谱系动力学的瓶颈不在数据，在算力

过去 25 年，谱系动力学（phylodynamics）一直在改写流行病学的工作方式。它的基本思路是用病原体的基因序列反推传播过程：把序列组织成系统发生树，每条分支代表一条传播链，每个叶节点代表一次感染；分支长度反映突变数量，分叉点则揭示不同病原体之间的亲缘关系。顺着这棵树，研究者可以把某个毒株一路追溯到它的亲代毒株，再比较两者的序列差异。

树本身由算法根据现有基因数据推断出最可能的形态，在此基础上可以估计一系列参数——病原体的传播速率、感染持续时间、地理起源等等。问题在于，要让这些估计足够稳健，需要分析的序列数量很大，还要把结果与基于人群观察的常规流行病学数据交叉验证。这意味着数学模型必须继续放大，而模型放大恰恰卡在两个地方：数据复杂度（基因序列还要叠加采样日期、流行率、地理位置等信息）和待处理的数据量。

从天体物理搬过来的方法

INRAE 的研究者用的方法叫神经后验估计（neural posterior estimation，简称 NPE），此前主要出现在神经科学和天体物理学领域。团队用 2014 年塞拉利昂埃博拉疫情的 72 个基因组作为数据集，验证了这套方法的稳健性：从系统发生树中估计出的参数，与传统推断方法（如马尔可夫链蒙特卡洛方法）得到的结果相近。

这是该方法第一次被用于遗传数据的谱系动力学分析。研究团队强调的价值不只是精度持平，而是效率：NPE 让数学模型的校准速度快得多，并且能纳入体量更大、类型更杂的数据——潜在规模可达数千条序列。

对疫情应对来说，这个差别很实际。传统推断往往要等数据攒够、算完一轮才能出结论；而校准足够快之后，模型可以在疫情进行中随时加入新数据、当场推演不同情景。研究团队还公开了详细的在线教程，让其他机构能够复现同类分析，而不是把方法锁在一篇论文里。

另一条路线：多源信号加大模型

用 AI 处理疫情数据的路线不止一条。谷歌研究院近期公布的行星预测引擎（Planetary Prediction Engine）走的是另一个方向：融合流行病学信号、人口动态嵌入和自动筛选的地理空间协变量，对疫情热点做实时预测。在 2026 年刚果（金）本迪布焦型埃博拉病毒疫情中，该系统连续五周预测的 Recall@10 达到 83.3%，在 18 个新出现传播的卫生区中正确识别出 15 个，相比已发表的贝叶斯建模基线（约 73%）绝对提升 10.3 个百分点。

还有一类系统专门做信号汇总。波士顿大学新发传染病中心运行的 BEACON 平台，把多个来源的预警合并起来，再用大语言模型生成仪表盘，为刚果（金）和乌干达的埃博拉疫情提供风险评估。项目负责人的说法是，这是 AI 与人类专家的组合，输出的是带上下文的深度风险判断，而不是单纯的告警条目。

本地语言决定信号能不能被看见

一个容易被忽略的变量是语言。2026 年发表于《Journal of Medical Systems》的一项研究测试了 AI 疫情情报平台 EPIWATCH 在尼日利亚的表现，研究者把尼日利亚皮金英语加入系统，使其能识别当地网民描述疾病的表达方式。改造之后，该系统在 2024 年 3 月检出 112 条疫情报告，而此前五年同月的中位数为 27 条，检出量增加 315%，拉沙热、脑膜炎、白喉、黄热病相关信号同步上升。

需要说明的是，这个数字并不意味着尼日利亚的疫情增加了 315%，它只说明——当 AI 监测系统能读懂本地语言时，被捕捉到的潜在公共卫生信号会显著增多。对语言多样性高的国家和地区，这一点的意义相当直接。

边界同样清楚

技术侧的乐观需要配上限制条件。首先，信号不等于疫情：大量线上讨论没有流行病学意义，AI 的作用是帮助公共卫生部门更早发现异常模式、判断哪里需要进一步调查，而不是替代实验室确诊与现场调查。其次是数据质量问题——有专家指出，预测能力最终取决于可用于训练的数据的质量与广度，直接照搬其他国家训练出的模型往往并不适配本地的疾病谱与环境条件。

伦理层面的担忧也已经被提出。《自然》的相关报道指出，流行病学家与社会人类学家担心，如果社区成员的实际经验、本地知识和现场情况没有被纳入模型，AI 偏差就可能出现，低收入和中等收入国家和地区受影响尤为明显。

对中国读者而言，这批研究的参考价值主要在方法层面：基因组测序数据、常规监测数据与网络信号如何在同一套模型里被高效整合，以及模型校准速度提升之后，疫情研判能不能真正做到边走边算。这些都是可以独立于具体疫情去讨论的工程问题。