人工智能(AI)正在迅速改变全球健康决策的核心工具，包括疾病控制政策、资金分配和疫苗接种策略等领域，例如传染病建模。宾夕法尼亚州立大学Huck生命科学研究所传染病动力学中心主任、生物学教授Matt Ferrari表示，这为建模领域带来了新的机遇，但也可能加剧现有的不平等。
"人们对人工智能、机器学习和计算工具将民主化科学和政策影响力的获取存在不合理的乐观，"Ferrari表示，"如果天真地对待AI，它很可能会强化现有的不平等，因此我们应该积极主动地避免这种情况。"
Ferrari是麻疹分析中心(MAH)的科学联合主席，这是一个致力于减轻麻疹负担的全球网络。MAH已开发出一个公平研究合作伙伴关系的框架，以开发高质量的情境化分析证据，从而实现更明智的决策。
在《PLOS全球公共健康》杂志最近的一篇评论文章中，Ferrari和他的MAH同事讨论了他们通过MAH学到的经验如何应用于AI和传染病建模。
在这次问答中，Ferrari谈到了数学建模在公共卫生中的作用，AI和大型语言模型(LLMs)在传染病建模中的前景和陷阱，以及有意的合作如何重塑传染病科学的未来。
为什么我们在传染病研究中使用数学建模？
有许多问题无法通过传统的观察或实验技术来回答——有时出于伦理原因，有时出于操作原因。还有一些数量在现实世界的观察研究中根本无法测量。
以疫苗接种政策为例。如果我们想知道改变疫苗接种计划的时间或交付方式是否能拯救更多生命，我们不能出于伦理原因进行一项故意对一个群体不提供疫苗的试验来找出答案。数学模型让我们在一个安全的计算空间中探索这个问题，并建立证据基础来证明尝试新方法的合理性。
"我认为我们大多数制作数学模型的人都认识到，我们是最后的手段。如果你能进行实验或观察研究，那就去做。当你不能时，那就是你使用数学模型的时候。"
LLMs、机器学习和其他AI工具越来越多地用于传染病建模，自动化流程并快速处理数据。对这些工具及其整合方式存在哪些担忧？
"计算工具、机器学习和AI的创新速度很快，每个人都很兴奋。因为兴奋，他们在前进时没有抬头看后果，因为他们只看到潜力。但除非我们停下来使这些工具具有伦理性和公平性，否则这种潜力将无法实现。这意味着认识到创新，认识到谁被抛在后面，然后在这两者之间架起一座桥梁。"
你和MAH的同事在解决创新与被抛在后面的人之间的这种紧张关系方面非常有意图。为什么？
"MAH的诞生源于这样一种认识：不应该有一个人或一个群体成为政策制定者和大型组织（如世界卫生组织、盖茨基金会或Gavi疫苗联盟）的建模和计算分析的唯一来源。如果我们有多个群体、多个视角共享信息并致力于解决重大政策问题的不同方法，我们会更好。
问题是政策制定者一再回到同样的可信群体。这意味着我们没有获得多样化的想法或方法。相反，我们得到的是嵌入在答案中的个人和群体层面的偏见。那些最容易接触政策制定者的群体不成比例地集中在北美和欧洲。建模分析起源于高收入国家，而这些国家并非麻疹流行地区，即使它们应该为中低收入国家的政策提供信息。
与此同时，麻疹流行国家的杰出科学家每天都能看到流行病学、操作和后勤限制以及财务现实。他们为我们要解决的问题带来了宝贵的背景，并帮助指导我们的模型和分析以满足实际需求。但他们获得计算和学术资源的机会较少，也没有接触政策制定者的渠道。他们孤立地工作。
MAH的目标是有意利用获取和机会，将社区聚集在一起，这样我们就不会孤立工作或从远处工作。"
你看到传染病建模发生的情况与现在AI发生的情况之间有哪些相似之处？
"在获取资源和通过政策领域获取科学影响力方面，存在着类似的结构性挑战和不平等，这些不平等正在通过AI的快速发展而得到强化。
例如，如果你看一下LLMs的商业模式，营利性公司开发并发布免费版本以吸引人们参与。一旦他们达到计算能力，他们就开始收费。能够负担高级访问权限的人获得最先进的工具，从而造成获取最佳工具的差异。想要最佳证据的政策制定者会去找使用最佳工具的群体，导致学术"拥有者"和"无拥有者"之间的差距扩大。
还有一个数据问题。目前，AI模型和工具训练的数据库几乎不包括世界上大多数中低收入国家。因此，这些模型产生的结果将不代表这些国家。如果你想要一个能够情境化响应的模型，以便能够代表撒哈拉以南非洲、南亚或中东的结果，你需要使用来自这些地方的数据进行训练。"
MAH如何解决这些公平性挑战？哪些经验可以应用于AI和LLMs？
"通过MAH，我们认识到，将历史上被排除在外的群体带入讨论，并扩大我们在知识社区中拥有的专业知识、经验和背景的范围，将使我们的科学变得更好。要使这一点发挥作用，需要我们这些从创新、学术资源以及与政策制定者的接触和信任中受益的人，愿意放弃其中一些，以便带领其他人一起前进。
我们所建立的是与国家内部专家和全球合作伙伴共同创造和共同领导的，以确保情境相关性和公平性。我们使用有意图的工具来做到这一点。例如，我们为来自中低收入国家的研究人员参加国际会议提供网络和指导的费用。我们重新分配来自盖茨基金会等资助者的资金，并要求任何获得资助的提案都包括来自麻疹流行国家的研究人员。
MAH的工作为我们提供了一个工具包和路线图，用于在AI领域重新平衡天平。这需要适当和有意图的投资——为数据付费，为数据的数字化付费——在那里，你为那些无法负担许可费的社区的信息创造市场价值，而这些内容是他们唯一有价值的主要资源。
我希望AI、机器学习和计算工具的发展——甚至是商业模式——仍然足够新，有机会提前应对，现在就使这些工具具有伦理性和公平性，这样我们以后就不必拆解一个糟糕的商业模式了。"
【全文结束】
