AI 模型被用於追蹤人畜共通疾病，能否預防下一次大流行

AI 模型已被用於追蹤人畜共通疾病的傳播風險，但這些工具能否實際預防下一次大流行，仍是一個未經驗證的問題。預測能力與實際防疫成效之間，存在相當可觀的落差。

人畜共通疾病的監測難度，源於其發生的分散性。多數新興傳染病起源於野生動物與人類的接觸界面——森林邊緣的農業擴張、野生動物交易、以及畜牧業的密集化都是高風險場域；而這些地點分散在全球各地，多數位於監測資源有限的地區。

AI 在這個領域的應用有幾個方向。其一是風險地圖的建構——整合氣候、土地利用、動物族群分布與人類活動資料，推估哪些地區最可能出現跨物種傳播。其二是基因體分析，從病毒序列預測其感染人類的潛力與傳播能力。其三是異常訊號的偵測，從醫療紀錄、社群媒體或藥品銷售中辨識可能的疫情早期跡象。

這些能力在技術上都已具備一定成熟度，但轉化為防疫成效卻面臨結構性障礙。首先是資料——模型的效果取決於輸入資料的品質與即時性，而高風險地區的監測資料往往最為稀缺；這形成一個弔詭：最需要預測的地方，最缺乏預測所需的資料。

其次是從預測到行動的落差。即便模型準確指出某地區風險升高，實際的因應——加強監測、限制活動、部署醫療資源——都需要政治決策與資源投入；而在疫情尚未發生時，這類預防性投入的政治阻力相當高。歷史上多次疫情前的警告未被採取行動，問題不在於缺乏預測。

第三是誤報的代價。防疫措施會造成經濟與社會成本，而假警報會侵蝕後續警告的可信度；這使得模型的閾值設定成為政治與科學交織的判斷，而非單純的技術問題。

從務實的角度，AI 在這個領域最可能的貢獻，或許不在於「預測下一次大流行」這個宏大目標，而在於幾個具體的環節：縮短病原體鑑定的時間、加速疫苗與藥物候選的篩選、以及在疫情發生後更快掌握傳播路徑。這些改善雖然不如預防來得理想，但實際可行性較高。

後續觀察重點包括：實際部署的監測系統覆蓋範圍、預警準確度的驗證數據，以及預測結果能否實質影響公衛決策。