我們也需要反思如何才能防止今后類似的災難再次發生。

事實上，早在2019年12月31日，加拿大人工智能健康監測平臺BlueDot，就向其客戶發出了第一條有關疫情的警告。這早于世界衛生組織（2020年1月9日）和美國疾控中心（2020年1月6日）發布疫情警告的時間。

之所以BlueDot能早于世界各大衛生組織發布疫情預警，正是因為BlueDot應用人工智能技術、自然語言處理以及網絡爬蟲技術不間斷地收集、分析世界各地關于疾病和重大公共衛生事件的報告和評論，高效地從海量的數據中提取出關鍵的數據，并智能地判斷全球疫情大暴發的可能性。

但準確預測疫情并非一件易事，這包括海量數據的收集和處理、針對有效信息的篩選、虛假信息的自動剔除等。若是靠人為地處理這些數據，不僅效率低下，而且很難保證信息的有效和及時，尤其是在疫情的初期，僅有一些瑣碎的有效信息夾雜在各式各樣的信息“噪音”之中的情況下，更是如此。

所幸，人工智能技術正是處理海量數據的能手。人工智能技術讓計算機在某個領域擁有一定的學習能力，并能將學習到的知識應用到真實的場景中，輔助人類做決策。

人工智能技術預測疫情表現不俗

早在2015年，英國倫敦大學學院的研究員就嘗試結合人工智能與互聯網信息（例如Twitter信息與評論）對大流行病的傳播進行了有效的預測。該科研成果發表在了2015年的Scientific Reports。此后，倫敦大學學院的科學家們通過繼續收集不同的互聯網數據（例如搜索引擎指數），大大提高了人工智能模型對疫情的蔓延預測的準確度。

在預測疫情趨勢方面，基于疫情高危人群相關數據，結合疫情新增確診、疑似、 死亡、治愈病例數，借助傳播動力學模型、動態感染模型、 回歸模型等大數據分析模型和實踐技術，人工智能技術不僅可以展示發病熱力分布和密切接觸者的風險熱力分布，還可以進行疫情峰值拐點等大態勢研判。

▲圖片來源：新京報網

在預測疫情傳播和追根溯源方面，利用深度學習等新興人工智能技術，聯合出行軌跡流動信息、社交信息、消費數據、暴露接觸史等大量數據進行科學建模，可以根據病患確診順序和密切接觸人員等信息定位時空碰撞點，進而推算出疾病傳播路徑，為傳染病溯源分析提供理論依據。

這與傳統的疫情傳播預警系統大相徑庭。傳統系統繪制病毒的潛在傳播情況并向有關部門發出警報，可能需要數周時間，而政府有時會在幾周或幾個月后才公布數據。

現在，由于人工智能和大數據已經徹底改變了傳染病暴發路徑的追蹤和預測方法，實時預測和提前預警已成為可能。

通過使用互聯性越來越強、移動化的世界所生成的信息，比如從搜索關鍵字數據頻率，人們點擊維基百科頁面的位置等各種信息等，用深度學習等人工智能技術結合云端處理技術就可以實現海量的數據挖掘。

BlueDot正是應用了人工智能技術，對海量的文本數據進行分析和篩選，才能快速準確地預測到這次新冠病毒導致的疫情。

使用自然語言處理和機器學習算法來查看衛生組織的聲明、商業航班、牲畜健康報告、衛星氣候數據和新聞報道，不僅可以預測流行病的開始，還可以預測它將如何傳播。

基于人工智能的快速疫情預測為這場疫情戰爭分奪秒，大大提高了抗疫措施的時效性，讓防疫措施有的放矢。

現階段AI疫情預測還需人工干預

然而，現階段人工智能在疫情預測的過程中還需要一定程度的人工干預，需要人們更深入地研究不同的疫情案例。

受限于目前人工智能技術，疫情預測系統極易被觸發、被忽略，同時系統還可能生成大量的假陽性結果。

正如開發BlueDot的公司“HealthMap”的創辦人，約翰·布朗斯坦所說，“數據會基于人們在網上的行為不斷變化，所以你必須不斷重新調整你的算法”。

同樣BlueDot的疫情預測系統也需要包括地理信息系統、空間分析、計算機科學，臨床傳染病、旅游和熱帶醫學以及公共衛生方面的醫學專家來審查人工智能標記的信息。

相信隨著人工智能的不斷發展和算力的不斷提升，更泛化的人工智能，或基于數據自適應的算法實現也將會變成可能。

使用人工智能技術做疫情預測還在一定程度上依賴于數據的質量和可得性。比如一旦疫情為人所知，政府開始禁止地區或者國家間的人員流動，旅行模式就發生了變化。繼續使用航空公司的歷史數據來用人工智能作為預測將會降低模型的準確性。

而使用人工智能處理智能設備的實時地理數據，可以更好地分析疫情的聚散和傳播軌跡。

以色列政府采用反恐級別的技術監控來追蹤疫情，通過嚴密監控人們的智能手機和面部攝像頭以及體溫報告，可以快速識別病毒攜帶者并提醒與感染者的距離。不過在重視數據隱私的西方國家，這種數據的可得性將會限制并影響人工智能技術的表現。

人工智能預測疫情尚有提升空間

雖然人工智能在疫情傳播預測中發揮了重大作用，但從這次疫情發展過程來看，人工智能仍有很大空間值得挖掘和提升。

目前公開渠道獲取的疫情數據口徑、數據統計時間等維度不統一、數據源混雜重復、數據質量不高，為人工智能處理分析帶來很大困難，極大地影響了預測系統的穩健性與準確性。

并且各廠商之間的人工智能預測模型所需的數據流通不足，不同的預測系統之間的數據是分散割裂，進而數據的價值、人工智能的模型不能得到最大化的利用。這些都是人工智能技術用于預測疫情所急需解決的問題。

利用AI技術，我們將不僅可以準確地預測類似本次新型冠狀病毒的疫情，還可以在疫情控制、病情診斷、疫苗研發，以及社會經濟等方面幫助我們輕松戰勝未來可能發生的其他疫情。

就像石油在第二次第三次工業革命中的作用一樣，人工智能技術在第四次工業革命起到了至關重要的作用。相信，在未來面對疫情時，有了人工智能的助力，我們將可以從容應對，不再恐慌。

責任編輯：ct