自动化的博弈：ERA 系统如何通过逻辑树重构大流行建模的生命周期

在公共卫生预测的传统工作流中，人类专家的认知带宽始终是系统的木桶短板。面对呼吸道病毒复杂的演化空间，单一模型往往在“过度简化”与“过度拟合”之间摇摆。

ERA (Empirical Research Assistance) 系统提供了一个基于自主代理的解题路径：它不再试图“教会”AI 预测，而是让 AI 自主“搜索”最优的预测逻辑。

一、 逻辑架构：从线性建模到树状搜索

ERA 的核心机制可以解构为蒙特卡洛树搜索 (MCTS) 在建模领域的变体。其运作逻辑遵循以下路径：

1. 节点扩展 (Node Expansion)：由 LLM 充当“首席架构师”，基于当前已有的模型原型（如：含有气温协变量的统计模型），提出 5-10 个可能的演进方向。
2. 路径回测 (Backtesting)：每个生成的代码变体立即进入自动化流水线，在历史历史数据上进行滚动评估。
3. WIS 评分 (Weighted Interval Score)：系统采用 WIS 指标作为“进化压力”，筛选出那些不仅点预测准，且概率分布覆盖率更高的优胜者。

WIS (Weighted Interval Score)：流行病学中用于评估概率预测质量的核心指标。它同时惩罚“不准确性”（偏离真实值）和“过度自信”（预测区间过窄而未覆盖真实值）。

二、 信息密度：数据背后的因果耦合

在 2025-2026 赛季的实测中，ERA 展现了对非线性信号的敏感捕获。

三、 生物学 Judge：锚定物理真实性

ERA 与单纯的数据驱动模型（Data-driven）最大的区别在于其 Biological Judge 模块。这是一个基于第一性原理的审计层：

如果树搜索生成的模型参数（如：病毒传播系数 \(R_0\)）超出了生物学常识范围，即便它在历史数据上拟合得再完美，也会被“法官”一票否决。这确保了系统输出的是**“科学模型”而非“数字游戏”**。

四、 结论与系统边界

ERA 证明了：建模生命周期的自动化，是解决科学人力瓶颈的必经之路。

然而，ERA 并非万能。调查显示，系统在处理社交媒体等非结构化协变量时，依然存在“解释性噪音”。如何在高维度的社会行为数据与低维度的生物特征之间建立更稳健的因果桥梁，将是 ERA 2.0 的核心攻关方向。

📚 论文详细信息 (Paper Appendix)