Google 聯手 WHO 用 Earth AI 預測疫情：數分鐘鎖定 45500 名高危人群

在偏遠礦區追蹤一場致命病毒的擴散，過去往往要靠防疫人員拿著紙質表格、翻山越嶺跑上幾個星期。哪怕是在醫療系統完備的發達國家，很多疾病統計資料也經常要滯後一兩年。

Google 公佈了旗下 Google Earth AI 在全球公共衛生領域的一批新成果。他們把衛星影像、天氣、匿名搜尋趨勢和人群流動資料塞進大模型，試圖讓公共衛生防控從過去的被動擦屁股，變成提前幾週甚至幾月的預警。

幾分鐘鎖定四萬多名高危人群

這次最抓人眼球的實戰，發生在剛果（金）正在蔓延的埃博拉疫情前線。

世衛組織非洲區域辦事處（WHO AFRO）和剛果（金）國家生物醫學研究所的研究人員，用上了 Google 研發的地理空間推理智慧體原型。操作人員不需要自己寫複雜的地理資訊程式碼，直接用日常語言跟 AI 提問對話。

針對偏遠地區人口流動大、感染風險高的礦業走廊，這個智慧體只用了幾分鐘，就圈出了 48 個暴露在風險中的定居點，定位了超過 45500 名處於高危狀態的人群。放在過去，這項人工排查通常要耗費數週時間。

搶出來的這幾個星期，讓當地防疫團隊能夠提前部署流動實驗室，並在關鍵邊界節點設防。

除了突發惡性傳染病，這套系統還在幫其他地區的流行病預測爭取時間。在剛果（金）的霍亂防控測試中，結合該模型把霍亂高危爆發區的預測提前了最多整整 8 周。在墨西哥，牛津大學和蒙特雷科技大學的研究者用它結合當地氣候模型預測登革熱，好趕在蚊子幼蟲羽化前展開消殺。

把人流和搜尋做成「地理指紋」

背後撐起這些預測的，是 Google 開發的人口動態基礎模型（PDFM）。

流行病學平時最頭疼兩件事：一是資料滯後，二是行政邊界壁壘。比如在美國，心血管疾病每年奪走超過 91.6 萬條生命，但官方縣級死亡資料通常滯後一到兩年，人口普查資料甚至滯後兩到三年。

紐約大學格羅斯曼醫學院的研究團隊把 PDFM 拿來頂替傳統人口普查變數，發現即便沒有任何針對性微調，它預測當年心血管死亡率的效果也能追平、甚至超越耗時數年的傳統調查。

西奈山衛生系統和波士頓兒童醫院在分析美加邊境的麻疹、腮腺炎和風疹（MMR）疫苗接種率時，傳統模型只要遇到國界就失靈。研究人員引入跨邊境的 PDFM 特徵後，模型對疫苗接種率變異的解釋力從 16% 直接拉昇到 22%，為邊境沿線 470 萬居民修正了至少 3 個百分點的接種覆蓋率估計。

目前這個模型按月重新整理特徵，Google 已經把它打包成名為 Population Dynamics Insights 的地理空間向量資料集，在 Google Maps Platform 上開放商業預覽，部分研究人員可以申請免費呼叫。

為什麼重要

把科技巨頭的搜尋和移動軌跡做成公共衛生工具，這不是第一天有人提，但這次 Google 的做法聰明在兩個地方。

第一是產品化形態的改變。以前做流行病預測，衛生機構要找專門的資料團隊清洗資料、搭專門的統計模型，部署成本高得嚇人。Google 這次做成了類似即插即用的向量嵌入，還給前線配了可以用自然語言互動的智慧體。一個不懂寫程式碼的疾控人員在平板上打字，幾分鐘就能拿到結果，這在資源匱乏的非洲礦區才是真正有用的救命工具。

第二是它解決了一直困擾流行病學的盲區。病毒不看國界，人也不會因為一條邊境線就停止走親訪友，但傳統公共衛生統計幾乎全被鎖在各自主權邊界內。Google 把跨國界的匿名流動聚合起來，確實補齊了最難拿到的拼圖。

不過在我們看來，隱患也同樣明顯。這類系統嚴重依賴 Google 自家的生態資料，在安卓裝置普及率低、或者斷網嚴重的極度貧困地區，資料本身就自帶倖存者偏差。而且把人口流動和搜尋趨勢商業化、工具化，在常態下如何持續保證個人隱私，依然是外界會反覆盯緊的軟肋。

但不管怎麼說，如果能用幾分鐘代替幾週的野外排查，把霍亂預警往前推兩個月，這項技術在應急衛生領域的價值，已經足夠讓全世界衛生官員現在就去申請測試了。