Google 联手 WHO 用 Earth AI 预测疫情：数分钟锁定 45500 名高危人群

在偏远矿区追踪一场致命病毒的扩散，过去往往要靠防疫人员拿着纸质表格、翻山越岭跑上几个星期。哪怕是在医疗系统完备的发达国家，很多疾病统计数据也经常要滞后一两年。

Google 公布了旗下 Google Earth AI 在全球公共卫生领域的一批新成果。他们把卫星图像、天气、匿名搜索趋势和人群流动数据塞进大模型，试图让公共卫生防控从过去的被动擦屁股，变成提前几周甚至几月的预警。

几分钟锁定四万多名高危人群

这次最抓人眼球的实战，发生在刚果（金）正在蔓延的埃博拉疫情前线。

世卫组织非洲区域办事处（WHO AFRO）和刚果（金）国家生物医学研究所的研究人员，用上了 Google 研发的地理空间推理智能体原型。操作人员不需要自己写复杂的地理信息代码，直接用日常语言跟 AI 提问对话。

针对偏远地区人口流动大、感染风险高的矿业走廊，这个智能体只用了几分钟，就圈出了 48 个暴露在风险中的定居点，定位了超过 45500 名处于高危状态的人群。放在过去，这项人工排查通常要耗费数周时间。

抢出来的这几个星期，让当地防疫团队能够提前部署流动实验室，并在关键边界节点设防。

除了突发恶性传染病，这套系统还在帮其他地区的流行病预测争取时间。在刚果（金）的霍乱防控测试中，结合该模型把霍乱高危爆发区的预测提前了最多整整 8 周。在墨西哥，牛津大学和蒙特雷科技大学的研究者用它结合当地气候模型预测登革热，好赶在蚊子幼虫羽化前展开消杀。

把人流和搜索做成「地理指纹」

背后撑起这些预测的，是 Google 开发的人口动态基础模型（PDFM）。

流行病学平时最头疼两件事：一是数据滞后，二是行政边界壁垒。比如在美国，心血管疾病每年夺走超过 91.6 万条生命，但官方县级死亡数据通常滞后一到两年，人口普查数据甚至滞后两到三年。

纽约大学格罗斯曼医学院的研究团队把 PDFM 拿来顶替传统人口普查变量，发现即便没有任何针对性微调，它预测当年心血管死亡率的效果也能追平、甚至超越耗时数年的传统调查。

西奈山卫生系统和波士顿儿童医院在分析美加边境的麻疹、腮腺炎和风疹（MMR）疫苗接种率时，传统模型只要遇到国界就失灵。研究人员引入跨边境的 PDFM 特征后，模型对疫苗接种率变异的解释力从 16% 直接拉升到 22%，为边境沿线 470 万居民修正了至少 3 个百分点的接种覆盖率估计。

目前这个模型按月刷新特征，Google 已经把它打包成名为 Population Dynamics Insights 的地理空间向量数据集，在 Google Maps Platform 上开放商业预览，部分研究人员可以申请免费调用。

为什么重要

把科技巨头的搜索和移动轨迹做成公共卫生工具，这不是第一天有人提，但这次 Google 的做法聪明在两个地方。

第一是产品化形态的改变。以前做流行病预测，卫生机构要找专门的数据团队清洗数据、搭专门的统计模型，部署成本高得吓人。Google 这次做成了类似即插即用的向量嵌入，还给前线配了可以用自然语言交互的智能体。一个不懂写代码的疾控人员在平板上打字，几分钟就能拿到结果，这在资源匮乏的非洲矿区才是真正有用的救命工具。

第二是它解决了一直困扰流行病学的盲区。病毒不看国界，人也不会因为一条边境线就停止走亲访友，但传统公共卫生统计几乎全被锁在各自主权边界内。Google 把跨国界的匿名流动聚合起来，确实补齐了最难拿到的拼图。

不过在我们看来，隐患也同样明显。这类系统严重依赖 Google 自家的生态数据，在安卓设备普及率低、或者断网严重的极度贫困地区，数据本身就自带幸存者偏差。而且把人口流动和搜索趋势商业化、工具化，在常态下如何持续保证个人隐私，依然是外界会反复盯紧的软肋。

但不管怎么说，如果能用几分钟代替几周的野外排查，把霍乱预警往前推两个月，这项技术在应急卫生领域的价值，已经足够让全世界卫生官员现在就去申请测试了。