以大语言模型代理作为政策制定助手实现协同疫情管控

摘要

有效的疫情控制需要各个行政区域及时、协调地制定政策，这些行政区域本质上是相互依存的。然而，人为驱动的应对措施往往是分散和被动的，政策是孤立制定的，只有在疫情升级后才进行调整，从而破坏了主动干预和全球大流行缓解。为了应对这一挑战，我们在这里提出了一个大语言模型（LLM）多主体决策框架，支持跨地区协调和主动的流行病控制。在我们的框架内，每个行政区域都分配了一名LLM智能体作为人工智能政策制定助理。该代理对特定区域的流行病学动态进行推理，同时与其他代理进行沟通，以解释跨区域的相互依赖性。通过集成现实世界数据、流行病演变模拟器和结构化的代理间通信，我们的框架使代理能够共同探索反事实干预场景，并通过闭环模拟过程综合协调的政策决策。我们使用 2020 年 4 月至 12 月期间美国州级 COVID-19 数据以及现实世界的流动记录和观察到的政策干预措施来验证拟议的框架。与现实世界的大流行结果相比，我们的方法在各个州一级分别将累积感染和死亡人数减少了 63.7% 和 40.1%，在各州汇总时分别减少了 39.0% 和 27.0%。这些结果表明，LLM多智能体系统可以通过协调决策实现更有效的流行病控制......

以大语言模型代理作为政策制定助手实现协同疫情管控 — 图1：传统大流行病政策制定与我们提出的由 LLM 智能体赋能的协同政策制定的比较。a，碎片化协调下的传统大流行病政策制定。各地区当局基本孤立运作，依赖延迟或不完整的信息与独立的分析。有限的跨区域沟通与不同步的干预导致政策错位与低效的疫情控制。b，用于协同大流行病政策制定的 LLM 多智能体系统。每个行政区域由一个 LLM 智能体代表，各智能体相互交换信息，在考虑跨州流动的情况下，实现跨区域的协作推理与协同政策决策。c，所提出的大流行病政策制定 LLM 智能体系统架构。每个区域智能体整合流行病学建模、真实世界数据输入（病例记录、流动流量、人口结构与医疗资源）以及结构化提示，对政策行动进行推理。跨区域流动通过州级流动流量建模，引发跨区域传播动力学。智能体相互通信、评估结果并生成协同的政策决策，这些决策被实例化为干预策略（如时间性流入再分配、空间性流入抑制与针对性入境筛查），并反馈到大流行病模拟循环中。