这个研究方向侧重数学建模项目,量化各类大流行病及全球灾难性生物风险(GCBR)缓解措施的相对价值与成本效益,包括早期预警和检测、生物防护、医疗对策等。我们尤其关注:如果生物能力因 AI 而提升,威胁情境发生变化时,这些措施的价值排序会如何改变,而不是只以自然出现的病原体为基准。我也愿意指导同一领域内非建模、战略性和探索性研究,例如分析 AI 赋能的威胁情境究竟有哪些不同,以及这对各类干预措施的前景意味着什么。想了解我团队更广泛的工作,请访问:https://whittakerlab.com/。
我很乐意指导运用流行病学和数学建模的项目,分析并评估从防范到应对各阶段不同干预措施的相对价值、实用性和成本效益。这些措施包括早期预警与检测系统、生物防护措施(如改善室内空气质量、储备个人防护装备),以及医疗对策(广谱疫苗、疗法和诊断工具)。
我尤其关注,当 AI 提升生物能力后,这些措施的相对价值和优先级会如何变化。此类威胁情境是人为设计的,而非自然演化而来,因此在发展机制和背景上,可能与现有防范建模通常假设的自然病原体和人畜共患病溢出大不相同。我希望学员深入分析这些差异究竟在何处、以何种方式影响判断。目标是更清晰、系统地理解:面对 AI 赋能的威胁,防范重点以及不同防线上的投资比例应如何调整或重新布局,而不是假设现有主要针对自然病原体和人畜共患病溢出的做法可以原样沿用。
我同样乐于指导该领域内非建模、战略性和探索性的研究。这类项目可以开展结构化的领域分析,为具体干预措施梳理变革路径,或基于实证和技术文献,为某项防范策略提出经过审慎论证的依据;不一定需要建立正式模型。
想了解我团队更广泛的研究,请访问:https://whittakerlab.com/,以及Google Scholar 页面。
SF Bay Area
Charlie Whittaker 是加州大学伯克利分校公共卫生学院的助理教授,并负责该校大流行与流行病威胁分析实验室(PETAL)。他的研究聚焦于具有大流行潜力的病原体的传播动态、可检测性与控制,并运用计算建模研究传染病的传播方式,以加强公共卫生突发事件和可能造成全球灾难的生物风险的准备与应对工作。目前的项目包括:建模分析广谱医疗对策在未来大流行期间可能产生的影响,研究如何优化新一代监测系统的结构与设计,以及评估室内空气消毒技术等。
必要条件:
优先条件:
以下情况可能不太适合:
我会向学员提供一份简短的候选项目清单,并与他们讨论哪些项目最令人期待、也最适合各自的背景。我也很乐意讨论学员提出的具体想法或方案,以及我可以在哪些方面提供帮助。