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
|
8天前
|
人工智能
AniDoc:蚂蚁集团开源 2D 动画上色 AI 模型,基于视频扩散模型自动将草图序列转换成彩色动画,保持动画的连贯性
AniDoc 是一款基于视频扩散模型的 2D 动画上色 AI 模型,能够自动将草图序列转换为彩色动画。该模型通过对应匹配技术和背景增强策略,实现了色彩和风格的准确传递,适用于动画制作、游戏开发和数字艺术创作等多个领域。
70 16
AniDoc:蚂蚁集团开源 2D 动画上色 AI 模型,基于视频扩散模型自动将草图序列转换成彩色动画,保持动画的连贯性
|
17天前
|
人工智能 安全 测试技术
EXAONE 3.5:LG 推出的开源 AI 模型,采用 RAG 和多步推理能力降低模型的幻觉问题
EXAONE 3.5 是 LG AI 研究院推出的开源 AI 模型,擅长长文本处理,能够有效降低模型幻觉问题。该模型提供 24 亿、78 亿和 320 亿参数的三个版本,支持多步推理和检索增强生成技术,适用于多种应用场景。
69 9
EXAONE 3.5:LG 推出的开源 AI 模型,采用 RAG 和多步推理能力降低模型的幻觉问题
|
19天前
|
机器学习/深度学习 人工智能
SNOOPI:创新 AI 文本到图像生成框架,提升单步扩散模型的效率和性能
SNOOPI是一个创新的AI文本到图像生成框架,通过增强单步扩散模型的指导,显著提升模型性能和控制力。该框架包括PG-SB和NASA两种技术,分别用于增强训练稳定性和整合负面提示。SNOOPI在多个评估指标上超越基线模型,尤其在HPSv2得分达到31.08,成为单步扩散模型的新标杆。
61 10
SNOOPI:创新 AI 文本到图像生成框架,提升单步扩散模型的效率和性能
|
19天前
|
人工智能 搜索推荐 开发者
Aurora:xAI 为 Grok AI 推出新的图像生成模型,xAI Premium 用户可无限制访问
Aurora是xAI为Grok AI助手推出的新图像生成模型,专注于生成高逼真度的图像,特别是在人物和风景图像方面。该模型支持文本到图像的生成,并能处理包括公共人物和版权形象在内的多种图像生成请求。Aurora的可用性因用户等级而异,免费用户每天能生成三张图像,而Premium用户则可享受无限制访问。
58 11
Aurora:xAI 为 Grok AI 推出新的图像生成模型,xAI Premium 用户可无限制访问
|
22天前
|
机器学习/深度学习 人工智能 编解码
【AI系统】Transformer 模型小型化
本文介绍了几种轻量级的 Transformer 模型,旨在解决传统 Transformer 参数庞大、计算资源消耗大的问题。主要包括 **MobileVit** 和 **MobileFormer** 系列,以及 **EfficientFormer**。MobileVit 通过结合 CNN 和 Transformer 的优势,实现了轻量级视觉模型,特别适合移动设备。MobileFormer 则通过并行结构融合了 MobileNet 和 Transformer,增强了模型的局部和全局表达能力。
57 8
【AI系统】Transformer 模型小型化
|
21天前
|
存储 人工智能 PyTorch
【AI系统】模型转换流程
本文详细介绍了AI模型在不同框架间的转换方法,包括直接转换和规范式转换两种方式。直接转换涉及从源框架直接生成目标框架的模型文件,而规范式转换则通过一个中间标准格式(如ONNX)作为桥梁,实现模型的跨框架迁移。文中还提供了具体的转换流程和技术细节,以及模型转换工具的概览,帮助用户解决训练环境与部署环境不匹配的问题。
35 5
【AI系统】模型转换流程
|
21天前
|
机器学习/深度学习 存储 人工智能
【AI系统】模型转换基本介绍
模型转换技术旨在解决深度学习模型在不同框架间的兼容性问题,通过格式转换和图优化,将训练框架生成的模型适配到推理框架中,实现高效部署。这一过程涉及模型格式转换、计算图优化、算子统一及输入输出支持等多个环节,确保模型能在特定硬件上快速、准确地运行。推理引擎作为核心组件,通过优化阶段和运行阶段,实现模型的加载、优化和高效执行。面对不同框架的模型文件格式和网络结构,推理引擎需具备高度的灵活性和兼容性,以支持多样化的应用场景。
50 4
【AI系统】模型转换基本介绍
|
21天前
|
机器学习/深度学习 人工智能 算法
【AI系统】模型压缩基本介绍
模型压缩旨在通过减少存储空间、降低计算量和提高计算效率,降低模型部署成本,同时保持模型性能。主要技术包括模型量化、参数剪枝、知识蒸馏和低秩分解,广泛应用于移动设备、物联网、在线服务系统、大模型及自动驾驶等领域。
61 4
【AI系统】模型压缩基本介绍
|
21天前
|
机器学习/深度学习 存储 人工智能
【AI系统】模型剪枝
本文概述了模型剪枝的概念、方法及流程,旨在通过移除神经网络中冗余或不重要的参数,实现模型规模的减小和效率的提升。剪枝不仅有助于降低模型的存储和计算需求,还能增强模型的泛化能力。文章详细介绍了剪枝的定义、分类、不同阶段的剪枝流程,以及多种剪枝算法,如基于参数重要性的方法、结构化剪枝、动态剪枝和基于优化算法的全局剪枝策略。通过这些方法,可以在保持模型性能的同时,显著提高模型的计算速度和部署灵活性。
29 2
【AI系统】模型剪枝
|
18天前
|
机器学习/深度学习 人工智能
一个模型走天下!智源提出全新扩散架构OmniGen,AI生图进入一键生成时代
智源研究院推出OmniGen,一种全新的扩散模型,旨在克服现有图像生成模型的局限性。OmniGen能处理文本到图像、图像编辑等多任务,具备高效、简洁的架构,仅含VAE和预训练Transformer。通过大规模统一数据集X2I训练,OmniGen展现了强大的多任务处理能力和知识转移能力,适用于虚拟试穿、图像修复等多个领域。尽管如此,OmniGen在特定任务上的性能、训练资源需求及可解释性等方面仍面临挑战。
41478 20