美國疫情始末盤點,2萬確診數該由誰來負責?
美國疫情始末盤點,2萬確診數該由誰來負責?

「我很早就知道這是大流行病,在人們稱它為大流行病之前」,川普在3月17日答記者問時說。

就在川普對著記者翻臉的這一天,又一名國會議員確診感染新冠病毒。而在接下來的5天裡,美國新冠肺炎確診人數幾乎增加了3倍。截至3月21日中午,確診病例數已經達到1.9萬例。

美國各州疫情發展情況
1月底以來,美國各州疫情發展情況
圖/ 鈦媒體

延伸閱讀:台灣確診將破200例?口罩2.0第二輪25日開跑,等待時程再砍半

沒幾個人會想到,美國也會出現疫情爆發的曲線。

就在1月初,美國衛生與公共福利部秘書艾利克斯·阿扎爾還在公開發言中表示,「美國擁有世界上最好的公共衛生體系」、「從12月起就在監控這種病毒並積極做好應對」、「對這種疫情做好準備⋯⋯是一種日常工作。」

作為世界上最發達的經濟體,美國擁有先進的醫療技術和優質的醫學人才,也有發達的疾控監測系統,沒有人會懷疑它處理公共衛生事件的能力。

所以,當大家看到美國到現在還爆出普通人無法獲得檢測的新聞時,難免會發出「何以至此」的疑問。

我們詳細梳理美國疫情發展的時間線後發現,本次疫情當中,美國的各級政府機構和普通民眾的反應都表現出一種難以言說的糾結。大流感、美國疾病和預防中心(CDC)、美國聯邦政府乃至普通美國人,可能都需要為失控的疫情負責。

嚴重的大流感下放鬆警惕的美國人

美國在每年秋冬季都會進入流感季。流感也是一種由病毒引起的傳染性疾病,接種疫苗是一種比較有效的預防方式。

2019年10月底,不少美國人按照CDC的建議去接種了流感疫苗。半個月後,通過美國ILINet(流感樣病例監測網路)報告的門診病例中,具有發熱、咳嗽或喉嚨痛等症狀的流感樣病例比例超過了2.4%。美國人熟悉的流感季又來了,但這次來得比往年更早。

但正是因為美國人對流感的熟悉,為後來新冠肺炎疫情的爆發埋下了伏筆。

在流感預防過程中,美國CDC建立了一套名為「ILINet」的流感監測網路,大約覆蓋了8.5%的美國人口。這個檢測網路所收集的數據,是CDC應對流感的重要依據。

流感樣病例(influenza-like illness,ILI)的比例,也就是ILINet覆蓋門診病例中具有流感症狀的病例比例,是監測流感爆發程度的重要指標。每年CDC會依據非流感季節的情況來測算一個全國基準線數字,當流感樣病例比例超過這條線,就意味著流感開始爆發。

今年,2.4%就是這條全國基準線。

我們注意到,在過去的10年間,除了爆發H1N1流感病毒的2009-2010年,多數年份都會在49週左右(12月初)才觸及全國基準線。而在2019-2020年的流感季當中,流感疫情在11月中旬就摸線。

也就是說,2019-2020年的流感爆發時間相比往年提早了差不多一個月。

美國
過去10年美國流感發展過程
圖/ 鈦媒體

按照CDC建立的數學模型推算,到3月7日這一周,美國最多已經有3600萬人患上流感,37萬人因流感住院,2.2萬人死於流感。

說了半天,這又跟新冠肺炎的爆發有什麼關係呢?前面我們簡單梳理了這次美國大流感,注意到這樣一些資訊:

  1. 流感跟輕症新冠肺炎有著相似的症狀,包括發燒、咳嗽、喉嚨痛等;
  2. 這次流感比往年爆發更早,當1月底美國出現首例新冠肺炎確診病例時,美國人已經被流感洗腦了3個多月;
  3. 對於非專業人士,光比較同期的感染數據,流感看起來遠比新冠肺炎要嚴重;
  4. 在多年來應對流感的過程中,美國已經形成了比較完善的監測機制,預防措施則是以打疫苗為主;
  5. 從最近幾年的數據來看,流感雖然嚴重和危險,但確實稱得上是「可防可控」;

所以,當新冠肺炎出現後,美國普通人的心理會有些微妙。他們認為流感更加嚴重,但年復一年的應對經驗又讓他們已經習以為常,還有完善的監測機制建立起人們對於傳染病防控的信心,敏感度和警惕心也在無形中被不斷降低。

再加上,新冠肺炎輕症咳嗽、頭痛、乏力等症狀很容易被直接當做流感處理,不嚴重的患者會先自己吃藥解決,大家又習慣並相信打疫苗這種最主要的預防措施,並沒有戴口罩、限制出行的習慣——這就為新冠肺炎的傳播打開了方便之門。

病毒起源等尚無定論的問題我們先按下不表,但大流感確實是為新冠肺炎打了掩護。

所以我們可以看到,在B站UP主郭傑瑞的鏡頭下,3月16日的紐約街頭,來來往往的市民似乎都還處於平常的節奏當中,戴口罩的人也不多——即使此時總統川普已經宣布國家進入緊急狀態,衛生紙、酒精、口罩等衛生用品也被瘋狂搶購。

美國
圖/ 鈦媒體

但單單只是習慣了流感的、沒有警惕心的民眾,還不至於讓美國疫情現在集中爆發。

我們前面提到,美國CDC有覆蓋美國8.5%人口的流感監測網路每天收集數據,還有許多實驗室定期分析——這樣完善的機制,理應可以迅速轉變為全國范圍內的病毒監控系統,監測到新冠肺炎的傳播情況。

但這個網路好像沒有正常運轉起來。

失效的監測網路,遲遲無法獲得檢測資質

美國CDC的防控動作其實開始得很早。1月初接到來自中國的疫情通報後,美國CDC隨即向普通民眾和醫療機構通報了相關資訊。

一名剛從武漢回到美國且出現了相關症狀的旅客,正是看到了CDC的資訊,立馬前往醫療機構就診。但那時候CDC為新冠病毒的檢測設定了很高的標準,必須是有發燒、呼吸道症狀且去過武漢的人,才有資格接受檢測。

高標準之下,這名旅客遲遲無法接受檢測——直到華盛頓州的衛生官員提出特別要求之後,他才得到了檢測機會,在1月21日成為美國首例新冠肺炎確診病例。

這時候,華盛頓州西雅圖有一個為應對流感而成立的研究小組,正好具備監測新冠病毒的能力。作為針對流感的研究專案,他們收集了很多具有流感症狀的研究對象資訊。如果對這些樣本進行冠狀病毒測試,這個小組就可以監測到所在地區的新冠肺炎傳播情況——理論上,這些針對流感所設立的機構本應是美國在這次疫情防控中的天然優勢。

但問題在於這個研究小組所在的是研究實驗室而非臨床實驗室,即便他們有監測病毒的能力,但在取得美國食藥監局(FDA)的認可之前,研究小組無權向公眾公佈任何檢測結果。

直到2月底,美國疫情出現了社區傳播的跡象,FDA才同意授權各州和實驗室自行做初步的檢測。

這是現成的流感監測網路在新冠肺炎防控中遲遲無法發揮作用的原因,也是美國新冠病毒檢測推進緩慢的一個縮影。

新型冠狀病毒的基因序列在1月發布後,CDC就開始自主開發診斷試劑,2月即推出了一套核酸檢測試劑盒並下發到各州,但剛開始的時候,所有檢測樣本都要返回CDC所在的亞特蘭大市執行確認。

夏威夷州衛生部門2月13日發布的一份文件中就寫道,「CDC仍將是美國唯一能夠檢測CoV-2的實驗室」,還提到「CDC早些時候送出的試劑盒難以檢測⋯⋯並將在下周向所有公共衛生實驗室發送替換版本」。

所以你能看到這樣一個奇怪的場面,有檢測能力的人沒資格,有資格的人沒試劑盒,全國疑似病例的樣本都要等待亞特蘭大的最終確認,而CDC提供的部分試劑盒還失效了。

時間就這麼過去了將近一個月。整個2月,美國的新冠肺炎確診病例僅上漲了16例。在韓國已經進行了3.6萬次核酸檢測的2月26日,除了乘坐疏散航班的美國僑民外,美國只對426人進行了核酸檢測。

後來有媒體在報導中連續發問CDC「為何堅持自研試劑,而不使用德國團隊早已研究出的同類產品?」哈佛大學流行病學副教授邁克爾·米納(Michael Mina)對此的解釋是「CDC常抱著我們是美國,我們是美國最主要的公共衛生實驗室,我們是不會效仿其他先行者的態度在工作。」

不斷拉扯的CDC和川普

而在檢測試劑短缺之餘,美國人還要應對川普總統的攪局。2月26日,川普稱「美國人的風險仍然很低」,隨後他又在發言時表示「新冠病毒是民主黨的騙局」。

這些發言可能會讓CDC有些心累,因為在這次疫情中,闢總統的謠成了工作的一部分。

3月初,檢測能力提升的同時確診數字也開始走高,疫苗何時問世成了公眾主要問題之一。3月2日,川普宣稱「疫苗將在幾個月內準備完畢」。隨後,CDC的專家出面闢謠,並稱「總統敦促我們在幾個月內準備完畢,但我們說的時間至少是1-1.5年」。

疫情加重後,川普告訴大眾「患者可以不接受治療、繼續工作,身體可以自愈。」CDC立刻闢謠「病人應避免出門,且應該告知醫務人員」。這回,猶他州冠狀病毒特別工作組也站了出來,將川普的評論標記為錯誤資訊,指出「即使非常輕度症狀的感染者也可能對他人構成威脅」。

圖
圖/ 鈦媒體

我們還注意到,新冠疫情期間,CDC公佈了其2021財年的預算報告。預算經費從2020年的68.4億美元(約新台幣2,077億元)下降至55.6億美元(約新台幣1.688億元),大幅下降了28.7%。也就是說,在大流感比往年更嚴重、新冠疫情盛行期間,CDC新一年的預算經費遭到了大幅削減——這讓人多少有些不理解。

矛盾和扯皮(編按:中國用語,指無原則的爭吵、不負責的推諉。)的狀態一直持續到3月。截至3月3日,整個美國新冠肺炎確診人數還停留在兩位數,直到3月11日。

3月11日是美國疫情發展的轉折點。這一天,猶他爵士球員魯迪·戈貝爾感染新冠病毒,NBA宣布暫停所有比賽;當天下午,華盛頓特區宣布進入緊急狀態。第二天,美國進入國家緊急狀態,美國CDC主任表示會對全美提供免費冠狀病毒檢測。

這之後,美國疫情數字就進入了快車道,每天都有名人感染的消息傳來。

在美國疫情之前,我們研究了日本、韓國、義大利、伊朗四個國家的抗疫過程,發現當疫情大考來臨,每個國家都會暴露出不同的問題,比如行政效率緩慢、政黨角力、受邪教影響、在經濟和疫情之間徘徊等等。國家這種極其複雜的機器,實在很難按照預想那樣完美地運轉。

美國也不例外,各級機構的行政效率緩慢,CDC、州政府、聯邦政府和川普的莫名扯皮,沒有警惕心的民眾⋯⋯都成了擋在美國疫情防控面前的大山。

責任編輯:林芳如

本文授權轉載自:鈦媒體

往下滑看下一篇文章
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關

生成式 AI 帶動企業數位轉型浪潮持續升溫,各界不再滿足單一任務型的 AI 應用,而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」(Agentic AI),在最少人為干預的情況下,自主推進工作流程、完成複雜任務。

但企業導入AI並非一蹴可幾,而是需要對AI有正確認識,並制訂循序漸進的導入流程,才能真正發揮AI功效。在2025台灣人工智慧年會中,cacaFly 聖洋科技技術副總吳振和提出三大導入關鍵階段,深入剖析企業如何從概念驗證(PoC)階段,逐步推進到實際上線(Production),並分享實務經驗與觀察。

延伸閱讀:生成式AI可以怎麼用?cacaFly現身說法,助企業應用GCP服務智慧轉型

解鎖 Agentic AI,企業邁向多任務智慧代理

「很多公司會問,One AI 要做什麼事?但實際上,若要讓 AI 回答公司內部政策或新法條的相關問題,僅靠基礎模型並不足夠。」吳振和指出,要讓 AI 真正成為能「做事」的智慧代理人,前提是它必須理解企業內部的脈絡與知識,並即時掌握外部變動的資訊。

企業必須先釐清內部規範是否與最新法規相符,這意味著系統必須具備持續爬取與解析最新資料的能力。為此,企業必須先截取與整理內容,再建構成專屬的知識庫(Knowledge Base),確保資料品質達到可用標準後,再透過檢索增強生成(Retrieval-Augmented Generation, RAG)技術,使 AI 能夠即時動態查詢並生成符合企業語境的回答。

延伸閱讀:從資料清洗到 RAG,大型語言模型的必需品,做出專屬企業的 AI 知識庫!

吳振和強調,這是一個動態循環的過程:從資料蒐集、品質控管、知識庫建構到生成應用,每一環節都息息相關,任何一處鬆動都會影響最終產出的準確性與可信度。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

破除「一次到位」迷思,從驗證到落地的三大關鍵階段

許多企業對 AI 寄予厚望,因此常將 PoC 視為年度計畫的重點,希望能「一次到位」做出具體成果。但吳振和提醒,若缺乏清楚的系統工程思維,PoC 容易淪為「概念展示」,難以真正走入組織的日常營運。

他將導入 Agentic 系統工程的歷程,分為三個關鍵階段:

1.第一階段:可行性評估(Feasibility Study)
企業必須在投入資源前,先明確界定「最需要被 AI 解決的關鍵問題」是什麼,並進一步設計可量化的驗證指標。這不僅包括評估技術實作的可行性,更要從商業目標出發,釐清導入 AI 的具體使用情境、預期成效與風險邊界,如此才能確保後續模型選型與資料蒐集方向正確對齊業務需求。

2.第二階段:系統設計與驗證(Design & PoC)
在確定導入方向後,必須規劃清楚資料蒐集與整理流程,確保知識庫的內容具備正確性、完整性與時效性。吳振和特別強調,這個階段不能只追求展示效果,而應以「產品化思維」來構築 PoC,使其具備可擴充性、可維護性及安全性,才能為後續上線打下基礎。

3.第三階段:產品化與營運(Production & Operation)
當 PoC 驗證完成後,進入正式上線階段,挑戰也隨之而來。除了需要整合企業內部系統與流程,還必須建立持續監控與維運機制,確保模型表現隨時間演進不會劣化,並能快速回應法規變動或資料更新的需求。吳振和指出,這往往是最容易被低估、但也是最考驗企業組織能力的關鍵環節。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

建立模型優化根基,打造高品質的黃金資料集

吳振和特別強調,要讓 Agentic 系統工程真正發揮效益,企業必須先建立一套高品質的「黃金資料集」(Golden Dataset),作為模型評估與優化根基。他指出,黃金資料集的價值在於能為模型選擇與前測提供客觀依據,讓團隊能針對不同任務挑選最適合的模型,避免導入初期就誤踩方向。

同時,黃金資料集也能協助團隊辨識模型的常見錯誤與脆弱點,進而快速回應「模型飄移」(Model Drift)的風險。吳振和說明,所謂模型飄移,指的是即使模型本身未經改版,效能也可能隨著環境與資料變動而突然下降,導致原本表現良好的模型出現偏差。透過持續比對模型預測與黃金資料集結果,團隊才能即時察覺效能衰退,並進行迭代更新,確保系統長期穩定運作。

從小規模應用起步,漸進擴展至核心業務

吳振和分享,在實際輔導企業導入 AI 的經驗中,最常見的挑戰來自於「期待落差」。許多企業誤認為概念驗證(PoC)階段即可呈現完整的產品原型,然而實際情況顯示,若企業未能建立完善的資料架構與流程基礎設施,即使短期內展現亮眼成效,也難以確保長期營運的穩定性與可持續性。

也因此他建議企業在規劃 AI 導入時,應採取漸進式策略,從小規模應用場景著手,逐步擴展至核心業務領域。企業應將 PoC 定位為整體產品開發生命週期的重要環節,而非獨立的一次性專案。

AI 的導入不僅是一場技術升級,更是企業組織文化與決策流程的轉型工程。唯有從資料治理、流程優化到人才培訓同步布局,才能確保 AI 能在企業內部真正「落地生根」,創造長期商業價值,成為真正的智慧代理人。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂Vibe Coding
© 2025 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓