剑桥AI模型力证口罩逆天作用:100%人口戴口罩,疫情根本不会扩散

简介: 为什么中国和韩国可以在短时间内就压制住病毒?

云栖号资讯:【点击查看更多行业资讯
在这里您可以找到不同行业的第一手的上云资讯,还在等什么,快来!

image

为什么中国和韩国可以在短时间内就压制住病毒?

为什么日本在社会秩序照常的情况下疫情甚至一直不温不火、没有爆发?

为什么拥有发达医疗资源的欧美社会在疫情传播过去之后一溃千里?

相信大多数东亚人心中都有一个简单的答案:戴口罩!

image

医疗体系再发达,顶不住欧美人民头铁啊。

image

全球很多研究人员也在致力于用科学研究证明戴口罩的重要性。

在本周发布的一项新的预印本研究中,剑桥大学,伦敦大学学院,巴黎高等经济学院,香港科技大学和芬兰家庭联合会的研究人员提出了两种人工智能模型,旨在预测戴口罩对新冠病毒传播的影响。

论文名字叫:《在新冠疫情大流行中,口罩普及迫在眉睫:SEIR和基于代理的模型、经验验证、政策建议》。

image

他们为了这项研究大声疾呼,甚至还出了一本通俗的宣传册,来告诉民众戴口罩的重要性。

image

模型表明,当至少有80%的人口参加时,戴上口罩会产生“重大影响”,而当低于50%的人选择戴口罩时,戴口罩产生的影响最小。其中一种交互式可视化模型可以在这里玩,你可以进去自己调参:

https://www1.icsi.berkeley.edu/~dekai/mirror/masksim/

进去之后你会看到这样一个页面:

image

该论文的结果与美国疾病控制与预防中心(CDC)和世界卫生组织(WHO)的指导相一致,两者均建议在公共场合戴口罩。

冠状病毒的传播主要通过呼吸道飞沫,当感染者咳嗽或打喷嚏时,飞沫可能会飞出去,落在别人的嘴或鼻子上。口罩被认为可以通过捕获更大的液滴来减少传播。

模拟结果确实有助于解释亚洲应对疫情方面“令人困惑的优势”:普及戴口罩的有效性,与采取社交隔离措施加上社会封锁的有效性相当。

1 戴口罩和其他措施相比效果到底如何?

第一个模型试图预测戴口罩与其他措施(主要是封城和物理距离)相比的屏蔽效果。

它将人群分为代表疾病进展不同状态的类别-易感,暴露,感染和康复-并使用动态网络密切模仿社会中人们之间的接触。

由节点和边组成的图形表示个人(节点)及其交互(边),相邻节点形成一个人的“紧密接触”网络。

从该网络以外的任何地方进行的联系都象征着更广泛的人群之间的全球联系。

image

通过改变影响互动程度和平均亲密接触次数的参数,研究人员能够使用该模型来衡量各种程度的社会疏远和封锁措施。

为了研究方便,适应大多数西方国家被感染的时间表,他们假设从最初的1%感染人口(67000)开始,在3月24日实施了锁定,并计划于5月31日解除锁定。

然后,他们模拟了从第0天(3月23日)到未来的500天——大约17个月的时间内发生的变化。

该团队报告说,模拟显示,采用率达到80%时,戴口罩使感染曲线变平的程度远大于封城(前者导致60000例死亡,而后者是180000例,相差三倍)。

同时,50%的口罩普及率还不足以防止持续蔓延(会造成24万人死亡),并且,在5月31日起以社会隔离代替严格的封城,同时不戴口罩的话,蔓延将无法控制。

image

2 不同口罩区别如何?

第二个模型采用基于代理的技术,各个软件代理“佩戴”具有不同属性(例如,布或外科)的口罩。

在200人的人口基数里,假设感染率为1%,研究人员模拟了疫情爆发后300天的情况,改变了人们戴着口罩和口罩的程度传输(呼气)和吸收(吸气)的特性。

基于代理的模拟结果表明,只要戴口罩足够早,即使口罩是非医疗用或自制的,也可以减少病毒传播。

爆发时口罩采用率如果达到100%,会导致感染数量“急剧”减少,而90%的采用率会使得疫情在50天后被“抑制”。

同时,发现50%的采用率是一个不足的水平,要等到第75天宣布戴口罩的政策后,感染程度才能降低。

这两个研究人员的模型都表明,如果4/5的人在封锁解除之前开始在公共场所戴着布口罩,那么疫情扩散的程度足以取消封锁并避免第二波感染。

另一方面,如果只有2/5的人戴口罩,则感染率虽然会大幅下降,但可能不足以阻止第二波感染。

如果不戴口罩,一旦解除封锁,即使社交隔离仍然持续,病毒依然会感染几乎一半的人口。这可能导致英国总共超过一百万的死亡人数。

如果不进行屏蔽,则在九周后解除封锁,同时保持社会疏远措施,将有可能在4-5个月的时间内造成第二波主要流行病的危险。

持续的封城+不戴口罩,最终会使疾病得到控制,但是全面封锁的经济和社会成本将是巨大的,这会推动人们努力寻找替代解决方案。

蓝线是从没得过病的人,绿线是康复的人,红线是患者数量。(看粗线即可)

image

对,你没看错。如果100%的人口戴口罩,即使过了300天,曲线也基本是恒定水平的,在社会完全放开的情况下患病率才不到10%。

基于研究结论,研究人员们敦促尚未这样做的政府和国际机构将戴口罩作为人口政策中的关键工具之一,直到病毒得到控制:

“口罩的普及、大规模检测、再加上对确诊病例的跟踪和隔离以及社会隔离——这为我们展示了在冠状病毒时代迈向可持续生活方式的道路。”

【云栖号在线课堂】每天都有产品技术专家分享!
课程地址:https://yqh.aliyun.com/live

立即加入社群,与专家面对面,及时了解课程最新动态!
【云栖号在线课堂 社群】https://c.tb.cn/F3.Z8gvnK

原文发布时间:2020-05-13
本文作者:啸林
本文来自:“网易智能”,了解相关信息可以关注“网易智能

相关文章
|
1月前
|
机器学习/深度学习 人工智能 并行计算
"震撼!CLIP模型:OpenAI的跨模态奇迹,让图像与文字共舞,解锁AI理解新纪元!"
【10月更文挑战第14天】CLIP是由OpenAI在2021年推出的一种图像和文本联合表示学习模型,通过对比学习方法预训练,能有效理解图像与文本的关系。该模型由图像编码器和文本编码器组成,分别处理图像和文本数据,通过共享向量空间实现信息融合。CLIP利用大规模图像-文本对数据集进行训练,能够实现zero-shot图像分类、文本-图像检索等多种任务,展现出强大的跨模态理解能力。
87 2
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
当语言遇见智慧火花:GPT家族历代模型大起底,带你见证从平凡到卓越的AI进化奇迹!
【10月更文挑战第6天】随着自然语言处理技术的进步,GPT系列模型(Generative Pre-trained Transformers)成为该领域的明星。从GPT-1的开创性工作,到GPT-2在规模与性能上的突破,再到拥有1750亿参数的GPT-3及其无需微调即可执行多种NLP任务的能力,以及社区驱动的GPT-NeoX,这些模型不断进化。虽然它们展现出强大的语言理解和生成能力,但也存在如生成错误信息或偏见等问题。本文将对比分析各代GPT模型的特点,并通过示例代码展示其部分功能。
113 2
|
23天前
|
人工智能
AI科学家太多,谁靠谱一试便知!普林斯顿新基准CORE-Bench:最强模型仅有21%准确率
【10月更文挑战第21天】普林斯顿大学研究人员提出了CORE-Bench,一个基于计算可重复性的AI代理基准,涵盖计算机科学、社会科学和医学领域的270个任务。该基准旨在评估AI代理在科学研究中的准确性,具有多样性、难度级别和现实相关性等特点,有助于推动AI代理的发展并提高计算可重复性。
41 4
|
1月前
|
人工智能 自然语言处理
从迷茫到精通:揭秘模型微调如何助你轻松驾驭AI新热点,解锁预训练模型的无限潜能!
【10月更文挑战第13天】本文通过简单的问题解答形式,结合示例代码,详细介绍了模型微调的全流程。从选择预训练模型、准备新任务数据集、设置微调参数,到进行微调训练和评估调优,帮助读者全面理解模型微调的技术细节和应用场景。
69 6
|
1月前
|
人工智能 自然语言处理 安全
【通义】AI视界|Adobe推出文生视频AI模型,迎战OpenAI和Meta
本文精选了过去24小时内的重要科技新闻,包括微软人工智能副总裁跳槽至OpenAI、Adobe推出文本生成视频的AI模型、Meta取消高端头显转而开发超轻量设备、谷歌与核能公司合作为数据中心供电,以及英伟达股价创下新高,市值接近3.4万亿美元。这些动态展示了科技行业的快速发展和激烈竞争。点击链接或扫描二维码获取更多资讯。
|
1月前
|
机器学习/深度学习 人工智能 TensorFlow
解锁AI潜力:让开源模型在私有环境绽放——手把手教你搭建专属智能服务,保障数据安全与性能优化的秘密攻略
【10月更文挑战第8天】本文介绍了如何将开源的机器学习模型(如TensorFlow下的MobileNet)进行私有化部署,包括环境准备、模型获取与转换、启动TensorFlow Serving服务及验证部署效果等步骤,适用于希望保护用户数据并优化服务性能的企业。
52 4
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
揭开模型微调Fine-Tuning的神秘面纱:如何在预训练基础上巧妙调整,解锁定制AI解决方案的秘密武器
【10月更文挑战第8天】模型微调是在预训练模型基础上,利用特定领域数据进一步训练,以优化模型在特定任务上的表现。此方法广泛应用于自然语言处理和计算机视觉等领域,通过调整预训练模型的部分或全部参数,结合适当的正则化手段,有效提升模型性能。例如,使用Hugging Face的Transformers库对BERT模型进行微调,以改善文本匹配任务的准确率。
57 1
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
【AI大模型】BERT模型:揭秘LLM主要类别架构(上)
【AI大模型】BERT模型:揭秘LLM主要类别架构(上)
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
【AI大模型】ChatGPT模型原理介绍(下)
【AI大模型】ChatGPT模型原理介绍(下)
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
【AI大模型】ChatGPT模型原理介绍(上)
【AI大模型】ChatGPT模型原理介绍(上)