科技行者 2月24日 北京消息:一大批計算機科學家正在追蹤新冠病毒的動向。這種被正式定名為“COVID-19”的新型冠狀病毒,可導致嚴重呼吸道疾病,重癥者可致死,該病毒最初于2019年12月在武漢爆發(fā),截至目前累計感染超過75000人,死亡人數(shù)以千計,盡管中國境內的新增病例數(shù)量已經開始下降,但人們普遍擔心這波疫情會在新加坡、日本、韓國、香港以及泰國引發(fā)新一輪動蕩。
來自波士頓東北大學(Northeastern University)計算機科學家Alessandro Vespignani已經開發(fā)出一種針對“COVID-19”的預測模型,他的團隊打造出EpiRisk工具,用于評估感染者將疾病傳播到世界其他地區(qū)的可能性,此外,該工具還能跟蹤各國旅行禁令,核實政府管控是否有效。為阻止這波全球流行性疾病,Alessandro Vespignani介紹了計算機行業(yè)如何抵御疫情。
Alessandro Vespignani: 過去幾天,我們看到不少振奮人心的跡象,特別是中國境內的新增病例在減少。
Alessandro Vespignani: 可以說沒有特別的重點,因為我們得采取一切必要措施。我們需要了解中國內地的疾病傳播情況,以及干預措施效果;我們需要了解,其他地區(qū)是否出現(xiàn)了疫情蔓延的信號;我們需要了解,是否已經有某些區(qū)域成為新的流行病中心。在這一階段,每個問題都很重要,沒有輕重緩急之分。
Alessandro Vespignani:EpiRisk工具建模方案的核心,在于利用一切可用的數(shù)據(jù)源。
目前,我們主要關注來自中國及其周邊國家的監(jiān)控數(shù)據(jù),當然,社交媒體與新聞內容也會被整理起來。
首先,我們會對這種流行病進行建模,實現(xiàn)態(tài)勢感知,特別是建立起對中國境外的疫情態(tài)勢感知體系——因為我們已經基本掌握有多少人從中國疫情重災區(qū)前往其他國家,所以配合目前國際上發(fā)現(xiàn)的COVID-19境外病例,就能基本推斷出其他地區(qū)的疫情規(guī)模。一般來說,這類預測通常只能由官方確認并發(fā)布,但我們在掌握數(shù)據(jù)后往往能夠提前做出這些預測。
接下來,我們會利用模型研究出行限制等干預性措施會給疾病的實際傳播帶來哪些影響。在武漢及其周邊地區(qū),機場全面關閉、長途運輸叫停、學校停課。我們正努力了解這些措施能夠在中國本土帶來怎樣的疫情控制效果,同時分析中國境外出現(xiàn)新增病例的可能性。
▲ 圖為EpiRisk
Alessandro Vespignani:在我們這個領域中,工作內容基本分為兩種:在不存在緊急狀況或者健康威脅地,進行正常研究——或者說和平時期研究;另外就是現(xiàn)在這種,我們可以稱其為「戰(zhàn)爭時期」。
遺憾的是,每當發(fā)生“COVID-19”疫情這類突發(fā)情況時,我們只能利用有限的數(shù)據(jù)配合一系列假設,對不斷變化的形勢做出有限的預測。有時候,新的消息一到,我們就得把前一天整理出的所有結果全部推翻。很忙,確實很忙。
但在這場戰(zhàn)爭中,真正沖鋒陷陣的是那些前線醫(yī)生、護士以及公共衛(wèi)生人員,他們才是承擔起風險的群體。作為計算機科學家與計算流行病學家,我們的工作為他們提供情報,幫助他們找出敵人的行動規(guī)律。
Alessandro Vespignani:我們經常跟其他研究團隊以及機構進行全球電話會議,我在電話會議里見過的團隊至少有80到100個。這些團隊帶來各種專業(yè)知識,有些團隊負責進行系統(tǒng)發(fā)育分析與遷移建模,有些人主要關注預測、即時預報以及長期投影分析等等。與以往的流行病應對情況相比,如今各類科學團隊與機構之間的協(xié)作與溝通水平,明顯上了臺階。
Alessandro Vespignani:我覺得沒必要。這有點像天氣預報或者自然災害預報。如果所有模型都指向同一個大體方向,而且結果基本保持統(tǒng)一,那么結果就是可信的。疾病建模也是如此,畢竟沒有哪兩套模型會完全相同。每個人都會使用不同的人口統(tǒng)計數(shù)據(jù),對于某些年齡段的相對易感性采取不同的假設。如果非要把這么多不同的模型整合起來,肯定會帶來新的問題——有新問題,就有與之對應的處理需求,這會讓問題變得更復雜。
Alessandro Vespignani:例如,美國的疾控中心(美國疾病控制與預防中心)幾年前曾建立“FluSight”項目,通過引入建模研究團隊,協(xié)助預測季節(jié)性流感。這類項目最終建立起一個社區(qū)體系,并以為樞紐打通各機構之間的聯(lián)系通道。世界各地的其他機構也參與到類似的體系中來,希望將原本分散的力量統(tǒng)一,為防疫抗疫提供輔助。
Alessandro Vespignani:肯定可以,項目中也包含諸如計算與算法開發(fā)之類的工作,既然不了解什么是計算流行病學,普通的計算機科學家也完全能夠很好地解決這些任務。另外,如果大家有意參與其中,首先應該與已經在傳染病建模領域具備一定經驗的老手們合作,這樣可以盡量規(guī)避最初接觸時的種種常見錯誤,盡快投身到對抗疫情的核心工作當中。
好文章,需要你的鼓勵
浙江大學團隊提出動態(tài)專家搜索方法,讓AI能根據(jù)不同問題靈活調整內部專家配置。該方法在數(shù)學、編程等任務上顯著提升推理準確率,且不增加計算成本。研究發(fā)現(xiàn)不同類型問題偏愛不同專家配置,為AI推理優(yōu)化開辟新路徑。
清華大學研究團隊提出SIRI方法,通過"壓縮-擴張"交替訓練策略,成功解決了大型推理模型"話多且準確率低"的問題。實驗顯示,該方法在數(shù)學競賽題上將模型準確率提升43.2%的同時,輸出長度減少46.9%,真正實現(xiàn)了效率與性能的雙重優(yōu)化,為AI模型訓練提供了新思路。
南洋理工大學與騰訊聯(lián)合研究團隊開發(fā)出Rolling Forcing技術,實現(xiàn)AI視頻實時流式生成的重大突破。該技術通過滾動窗口聯(lián)合去噪、注意力錨點機制和高效訓練算法三項創(chuàng)新,解決了長視頻生成中的錯誤累積問題,可在單GPU上以16fps速度生成多分鐘高質量視頻,延遲僅0.76秒,質量漂移指標從傳統(tǒng)方法的1.66降至0.01,為交互式媒體和內容創(chuàng)作開辟新可能。
華中科技大學研究團隊發(fā)現(xiàn),通過讓AI模型學習解決幾何問題,能夠顯著提升其空間理解能力。他們構建了包含約30000個幾何題目的Euclid30K數(shù)據(jù)集,使用強化學習方法訓練多個AI模型。實驗結果顯示,幾何訓練在四個空間智能測試基準上都帶來顯著提升,其中最佳模型達到49.6%準確率,超越此前最好成績。這項研究揭示了基礎幾何知識對培養(yǎng)AI空間智能的重要價值。