低风险股票配资将座椅移开45厘米能阻断病毒的传播吗｜五一书摘

发布日期：2024-08-09 09:19 点击次数：81

外观设计上，全新一代迈腾的造型让人感觉焕然一新，整体看起来更加年轻、时尚。车头中央是一根贯穿前脸的镀铬饰条，并且饰条下方还集成了LED灯带，搭配发光的VW车标，前脸的科技感和辨识度均有提升。前包围两侧设计成了獠牙造型，并采用亮黑色材质搭配，为前脸增添了一些运动气息。来到侧面，前悬明显变长了，车身比例看起来更加对称。在车尾设计上，采用了和ID.7类似的贯穿式LED尾灯以及发光尾标，点亮后视觉效果看上去非常精致。

不少医疗专家认为，新出现且具有大规模流行潜力的疾病在未来可能不减反增。隔离作为一种古老的做法，它的方式和技术都经历了巨大的变化。通过将隔离置入一个更大的历史脉络中，我们更容易理解隔离作为一种医疗选择的无可替代性，同时从技术和情感的角度思考隔离的未来方案。隔离可以重新设计，也必须重新想象，因为隔离过程中的每一步，“都需要从生命经验的角度重新思考”。

《隔离：防疫安全线的历史与未来》入选了“第一财经春季书单”，经出版社授权，第一财经节选了书中部分篇章，以飨读者。

隔离措施的核心是时空的管理；正如布洛克曼和蓝点等人的研究所展示的，一旦我们思考地理的方式改变，隔离设施的更新速度也必须迎头赶上。

这些相同的传播模式甚至可能重塑我们的建筑和城市。“事实上有两位建筑师曾联系过我，”布洛克曼告诉我们，“其中一位关注机场航厦的设计，他试图用模型和互动模式中得出的信息来设计出更好的机场。另一位则为医院设计病房。”建筑师的目标是通过研究疾病传播的计算模型，来设计出能阻断这些模型的设施，也就是说，要故意制造距离，使疾病难以在人与人之间传播。我们想起了 J.G. 巴拉德（J.G.Ballard）的小说《超级坎城》（Super-Cannes）中的一个场景：书中主人公在参观法国南部一个名为“伊甸园-奥林匹亚”的虚构商业园区时，被告知当地的医生想要制定新的卫生措施。“她正在跑一个新的计算模型，用来追踪鼻病毒在伊甸园-奥林匹亚内的传播，”巴拉德写道， “她有种预感：只要人们再将座椅多移开45厘米，就能阻挡传染媒介。”

在2009年猪流感大流行期间，布洛克曼偶然发现了一个特殊的数据，并将其导入他的疾病模型中。当时，一个名为“乔治在哪里？”的美元全球走势在线追踪计划已迈入第十一个年头。“乔治”指的是一美元纸币上乔治·华盛顿的头像。布洛克曼告

诉我们，该计划中海量的数据集恰巧给出了一张人际互动图，可供那群想了解人们如何传播疾病的流行病学家使用。毕竟人们仰赖面对面交易，现金无疑是一种非常适合追踪人与人接触模式的机制。

布洛克曼在和同事所开发的早期数据模型中发现了一些异状，他告诉我们，模型中使用了这些和其他数据集来进行疾病暴发的模拟。尽管针对不同的疾病、不同的感染模式、使用不同的运算方程式、从不同的起点建模，最终产生的传播形式却惊人地雷同。布洛克曼和他的同事、苏黎世联邦理工学院计算社会科学的教授德克·赫尔宾（Dirk Helbing）将其称作流行病的“隐藏几何学”。换句话说，这些暴发的模拟似乎具有相似，甚至完全相同的传播模式。问题是历史上的流行病显然不是这么回事。“这让人非常惊讶，”布洛克曼说，“我们可能漏看了一些更根本的东西。”

布洛克曼意识到，这些模型中并未包含“应对措施”：即那些被引进系统的缓冲，无论是航班取消、机场关闭还是旅客隔离。布洛克曼说：“这些模型将流行病视为一种宿主自己没意识到的散播现象。”“但我们人类能对流行病等状况做出应变。会关闭学校，有因应策略。这是我们模型的盲点。”疾病的隐藏几何学揭示了我们是如何通过隔离等工具，来形塑流行病。

布洛克曼因此发现了一个新的建模切入点，可以检视公共卫生因应措施所引发的反馈循环。他开始研究当特定的连接路线被重新导向或完全关闭时，暴发模型会发生什么变化，并会如何影响大流行病，甚至最终将其根除。布洛克曼直觉地认为，光是断开两个主要节点的连接，好比说停止从几内亚科科纳克里国际机场飞往巴黎戴高乐国际机场的航班，但仍保留其他航线，就能提供一种精确、低成本且破坏性更小的方式来减缓特定疾病的全球传播速度，如埃博拉。这类措施会产生一些副作用，像是贸易中断、外国援助人员暂时滞留等，但理论上，这些措施的严重程度远低于更广泛、无差别封锁所造成的后果。（谈到埃博拉，布洛克曼补充道，“历史背景”对于如今欧洲各机场分别面临的流行病学风险而言，扮演了黑暗但影响深远的因素。布洛克曼指出，最近的埃博拉疫情主要集中在西非和刚果，而德国“在这里没有殖民历史”，因此它们和德国的联系不那么紧密，从疫区飞往德国的乘客也少得多。）

随着2020年初新冠大流行急速发展，布洛克曼加入了一个由七名洪堡大学研究人员所组成的团队，以便更深入地着手制作新冠病毒预测图。他们制作了一系列以机场为中心的树状地图，展示新冠病毒是如何从一个国家传播到另一个国家并如何沿路引爆新的疫区。“给定一个暴发地点和一个附近的始发机场，”他们写道，“这套模型就能从全球航空交通网中找出最有可能传播到其他机场的途径。虽然乘客会通过不同路线到达最终目的地，但全球传播模式往往会以最可能的路径为主。”

一旦确定了这些路径，就可以展开检疫、隔离和控制。理想情况下，我们不是在疾病出现之后，而是在到来前就采取行动。通过大数据和先进的建模，这项研究理想的结果是，包括检疫在内的控制措施要能立竿见影，而非坐以待毙；要能精确命中，而非广泛实施。布洛克曼、蓝点和数十个类似的计划都勾勒出一幅几乎是乌托邦式的医学愿景：公共卫生专家不用通过旅行禁令和封锁等钝器，仅须通过对正常的时空结构进行切割手术，就能迅速地阻止新传染病，并把对全球经济的干扰降到最低。

黑死病期间，杜布罗夫尼克和威尼斯当局只能幻想拥有这样的能力：在隔离中追求最大限度的交流，同时最小化风险。这种幻想预示了一个即将到来的世界，在这个世界中，隔离绝非被淘汰或过时的概念，而是保护全球健康最有效、最普遍的工具之一。一点也不中世纪，从字面上来看反而充满未来感，瞄准着那些尚未引爆的瘟疫。

在亚当· 库查斯基（AdamKucharski）2020 年出版的著作《传染力法则》（The Rules of Contagion）中，他探讨了疾病，以及思想、谣言和影音是如何病毒式传播的潜规则。库查斯基是伦敦卫生与热带医学学院的生物统计学家，也是英国政府深具影响力的紧急科学技术顾问建模小组委员会的一员。分析师能大致预期未来仍然要隔离，但库查斯基担心的是，即使有分辨率最透彻的数据也无法给出实质承诺。

我们在库查斯基位于伦敦布鲁姆斯伯里（Bloomsbury）大学楼的地下食堂碰面，一起喝茶、吃点心，当时是所谓“流感追缉令”高峰后的一个月。在这项号称“英国有史以来最大的公民科学实验”中，库查斯基、剑桥大学的数学家团队和英国广播公司的顾问使用了志愿者提供的手机数据，他们会下载一个定位程序，用来模拟一场虚构的疾病。这种病首次在黑斯尔米尔（Haslemere）被发现，这是位于伦敦希思罗机场腹地一处绿树成荫的郊区，即将攻陷英国其他地区的人们，而志愿者的手机将扮演如“乔治在哪里？”中现金的角色，通过他们的日常生活标记出接触网络，进而找出传播模式。

对于库查斯基来说，暴发的强度会影响对特定疾病进行实时建模的位置。他解释道，如果是卫生当局所能掌控的病原体（传播已受到控制），那么建模会比较有趣，能重建特定传播行为最初是如何发生的。然而，如果疾病失控（成了场真正的大流行病），那么“将来”会比“过去”更受关注。“如果是只有一百个病例的流感，”库查斯基说，“你会想知道这一百个病例是如何发生的。在初期，我们关注的是：这个传播事件是如何发生的？但是当数字上升后，问题就变成：下一步该何去何从？这会持续多久？我们需要几张病床？”

换句话说，随着规模扩大，模型的重点会转为预测，亦即要建模找出未来需要设立隔离区或临时检疫站的地点。或者，就像库查斯基极力澄清的那样，“不是要精准‘预测’，而是要帮助人们在做出艰难抉择时更有把握。”但即使如此，现有的方法仍然经常失败。

“有两种预测方法，”库查斯基解释，“其中一种方法较依赖数据，必须观察数据趋势并展开追踪。另一种方法则是开发一套机制：模拟一场实际的暴发，并假设有人口、有传播行为发生，然后看看是否与数据吻合。使用数据驱动的方法，你无从得知实际感染过程的任何信息，只会看到趋势。而通过机制呢，就能说：这就是我们认为流行病运作的方式。”他告诉我们，目前这两种方法的表现都差不多，这也凸显了科学家们对传染的法则了解得还不够，无法跑在传染病前头。事实上，英国广播公司策划的这场虚拟暴发的想法就源于这种认知：即使在西班牙流感暴发一百年之后，流行病学家仍然没有足够的、来自真实世界大流行病的信息来验证他们对疾病如何传播的假设。

在“流感追缉令”团队日后的回顾中，发现最基本的控制措施，例如勤洗手，被证实可以把这场模拟传染病抵达新城镇的时间推迟一个月。这类干预措施很快地拉平了曲线，将新增感染率有效控制以避免医院床位短缺，进而避免医护人员不堪负荷。

根据他们的分析，学校实施停课和隔离措施也能减少互动，进一步减缓疫情。目前库查斯基的虚拟流行病的数据集已全数上线，这是有史以来最大、可公开使用的数据集。然而，即使有了这种巨细靡遗、详细的定位信息，库查斯基和他的同事们却没有得出让人眼前一亮的结论。举凡孩童和老年人活动最少，或是像一旦碰上学校假期，孩童的活动模式会与通勤者不同，这些都不算新颖。那些建模之前没有设想到的细节，才是真正的惊喜。

就像天气预报员所发现的那样，一股脑地向模型添加更多数据反而会使效益递减。“假设地球可以用间隔30厘米的传感器覆盖”，詹姆斯·格莱克（James Gleick）在他 1987 年的著作《混沌》（Chaos）中写道：“且在某个中午，一台法力无边的计算机取得了所有数据，并计算每个时间点会发生什么事。”可惜的是，格莱克接着说：“这台计算机还是无法预测新泽西州普林斯顿一个月后的某一天是晴是雨。”

库查斯基所设想的大流行病预测也是如此。“对于流感大流行，你只能说：这是我们预期的增长率，而这些是我们认为风险最大的地点或群体，”告诉我们，“但我们无法量化伯明翰的某个人在这一天被感染的可能性。”毫无疑问，模型是有用的，但它终究只是“模型”。“在人们不知道发生什么事的情况下，即使你只是用一个模型说，‘在所有的选项中，你该避开那个’，对于决策已经有所贡献了”，库查尔斯基说。

在我们与库查斯基会面的三年后，呈指数型传播的新冠疫情正是他和其他流行病学建模者期待的那种数据丰富的流行病。 “必须说，美国疾病控制与预防中心在建模、密切监测实时数据和消除延迟等方面的能力提升，让我印象深刻”，赛特隆在 2020年秋天时告诉我们，当时新一波全国确诊数的暴增正在成形， “但我仍然觉得这样的做法太过消极。”

赛特隆解释说，流行病学的讽刺之处在于：我们总是在与“上一场”流行病抗争。这是我们最了解的流行病，因此使得我们对即将发生的事情视而不见，被过时的假设分散了注意力。尽管如此，他指出如果我们想为“下一场”瘟疫做好准备，就有必要从这次大流行中挖掘数据，以便真正了解发生了什么事、什么措施是可行的、个中缘由是什么。“我认为要想对未来的大流行病超前部署，我们能提供的最珍贵的礼物就是文献，”赛特隆说道，“即使我们不能在现在弄明白这一切，也要让后来的人们能借此反思和学习。”

（本文摘自《隔离：防疫安全线的历史与未来》，标题为编者所拟。）