
科技行者 2月24日 北京消息:一大批计算机科学家正在追踪新冠病毒的动向。这种被正式定名为“COVID-19”的新型冠状病毒,可导致严重呼吸道疾病,重症者可致死,该病毒最初于2019年12月在武汉爆发,截至目前累计感染超过75000人,死亡人数以千计,尽管中国境内的新增病例数量已经开始下降,但人们普遍担心这波疫情会在新加坡、日本、韩国、香港以及泰国引发新一轮动荡。
来自波士顿东北大学(Northeastern University)计算机科学家Alessandro Vespignani已经开发出一种针对“COVID-19”的预测模型,他的团队打造出EpiRisk工具,用于评估感染者将疾病传播到世界其他地区的可能性,此外,该工具还能跟踪各国旅行禁令,核实政府管控是否有效。为阻止这波全球流行性疾病,Alessandro Vespignani介绍了计算机行业如何抵御疫情。
Alessandro Vespignani: 过去几天,我们看到不少振奋人心的迹象,特别是中国境内的新增病例在减少。
Alessandro Vespignani: 可以说没有特别的重点,因为我们得采取一切必要措施。我们需要了解中国内地的疾病传播情况,以及干预措施效果;我们需要了解,其他地区是否出现了疫情蔓延的信号;我们需要了解,是否已经有某些区域成为新的流行病中心。在这一阶段,每个问题都很重要,没有轻重缓急之分。
Alessandro Vespignani:EpiRisk工具建模方案的核心,在于利用一切可用的数据源。
目前,我们主要关注来自中国及其周边国家的监控数据,当然,社交媒体与新闻内容也会被整理起来。
首先,我们会对这种流行病进行建模,实现态势感知,特别是建立起对中国境外的疫情态势感知体系——因为我们已经基本掌握有多少人从中国疫情重灾区前往其他国家,所以配合目前国际上发现的COVID-19境外病例,就能基本推断出其他地区的疫情规模。一般来说,这类预测通常只能由官方确认并发布,但我们在掌握数据后往往能够提前做出这些预测。
接下来,我们会利用模型研究出行限制等干预性措施会给疾病的实际传播带来哪些影响。在武汉及其周边地区,机场全面关闭、长途运输叫停、学校停课。我们正努力了解这些措施能够在中国本土带来怎样的疫情控制效果,同时分析中国境外出现新增病例的可能性。
▲ 图为EpiRisk
Alessandro Vespignani:在我们这个领域中,工作内容基本分为两种:在不存在紧急状况或者健康威胁地,进行正常研究——或者说和平时期研究;另外就是现在这种,我们可以称其为「战争时期」。
遗憾的是,每当发生“COVID-19”疫情这类突发情况时,我们只能利用有限的数据配合一系列假设,对不断变化的形势做出有限的预测。有时候,新的消息一到,我们就得把前一天整理出的所有结果全部推翻。很忙,确实很忙。
但在这场战争中,真正冲锋陷阵的是那些前线医生、护士以及公共卫生人员,他们才是承担起风险的群体。作为计算机科学家与计算流行病学家,我们的工作为他们提供情报,帮助他们找出敌人的行动规律。
Alessandro Vespignani:我们经常跟其他研究团队以及机构进行全球电话会议,我在电话会议里见过的团队至少有80到100个。这些团队带来各种专业知识,有些团队负责进行系统发育分析与迁移建模,有些人主要关注预测、即时预报以及长期投影分析等等。与以往的流行病应对情况相比,如今各类科学团队与机构之间的协作与沟通水平,明显上了台阶。
Alessandro Vespignani:我觉得没必要。这有点像天气预报或者自然灾害预报。如果所有模型都指向同一个大体方向,而且结果基本保持统一,那么结果就是可信的。疾病建模也是如此,毕竟没有哪两套模型会完全相同。每个人都会使用不同的人口统计数据,对于某些年龄段的相对易感性采取不同的假设。如果非要把这么多不同的模型整合起来,肯定会带来新的问题——有新问题,就有与之对应的处理需求,这会让问题变得更复杂。
Alessandro Vespignani:例如,美国的疾控中心(美国疾病控制与预防中心)几年前曾建立“FluSight”项目,通过引入建模研究团队,协助预测季节性流感。这类项目最终建立起一个社区体系,并以为枢纽打通各机构之间的联系通道。世界各地的其他机构也参与到类似的体系中来,希望将原本分散的力量统一,为防疫抗疫提供辅助。
Alessandro Vespignani:肯定可以,项目中也包含诸如计算与算法开发之类的工作,既然不了解什么是计算流行病学,普通的计算机科学家也完全能够很好地解决这些任务。另外,如果大家有意参与其中,首先应该与已经在传染病建模领域具备一定经验的老手们合作,这样可以尽量规避最初接触时的种种常见错误,尽快投身到对抗疫情的核心工作当中。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。