Coordinated Pandemic Control with Large Language Model Agents as Policymaking Assistants
作者: Ziyi Shi, Xusen Guo, Hongliang Lu, Mingxing Peng, Haotian Wang, Zheng Zhu, Zhenning Li, Yuxuan Liang, Xinhu Zheng, Hai Yang
分类: cs.AI
发布日期: 2026-01-14
备注: 20pages, 6 figures, a 60-page supporting material pdf file
💡 一句话要点
提出基于大语言模型多智能体的疫情协同控制框架，提升决策效率。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大语言模型 多智能体系统 疫情控制 协同决策 流行病学建模
📋 核心要点
- 现有疫情控制方法通常是孤立的、被动的，未能充分考虑区域间的相互依赖性，导致控制效果不佳。
- 本文提出一个基于LLM的多智能体框架，每个区域配备一个智能体，通过模拟和通信协同制定疫情控制策略。
- 实验结果表明，该框架能有效降低感染和死亡人数，在单个州层面分别减少高达63.7%和40.1%。
📝 摘要（中文）
为了解决疫情控制中行政区域间各自为政、响应滞后的问题，本文提出了一种基于大语言模型（LLM）的多智能体决策框架，以支持跨区域的协同和主动疫情控制。在该框架中，每个行政区域被分配一个LLM智能体作为AI决策助手。智能体根据区域特定的流行病学动态进行推理，同时与其他智能体通信以考虑跨区域的相互依赖性。通过整合真实世界数据、疫情演化模拟器和结构化的智能体间通信，该框架使智能体能够通过闭环模拟过程共同探索反事实干预方案并综合协同的政策决策。使用2020年4月至12月美国州级COVID-19数据、真实世界流动记录和观察到的政策干预措施验证了该框架。与真实世界的疫情结果相比，该方法在单个州层面分别减少了高达63.7%和40.1%的累积感染和死亡，在跨州聚合时分别减少了39.0%和27.0%。这些结果表明，LLM多智能体系统可以通过协同决策实现更有效的疫情控制。
🔬 方法详解
问题定义：论文旨在解决疫情控制中跨行政区域协同决策的问题。现有方法的痛点在于，各区域通常独立制定政策，缺乏协调，导致疫情控制效果不佳。此外，现有方法往往是反应式的，即在疫情爆发后才调整政策，缺乏前瞻性。
核心思路：论文的核心思路是利用大语言模型（LLM）构建多智能体系统，每个智能体代表一个行政区域，负责制定该区域的疫情控制策略。智能体之间通过通信共享信息，从而考虑到区域间的相互依赖性。通过模拟疫情演化，智能体可以探索不同的政策组合，并选择最优的协同策略。
技术框架：该框架包含以下主要模块：1) 数据输入：整合真实世界的疫情数据、流动数据和政策干预措施。2) LLM智能体：每个行政区域对应一个LLM智能体，负责推理和决策。3) 疫情演化模拟器：模拟疫情在区域间的传播和演化。4) 智能体间通信：智能体之间通过结构化的方式进行信息交流。5) 策略评估与优化：通过模拟评估不同策略的效果，并选择最优的协同策略。
关键创新：最重要的技术创新点在于将大语言模型应用于多智能体协同决策，并将其应用于疫情控制领域。与现有方法相比，该方法能够更好地考虑到区域间的相互依赖性，并实现前瞻性的政策制定。此外，通过模拟疫情演化，该方法能够探索不同的政策组合，并选择最优的协同策略。
关键设计：论文中使用了GPT-3等预训练的大语言模型作为智能体的基础。智能体间的通信采用结构化的消息传递机制，例如，智能体可以询问其他区域的疫情状况、政策措施等。疫情演化模拟器采用基于SEIR模型的变体，并考虑了区域间的流动性。策略评估采用累积感染人数和死亡人数作为指标，并通过强化学习等方法优化策略。
🖼️ 关键图片
📊 实验亮点
实验结果表明，与真实世界的疫情结果相比，该方法在单个州层面分别减少了高达63.7%和40.1%的累积感染和死亡，在跨州聚合时分别减少了39.0%和27.0%。这些结果表明，基于LLM的多智能体系统能够显著提升疫情控制的效果，并优于现有的决策方法。
🎯 应用场景
该研究成果可应用于各种需要跨区域协同决策的场景，例如自然灾害应对、交通拥堵缓解、环境污染治理等。通过构建基于LLM的多智能体系统，可以实现更高效、更智能的协同决策，从而提升整体系统的性能和效率。未来，该方法还可以扩展到更复杂的社会经济系统中，为政策制定者提供更全面的决策支持。
📄 摘要（原文）
Effective pandemic control requires timely and coordinated policymaking across administrative regions that are intrinsically interdependent. However, human-driven responses are often fragmented and reactive, with policies formulated in isolation and adjusted only after outbreaks escalate, undermining proactive intervention and global pandemic mitigation. To address this challenge, here we propose a large language model (LLM) multi-agent policymaking framework that supports coordinated and proactive pandemic control across regions. Within our framework, each administrative region is assigned an LLM agent as an AI policymaking assistant. The agent reasons over region-specific epidemiological dynamics while communicating with other agents to account for cross-regional interdependencies. By integrating real-world data, a pandemic evolution simulator, and structured inter-agent communication, our framework enables agents to jointly explore counterfactual intervention scenarios and synthesize coordinated policy decisions through a closed-loop simulation process. We validate the proposed framework using state-level COVID-19 data from the United States between April and December 2020, together with real-world mobility records and observed policy interventions. Compared with real-world pandemic outcomes, our approach reduces cumulative infections and deaths by up to 63.7% and 40.1%, respectively, at the individual state level, and by 39.0% and 27.0%, respectively, when aggregated across states. These results demonstrate that LLM multi-agent systems can enable more effective pandemic control with coordinated policymaking...