长久以来，流行性疾病似乎根本不在人们的忧虑范围之内，然而2020年初，一场疫情汹涌而来，甚至至今不确定它来自何处。业界开始担忧，下一场流行疾病到底会是人畜共患型疾病，例如新型冠状病毒、SARS、埃博拉或者寨卡病毒；抑或是由人类设计并合成出的高致死性疾病？

当世界各国外交官齐聚日内瓦，参加一年一度的生物武器公约（BWC）大会时，这一话题再次引起关注。各国代表纷纷发言，承诺共同努力防止新型生物武器的开发、生产与存储。以往，《生物武器公约》主要关注炭疽热等问题，但这一次，人们开始将目光投放大规模流行性疾病身上。

无论下一波流行病源自何处，此次人们达成的一项普遍共识在于，我们还没有为此做好准备。约翰霍普金斯大学健康安全中心（CHS）最近进行的一轮“合理情境演习”证明，潜在病原体有可能在全球范围内杀死1.5亿民众，同时带来规模庞大的经济混乱、饥荒以及骚乱。

微软公司创始人比尔·盖茨最近在马萨诸塞州医学会的一次演讲中提出警告，“……在大规模流行疾病的准备方面，我们这个世界的进步其实非常有限。”

盖茨在2018慕尼黑安全会议上也曾发表类似演讲，他指出：

“在这里，我要请全球各国领导人想象一下。未来，世界上可能存在或者出现某种新型武器，这种武器能够杀死数百万人，导致经济陷入停顿并使整个国家陷入混乱。如果这是一种军事武器，那么我们当然有必要尽一切可能制定出应对之策。但在另一方面，如果说这只是单纯的生物威胁，人们却往往缺乏紧迫感。我想提醒大家，整个世界需要以应对战争的严肃心态看待下一场可能出现的流行病潮。”

近年来，潜在流行病（例如埃博拉病毒）的传染性相对不强。但我们当然不能抱有侥幸心理。百年之前爆发的西班牙流感成为世纪大患，这种疾病致命性极强，并消灭了全球3%的人口。鉴于1918年以来全球流动性增长，外加人品规模的爆发式提升，一旦今天发生类似的疾病，专家们认为死亡人数很可能超过2.5亿。

药品研发以及医疗保健行业一直在为此不懈努力，各政府部门、制药企业乃至医疗机构始终积极探索新兴技术（特别是人工智能）如何帮助我们应对种种现实挑战。在这个信息时代，我们在考虑如何为疾病流行制定准备措施时，AI技术无疑是个绕不开的话题。AI拥有巨大的潜力，不仅有望为人类带来新的治疗方法，同时也可用于重新审视现有研究结果及数据，最终发现更高效的潜在疾病控制手段。但需要强调的是，在实现运用AI技术对抗病魔之前，尚有诸多障碍等待我们克服。

利用AI对抗流行疾病

AI技术有望高效应对大规模流行疾病，这是因为它的处理速度要远远高于任何手动形式的研究。如今，AI平台已经能够一次性查阅数千万篇学术论文、数据集以及期刊文章；相比之下，人类研究员每年的平均论文阅读量仅为200至300篇。

但是，AI方案也不可能百试百灵。AI系统的能力，完全取决于我们为其提供的训练数据质量。遗憾的是，制药行业当中的大部分数据都不够可靠。研究表明，只有3%的企业数据符合基础质量标准，这无疑将大大影响到AI技术的实际效用。在尝试分析各类规模可观的不同数据集时，我们面对的挑战包括但不限于：

• 数据缺失

• 数据不正确

• 数据孤立

• 格式问题

• 语言障碍

• 工具不兼容

所有这些问题，都可能导致AI算法以错误方式解释数据，并给一切后续计算带来严重偏差。总体来讲，AI是一种受限于“垃圾进、垃圾出”（GIGO, garbage in, garbage out）原则的技术方案。正如Elsevier研发解决方案公司科学服务总监Matthew Clark博士最近所言：

“算法只能以已知为基础推理而来。如果将数据供应量减半，那么即使是全球最先进的算法，也无法带来理想的结果。在AI/深度学习方面，模型对于数据的要求标准远高于人类研究员。换言之，模型不仅要求数据具有高准确性，同时也要求其中不可包含偏见。”

图：Elsevier研发解决方案公司科学服务总监Matthew Clark博士

因此，研究人员需要确保为自己的AI平台提供全面且质量可靠的数据。但考虑到各制药企业的研究人员往往分布在不同国家，且使用不同的语言与工具，这方面保障工作往往根本不具有可行性。除此之外，研究人员通常会将工作结果保存在本地——而非中央服务器上——这意味着数据会意外分散在多个位置。但只要我们能够解决这些技术问题，那么AI很可能在成本与时间等诸多方面，成为攻克流行病难题的有力武器。

通过重新调整药物实现快速响应

科学家们估计，针对11种高概率与大规模流行病相关的疫苗的最低成本，基本在28亿美元到37亿美元之间。考虑到2003年抗击SARS总计花掉高达540亿美元，前面这个数字区间显然极具经济效益。更重要的是，提前开发疫苗还能节约下大量时间。一旦出现任何严重的新型疾病，迅速寻找治愈方法当然是第一要务。AI技术能够从根本上改进现有技术（例如调整药物用途）以帮助克服这些挑战。目前正在进行的相关研究包括：

• 转基因生物（GMO, Genetically modified organisms）处理。即利用分子生物学方法对DNA进行解构，并以工业化方式重组DNA以生产“DNA疫苗”。目前医疗行业正在探索将这种方法用于抗击乙型肝炎及其他“长期寄宿性病毒”。

• 改变常规药物用途。科学家们正在识别新的潜在大规模流行病的具体症状，并针对其中某些表现利用现有药物中的有效成分加以应对。目前，科学家们的试验对象主要包括登革热以及黄热病等。

• 通用型流感疫苗。旨在增强流感特异T细胞，从而帮助最容易受到流感威胁的老年群体获得更强的抵抗力。

虽然医药企业一直在努力发现现有药物的更多全新用途，但由于过程中要求研究人员认真浏览大量现有数据以发现固有模式或者潜在突破，因此工作的整体推进速度一直不高。通过部署AI技术完成相同的任务，医药企业将能够在发生疾病大流行时显著提高执行效率、抢在病原体变异之前将其遏制。

夯实基础

根据历史的经验来看，新一轮大规模流行病早就应该到来——这样的想法不禁令人恐惧。如果新的疾病真像前文中提到的虚拟疾病传播实验一样致命，那么整个世界都将陷入崩溃的边缘。因此，我们绝不能抱有侥幸心理；相反，我们应当尽一切努力保证自身已经做好了准备。我们做出的回应，应该包括重新利用现有研究成果并引入AI平台，保证我们能够最大程度找到治愈疾病的机会。当然，要让AI切实发挥作用，之前提到的几点障碍必须得到克服。

很明显，我们根本不可能用手动方式整理规模庞大的数据集、尝试划分数据内容再将相关结论整合起来。要达成这些目标，企业乃至各行业机构必须投资打造出强大的生命科学平台，以智能化方式收集数据并将其与具体背景联系起来，最终在AI流程中实现数据的“可用性”。换言之，参与公共卫生事务的各类组织——包括制药企业、大学以及政府部门等等——都有责任保障其AI平台的可用性与有效性。今天我们为数据准备花出去的每一分钱，都将在未来成为我们抵御重大疾病威胁的希望。