病毒不听新闻稿：当预测面对大自然

三部曲 · 当世界不再讲情面（一）：在病房里，AI 第一次发现它的修辞毫无用处。

🏥 六周之后的病房

设想你是一家地区医院的总护士长。每年十月，你都要做一件残酷的决定题：流感季到底会多严重？要不要提前多排两个班的护士？要不要把三楼的骨科病房腾一半出来改成呼吸科备用床位？采购呼吸机要等六周的供货期，培训临时护士要一个月，腾病房要协调三个科室的排期——等你确认了答案，就再也来不及准备了。

如果只能提前一周知道病人要涨，你唯一能做的就是把现有的护士往死里排班。如果提前六周知道，你就可以从容地招聘临时工、采购设备、调整手术室排期。公共卫生部门面对的是同一个算术：疫苗要生产，物资要调拨，宣传要启动，学校要不要停课、大型活动要不要取消，每一样都需要时间。预测的战线每拉长一周，能挽救的东西就多一分。

然而这正是传染病预测最尴尬的地方。流感的峰什么时候到？新冠的波什么时候转折？登革热的雨季曲线长什么样？这些问题，人类现有的预测系统大多只能可靠地回答"未来一到四周"。超过这个范围，预测就像一张过期的地图——大致方向也许对，但已经不敢拿来指路了。而公共卫生真正需要的恰恰是更远的预警：医院的扩容方案是按季度做的，疫苗的生产周期是按季度算的，预算的审批流程按月计。四周的预测，管不了六周的事。

为什么传染病预测这么难？因为你在和一个不守规矩的对手下棋。病毒的传播取决于免疫水平的变化、病原体的变异、人群行为的波动、甚至监测口径的调整——这些因素每一个都在随时间变化，让历史数据的可比性不断衰减。你去年观察到的曲线，今年可能因为人群免疫背景的细微不同而完全失真。更麻烦的是，对新发传染病，你根本没有历史。一个刚冒出来的病原体，监测记录可能只有几周。2020 年初，全世界面对新冠时手里握着的数据就是这样——几条曲线，几周的长度，和一个正在指数增长的未知数。在那样的时刻，每一个能给出一点半个月提前量的工具，都不是"锦上添花"，而是在替人争时间。

今天解读的论文 Mantis 2，来自美国密歇根大学 Marisa Eisenberg 团队，它想回答的正是这个问题：能不能造一个通用的传染病预测模型——不用为每一种病单独训练，能同时预测最多六种相关变量，把战线拉到十六周之外，而且在数据稀缺的地区同样能用？

📈 先讲基础课：预测这件事，为什么"通用"很难

在机器学习的世界里，时间序列预测最近经历了一场"基础模型化"的革命。Chronos、TimesFM、Moirai 这些模型做的事情，本质上和 GPT 预测下一个词一样：只不过它们预测的是下一周的数字。它们在成千上万个时间序列上预训练，学会了一种通用的"曲线直觉"——什么样的形状像趋势、什么样的波动像噪声、季节性的节奏通常怎么展开——然后可以零样本迁移到没见过的新序列上。这种"一个模型走天下"的思路，正是基础模型的看家本领。

这个思路听起来很美，但搬到传染病领域就会撞墙。原因很朴素，而且不止一堵。

第一堵墙是覆盖不均。你在网上能找到的训练数据，本身就带着严重的偏科。美国的呼吸道传染病监测（流感、新冠）数据又多又好，因为美国投入了大量资源建设监测系统，周报制度运转了几十年；而登革热流行的新加坡、尼加拉瓜、印尼，或者非洲的 Mpox 疫情，数据质量参差不齐，历史长度也短得多，有些监测站甚至时断时续。一个在这种偏科数据集上训练出来的模型，会不自觉地把"美国流感的节奏"当成默认节奏，换到另一种病、另一个国家，就可能水土不服。

第二堵墙是观测偏差。监测数据记录的不是疫情本身，而是"被看见的那部分疫情"。报告延迟让今天的数字其实描述的是两周前的局面；漏报让真实曲线永远藏在观测曲线之下；而检测能力的变化会让同一场疫情在不同月份的"可见度"完全不同。模型如果只学观测数据，学到的其实是"监测系统如何工作"，而不完全是"疫情如何传播"。

两堵墙加在一起，就引出了一个公共卫生的公平性隐忧：如果预测模型的质量依赖当地历史监测数据的丰富程度，那么数据最匮乏的地方——往往也是最需要预测的地方——得到的帮助最少。 一个只为数据富矿优化的预测系统，会把全球公共卫生的既有不平等再放大一层。

这就引出了这篇论文最关键的设计抉择：与其只让模型读历史，不如让模型进模拟器。

🧪 在模拟器里出生

想象你要训练一个自动驾驶系统。你不会只让它看真实路况的录像——因为真实录像里，事故太少、天气太单一、行人太配合。你会给它一个高保真的驾驶模拟器，在里面制造暴雨、暴雪、夜晚、行人乱穿马路、前车急刹。模拟出来的世界不是真实世界，但它编码了物理规律，能提供真实世界给不了的多样性——你可以让同一场景重演一万遍，每一遍改一个变量，直到模型见过几乎所有可能的局面。

Mantis 系列的核心思想，就是把流行病学模拟器当作 AI 的驾驶模拟器。

这个模拟器叫 Reservoir，它能模拟疾病的传播机制——人传人、虫媒传播、环境传播；能模拟无症状感染、隔离、暴露前和暴露后预防等干预手段；甚至能模拟监测过程本身的失真——漏报、报告延迟、统计口径的抖动。你在里面可以批量"制造"出两万场虚拟疫情：有的像流感一样季节性起伏，有的像新冠一样陡升陡降，有的暴发凶猛但很快被控制住，还有的传播缓慢但绵延不绝。这些虚拟疫情不是真实数据，但它们承载着流行病学的科学先验——什么样的曲线是合理的、什么样的暴发是可能的、干预措施通常如何让曲线弯折。

Mantis 的第一代（2025 年的前作）已经证明了一件惊人的事：一个完全在模拟数据上训练的模型，就能预测真实世界的疾病趋势——哪怕它从没见过一条真实的病例曲线。这在当时的意义，就像是一个只在飞行模拟器里练过的飞行员，第一次上真飞机就平稳落地。它也印证了一条 AI for Science 的元规律：当机理知识可以被计算化时，模拟器就是无限的数据工厂。

多变量联合预测还有一个单变量方案给不了的好处：信号互证。污水监测往往比病例报告更早露出疫情抬头的迹象，但污水信号嘈杂；病例报告滞后但直接；天气数据能解释传播条件却不直接描述疫情。分开预测时，每种信号都要独自对抗自己的噪声；联合预测时，模型可以学着用污水曲线的微弱抬升去修正病例曲线的判断，用天气的转冷去佐证住院数的上升。这就像一个会诊：内科、检验科、影像科各说各话时诊断最难，三个人对着同一张桌子讨论时，结论会稳得多。

但前作留下了几个未解的问题。它一次只能预测一个变量、最多加一个协变量——可现实中的疫情是多头并进的：病例数、住院数、污水里的病毒浓度、天气、死亡数，这些信号互相印证，分开预测就丢掉了关联。预测范围只有八周，可用历史只有 112 周。更重要的是，一个纯粹的"模拟器毕业生"究竟该不该接触真实数据？如果需要，比例该怎么配？没有人系统回答过。这就像知道驾校毕业生能上真路，但没人研究过"多少模拟课时配多少真实路况"才能练出最好的司机。

🔬 Mantis 2：模拟与现实的双料学徒

Mantis 2 是这场实验的升级版。它的训练食谱里同时有两种食材：一千多个真实世界的疫情场景（来自全球各地的监测数据），加上 两万个 Reservoir 模拟场景。它用最长 512 周（将近十年）的历史数据做输入，一次性联合预测未来十六周、最多六种相关变量——让病例数、住院数、污水监测、天气、死亡数这些信号互相作证。如果只有 8 周历史可用，它也能工作——这个下限设计不是装饰，而是针对新发疫情和新设监测站的刚需。

具体架构上，数据先按周聚合，缺失值用样条插值补齐，然后经过反双曲正弦变换（一种压低极端大值的方差稳定手段，让疫情暴发时动辄翻十倍的数字不至于掀翻训练）和实例归一化。值得一提的是发布的 Mantis 2 使用了一种课程学习策略：训练早期模拟数据占七成，随后逐步降到零——综合下来约 35% 的合成比例。为什么先模拟后真实？直觉和飞行员训练一致：先在模拟器里建立对"疫情世界各种可能形态"的完整概念，再用真实数据校准对现实世界的细节判断。这个设计细节后面会很重要。

但论文最硬核的贡献不是模型本身，而是它顺手做了一场大规模的"配比实验"：如果把合成数据比例从 0% 一路调到 100%（每 10% 一档，共十一档），在预测时给模型不同长度的本地历史（8 周、16 周、26 周、52 周、104 周），会发生什么？这是把一个工程问题——"训练数据怎么配"——提升成了一条关于知识本质的定律。

📊 数字说话：模拟数据是穷地方的雪中送炭

先看主战场。研究团队在 30 个"疾病×地区"预测任务上评估了 Mantis 2，覆盖 23 种疾病、11 个国家、8 种传播类别。任务的构成很值得细看：既有训练集里见过的疾病和地区（in-domain），也有训练时完全没见过的（out-of-domain）——COVID-19、耳念珠菌（Candida auris）、耐碳青霉烯肠杆菌科（CRE）、厄瓜多尔的登革热、脑膜炎、麻疹、泰国的区域性疫情、塞拉利昂的 Mpox、刚果的埃博拉、埃塞俄比亚的霍乱。换句话说，这场考试里有一大半题目，出卷人知道模型从没刷过。

对比的六个对手包括最强的时间序列基础模型 Chronos-2、一个三层 LSTM，以及 ETS、SARIMA、季节性朴素和 persistence 这些传统统计基线。传统的统计模型和 LSTM 是每个疾病单独训练的——它们拿到了 Mantis 2 拿不到的待遇（针对每个任务重新拟合），而 Mantis 2 和 Chronos-2 是零样本直接上场。即便如此，结果依然一边倒：

• 评价指标用的是加权区间分数（WIS）——它奖励"预测区间窄"，同时惩罚"真实值落在了预测区间外"，是对概率性预测最标准的打分，相当于同时考察"猜得准"和"对自己多有把握"。在短（1-4 周）、中（1-8 周）、长（1-16 周）三个时间尺度上，Mantis 2 的聚合 log-WIS 全部最低，平均排名 1.33——30 个任务里 22 个第一、7 个第二。
• 与最强对手 Chronos-2 的配对 Wilcoxon 符号秩检验显示优势显著（P < 0.001）。

一个常被忽略的细节：域内（in-domain）任务和域外（out-of-domain）任务的差距。域外任务的 log-WIS 整体比域内差——模型对没见过的新病新地区确实更吃力，这不是魔法。但即便如此，它在域外仍然压住了所有基线。在公共卫生语境里，这个"域外仍然可用"的性质比域内的漂亮分数值钱得多——因为每一次真正需要它的时刻，几乎都是一场"没见过的新疫情"。

这些数字背后还有一个值得记住的分数：在与前作的受限对比中，Mantis 2 把池化的 WIS 降低了 31.42%，27 个数据集全部改善，改善幅度从 10.37% 到 45.55%。也就是说，相比一个已经在真实政府机构服役的上一代，这一代的进步不是边际改良，而是把误差直接砍掉三成。

再看峰预测——这是全文最精彩的数字，也最接近公共卫生决策的真痛点。峰预测难在哪？模型可以一边看着病例上涨一边说"下周还会涨"，这很容易，外推就是了；难的是在转折点到来之前就说"快涨到头了"。真正的规划问题不是"下周多少病人"，而是"这波还要涨多久、什么时候开始退、高位平台会持续几周"。团队汇总了 3725 个观测到的真实疫情峰值，检查模型是否能在峰值的 ±2 周内命中：

• Mantis 2 正确预测了 超过 80% 的峰值；
• Chronos-2 为 73%；
• 季节性朴素法 46.3%，ETS 38.2%，LSTM 31.7%——传统方法在这个最实际的任务上集体哑火；
• persistence（预测下周等于本周）干脆是 0%——它永远预测"还会涨"，永远追不上转折点。
• 换句话说，Mantis 2 比 Chronos-2 少漏掉约 30% 的峰，而成功命中的预测平均提前 6.43 周 发出预警——接近一个半月。

在一场新发疫情里，一个半月意味着什么，经历过 2020 年的人都明白。医院的呼吸科扩编、疫苗的紧急追加订单、公共宣传的节奏——这些动作的收益几乎完全由提前量决定。

⚖️ 核心发现：模拟数据的价值，取决于你手里有多少真凭实据

现在回到那场配比实验。直觉上你可能会问：既然模拟器那么强大，直接全用模拟数据不就完了？或者反过来，真实数据才是王道，模拟数据只是次等的代餐？

实验给出的答案比这两种极端都微妙得多——它取决于模型在预测时能拿到多长的本地历史。这是一个训练分布与预测条件之间的交互作用， prior work 里没人刻画过。

当模型只有 8 周本地观测数据时（比如一场刚暴发的新疫情），含 80% 和 90% 合成数据的模型分别把中位 WIS 降低了 7.9% 和 9.3%——模拟数据的"科学先验"在雪中送炭。但当历史拉长到 104 周（两年数据）时，同样的配方反而让 WIS 变差了 0.5% 和 1.2%。纯模拟训练在 8 周历史时提升 8.2%，在 104 周历史时恶化 11.1%。一句话：历史越短，模拟越值钱；历史越长，真实越值钱。 这不是哪个数据集更好的问题，而是两种知识在什么条件下互补的问题。

这个发现还有一层反转，足以纠正领域里的直觉性误判：某些疾病（比如天花、百日咳）在完整历史下看似"偏好真实数据"——在 104 周上下文中，观测训练的配方确实更好。但如果把历史截短到 8 周，80% 合成配方反而让它们分别提升 8.8% 和 18.3%。"这种病不适合模拟"的结论，在数据稀缺时根本不成立。 任何"某疾病偏好某类训练数据"的论断，都必须加上"在多少历史条件下"这个限定词。

更有意思的是极端错误的频率。把"灾难性预测"定义为误差超过该数据集平均 WIS 的五倍：纯真实训练下这类错误占 0.364%，而 80%/90% 合成训练分别降到 0.261% 和 0.207%。放大到十倍误差的门槛：0.060% 对 0.017%。模拟数据的作用不是让模型平均更聪明，而是给模型装上保险杠——防止它在缺乏证据时做出离谱的预测。 对公共卫生的实际使用者来说，这个性质可能比平均准确率更重要：一个偶尔说"下周病例翻五十倍"的模型，一次就会摧毁决策者的信任，然后把整个系统雪藏。

用一个比喻收束：模拟训练给模型的是一幅流行病学世界的"先验地图"——它知道疫情大致有哪些种形状、各自概率几何、干预会怎么改变地形。当你对这个地方一无所知时（新发疫情），这张地图能救命；但当你已经在这里生活了两年（104 周历史），手里的实地考察记录当然比任何地图都可靠。最好的预测者不是只看地图或只看实地的人，而是知道什么时候该信哪一个的人。

这个发现对 AI for Science 的启示远超流行病学。气候预测、电网负荷、农作物病害、地质灾害——所有"真实数据稀缺而机理知识丰富"的领域，都站在同一条岔路口上：是等数据，还是用模拟器先训起来？Mantis 2 给出的答案很干脆：先训起来，但把混合比例的旋钮留给预测时的数据条件。

🧭 冷静反思：这不是水晶球

在展开局限之前，先标明这篇工作在科学地图上的坐标。它不是第一个用模拟数据训练预测模型的——Simulation-Grounded Neural Networks 早已在气象、流体等领域走过"模拟先行"的路；也不是第一个做通用时间序列预测的——Chronos 家族是它的直接精神祖先。它真正的增量在于两点：一是把"模拟与真实如何配比"从工程玄学变成了一条可测量的交互定律；二是把这个定律用在了公共卫生这个对极端错误和数据公平最敏感的领域。前者是方法论，后者是责任心。

论文的局限作者自己交代得很诚实，这也值得记一笔。所有评估都是回顾性的——历史数据上跑得好，不等于能帮助公共卫生决策做出更好的决定（虽然原始 Mantis 已经在美国多个州政府和其他大洲的联邦机构投入使用，且 Mantis 2 在与前作的受限对比中降低了 31.42% 的 WIS，27 个数据集全部改善，改善幅度从 10.37% 到 45.55%）。截断已有序列来模拟"历史很短"的情景，和真正的新疫情早期在动力学上不完全等同——一条被截断的老序列，不等于一条新生的曲线。35% 的合成比例是权衡之选，未必对所有疾病都是最优。16 周的预测战线拉长后，不同周数的可靠性并不均匀，规划者不该对所有远期预测一视同仁。

此外还有一个开放问题悬在半空：模拟和观测这两种知识，在模型内部究竟是如何混合的？是先验校准了似然，还是两个子系统各管一段？论文把这个留给了未来——而这个问题一旦被攻破，"科学先验 + 本地证据"的范式可能会从流行病学外溢到气候、能源、农业等一切数据稀缺的科学领域。

🗺️ 三部曲定位

这是「当世界不再讲情面」三部曲的第一部。在病房里，AI 面对的第一个不讲情面的考官是病毒——它不会因为你训练时缺数据就放慢传播速度，也不会因为你模型参数多就少感染两个人。预测对了就是对了，漏了就是漏了，全部写在第二天的住院人数里。

但病房至少还是一个"只读"的世界：模型预测，病毒行动，两者之间隔着一道单向玻璃。下一部我们走进车间——在那里，AI 不再只是看，而是要亲手干活：一根线一根线地把电路板走出来，而 DRC 检查器连一微米的违规都不接受。

参考文献

• Dudley, C., Magdaleno, R., Bi, Y., Valencia, A., Liu, X., & Eisenberg, M. (2026). Universal Infectious Disease Forecasting with Mantis 2. arXiv:2611.16935.
• 前作：Mantis — 纯机理模拟训练的传染病预测基础模型
• 模拟器：Reservoir — 覆盖人传人/虫媒/环境传播、干预与监测失真
• 时间序列基础模型：Chronos-2, TimesFM, Moirai
• 数据：Delphi Epidata, Project Tycho, 各国疾病监测公开数据
• 代码与模型：github.com/carsondudley1/Mantis

#每日论文 #AI做科学 #传染病预测 #时间序列 #基础模型 #小凯