这场危机要求在几天内而非几周或几个月内拿出解决方案，因此需要采用新的人工智能模型和技术。
敏捷方法以及动态、韧性模型有助于确保开发出新方案，应对未来的危机和挑战。
尽管媒体广泛报道了人工智能对新冠疫情的影响，但新冠疫情对人工智能的影响却鲜少受到关注。过去五个月中，三个关键影响领域推动了人工智能的应用，并将在未来数月乃至数年继续改变高级分析和人工智能。
世界经济论坛正在采取哪些行动应对冠状病毒疫情？
决策速度推动数据科学走向敏捷
疫情迅速蔓延——先是在中国和韩国，随后扩展到欧洲和美国——令大多数政府、企业和民众措手不及。这场全球卫生危机在短短几周内演变成经济危机和供应链危机（厕纸和纸巾的需求仅在美国，3月8日当周就上升了600-750%）。3月初，全球确诊病例还不到10万例；到7月已激增至1300多万例，死亡人数超过58万人。
企业领导者需要迅速采取行动，这场危机为运用高级分析和基于人工智能的技术辅助决策提供了机会。机器学习模型自然能够提供帮助，但机器学习模型或高级分析模型的开发通常需要四到八周——而这还得在明确用例范围并备齐训练、验证和测试模型所需数据之后。如果再把模型开发前的用例评估以及模型训练后的部署算进去，从最初构想到投入生产部署，整个过程需要三到四个月。
“企业领导者需要迅速采取行动，这场危机为运用高级分析和基于人工智能的技术辅助决策提供了机会。”
要在几天内而非几周或几个月内拿出解决方案，就必须在短得多的时间内开发最小可行人工智能模型（MVAIM）。借助敏捷数据科学方法，普华永道大幅压缩了开发时间，在一周内为美国全部50个州构建了新冠疫情发展SEIRD模型（易感者-暴露者-感染者-康复者-死亡）。随后，我们又用一周时间对模型进行测试、验证和部署。初始模型部署后，我们将其扩展至美国所有县，并提升了模型的复杂程度。
对未来的不确定性催生多主体模拟
新冠疫情下的不确定性影响了生活的方方面面——从健康、行为到经济影响——并加快了高级分析和人工智能技术的普及。不确定性会引发恐惧、愤怒和沮丧等情绪，而由此驱动的情绪化行为往往压过理性决策和行动，尤其是在疫情初期。
各个维度的不确定性使情景规划成为评估计划和决策的主导框架。情景分析成为评估疾病发展、经济下滑与复苏（例如V形、U形、L形和W形经济复苏）的主要范式，也用于管理层就场所开放、应急规划、需求感知、供应链中断和劳动力规划作出决策。定性情景分析在商界相当常见，而疫情则凸显了利用基于人工智能的模拟，定量理解不同驱动因素之间的因果关系并制定应变行动计划的做法。
对人类行为（理性和情绪）的建模成为情景分析的重要环节。例如，遵守居家令是遏制疾病传播以及维持经济活动的主要行为驱动因素之一。因此，基于主体的建模与模拟成为开展情景分析所用的主要高级分析和人工智能技术之一。按日统计的出行数据，例如全国各邮政编码区域内的行驶里程，成为衡量居家令成效的替代指标。随着疫情发展，同一数据也用于模拟美国各地民众的出行行为。基于主体的模型是捕捉疫情期间人类行为随时间和地点变化的最佳技术之一。
系统动力学建模是另一种广为人知的建模技术，在整合多个决策领域（例如新冠疫情发展、政府干预、人们的行为、需求感知、供应中断等）方面至关重要。基于主体的模拟传统上一直由美国疾病控制与预防中心（CDC）及其他卫生主管部门用于模拟疾病发展和健康行为。这两种方法都曾成功应用于多种不确定情景，帮助制定战略和运营管理决策。近期的一些例子如下：
利用美国合成行为数据构建SEIRD（易感者-暴露者-感染者-康复者-死亡）疾病发展模型，以估算当地人群的感染新冠风险倾向。该模型由普华永道构建，在疫情初期对于估算住院人数、重症监护病床需求和呼吸机需求极为宝贵。随后，初始MVAIM（最小可行人工智能模型）经过扩展，纳入了不同邮政编码区域的人口流动情况。当美国部分州的住院人数越过峰值后，我们为医院构建了基于主体的需求模拟模型，以帮助确定非新冠诊疗项目的需求。需求模型纳入了患者可能出现的情绪行为，包括恐惧和焦虑，以及现有健康状况的紧迫性和严重程度。需要通过如此复杂的行为建模来估算需求，主要是因为疫情期间人类行为存在不确定性。
一个整合需求感知、供应链中断和劳动力规划的模拟模型。鉴于疫情发展迅速且充满不确定性，我们的团队将多个彼此孤立的管理决策领域整合进一个系统动力学模型中，这是一项关键要求。随后，这个初始MVAIM经过扩展，纳入了多种宏观经济复苏情景，例如V形、U形、L形和W形复苏情景。在正常的非疫情情景下，需求、生产（使用劳动力和机械设备）和供应链被视为彼此独立的领域，分别用于局部决策。然而，疫情期间必须每天将这三者放在一起分析，确保企业能够从整体上围绕需求、供应和劳动力作出决策，因此系统动力学模型非常适合此类分析。
历史数据匮乏推动基于模型的人工智能兴起
由于疫情事件十分罕见，全球范围内有关该疾病的历史数据极少。因此，缺乏足够数据来支撑数据丰富、无模型的人工智能方法，例如近年来颇受欢迎的深度学习。
因此，基于模型的人工智能（利用现有数据）重新兴起。随着疫情发展、数据日益增多，数据丰富、无模型的方法得以结合，形成了一些关键的混合方案：
流行病学模型汇集了以往疫情中有关疾病发展的知识和经验。随着每天都有更多疾病数据出现，机器学习方法与流行病学模型相结合。流行病学模型中的历史部分根据实际数据进行校准，随后利用所得模型帮助预测未来情景。按日更新的细粒度疾病数据（例如美国各州和县的数据）提供了一种机制，可比较模拟结果与实际结果，并改进这些模型。
我们曾为一位客户开发混合劳动力模型。该客户正考虑开放一个制造厂，但掌握的员工缺勤数据很少。我们利用其他数据来源（例如行业内的缺勤趋势）以及其他模型的数据（例如使用SEIRD模型得出的制造厂所在县的感染率和死亡率），构建了一个能够运行多种情景的模型。
从许多方面来看，疫情凸显了我们的系统、流程、治理和行为中的不足。另一方面，它也为数据科学家和人工智能科学家提供了机会，让他们运用先进技术和工具，帮助企业领导者在由速度、不确定性和数据匮乏主导的艰难环境中作出决策。
总之，在应对这场疫情并推动自身实现后疫情时代转型的过程中，组织应牢记三点经验。第一，采用敏捷数据科学方法，应对决策所要求的速度、紧迫性和不确定性。第二，运用动态且有韧性的模型来建设和管理业务（例如使用系统动力学和基于主体的模型进行情景模拟），捕捉多个领域（例如需求、生产、供应、财务）之间的相互关系以及人类行为。第三，在构建人工智能系统时，将模型丰富型方法与数据丰富型方法结合起来，兼得两者之长。这些方法有助于快速寻找解决方案，同时充分利用现有技术和流程。
