元知识详解：流行病学

R0 大致等于「每次接触的传染概率 × 单位时间接触人数 × 传染持续期」三者相乘。三个旋钮里任何一个被拧动，R0 就变：戴口罩压低第一项，封控压低第二项，早隔离压低第三项。疫情真正展开后，起作用的是有效再生数 Rt——随着易感者被消耗、防控介入，Rt 会从 R0 一路下滑。当 Rt 跌破 1，每一代感染者传不满一个接班人，链条就断了。整个防控的目标，本质上就是把 Rt 死死按在 1 以下。

R0 只衡量「传得多快」，和「病得多重」毫无关系。麻疹 R0 高达 12–18，是已知传染性最强的病之一，但致死率不高；埃博拉 R0 大约只有 2，却极其致命。这解释了一个公共卫生悖论：2003 年 SARS 能被相对干净地扑灭，恰恰因为它「先发病、后传染」——人出现症状后才有传染性，于是隔离就能截断传播链。而新冠之所以难控，是因为它在症状出现前就开始传染——同样的 R0，可控性天差地别。决定一种病能否被围堵的，往往不是 R0 本身，而是传染窗口与症状出现的先后次序。

R0=1 的临界线，就是复杂系统里的相变点与分岔点——亚临界态自我衰减，超临界态指数失控，中间没有缓冲带。在网络科学里，传播阈值还取决于网络结构：在存在「超级传播者」的无标度网络中，临界阈值会被拉到接近零，几个高连接节点就能点燃全局。同一套数学描述了谣言与病毒营销的扩散——产品的「病毒系数」k 就是增长版的 R0，k>1 才能滚雪球。金融风险的级联、开源项目的 fork 扩散，遵循的是同一个临界逻辑。

把任何指数扩散的东西都翻译成 R0，决策会清晰很多。产品增长的病毒系数、事故在微服务间的级联、技术债在代码库里的蔓延——它们都有自己的 R0，而你能拧的旋钮就那三个：传染概率（每次接触的「感染」率）、接触率（耦合/扇出有多密）、传染期（问题暴露多久才被切断）。真正决定成败的常常是第三个：缩短「发现到隔离」的时间，比事后扑救便宜一个数量级。

每个感染者实际能传染的人数，等于 R0 乘以人群中仍易感的比例 s。当免疫比例足够高、使 s 降到 1/R0 以下时，实际传染数就跌破 1，疫情无法维持。免疫者的作用不只是自保——他们更像被「拔掉」的传播节点，让病原在人群网络里找不到连续的落脚点。于是少数无法接种的人（婴儿、免疫缺陷者）也被间接保护。这正是疫苗接种创造的、超出个人之外的公共价值。

群体免疫天生带着一个「搭便车」陷阱。当足够多人接种后，没接种的人也安全了——于是从纯个人理性看，最优策略竟是「让别人去打、自己白嫖那点微小风险」。如果人人都这么算，接种率就会滑到阈值以下，疫情卷土重来。这正是经济学里的公共品与正外部性问题：免疫的好处外溢给了他人，个人却独自承担接种的成本与风险。麻疹 95% 的高阈值让它格外脆弱——只要 5% 的人因「搭便车」或犹豫而不接种，免疫墙就会塌出缺口，而这种崩塌是突然的、非线性的，不是缓慢恶化。

这道临界线在物理学里叫渗流阈值——往网络里随机「拔点」，超过某个比例，贯穿全局的连通巨簇会骤然瓦解，传播再也走不通。在社会运动中它是「临界质量」：新规范、新习惯只有被超过临界比例的人采纳，才能自我维持，否则被旧均衡拉回去。在分布式系统里它是法定人数（quorum）——掌握超过半数的节点才能锁定共识。共同的深层结构是：连通性存在一个突变点，而非线性渐变。

推动团队采纳一项新实践（写测试、安全补丁、代码评审规范），就是在砌一道「文化免疫墙」。在跨越临界比例之前，早期采纳者要独自承担成本、还常被旧习惯反噬；一旦越过临界点，规范开始自我强化，反而是不遵守的人显得格格不入。关键洞察：别指望线性推进，要瞄准那个临界比例集中突破。同理，安全补丁的覆盖率若停在阈值以下，整个系统仍暴露在一次「爆发」面前。

混杂因子 C 同时影响「暴露」X 和「结局」Y，于是 X 与 Y 之间冒出一段并非因果的关联。对付它的武器有几种：随机化（把人随机分组，直接斩断「C 决定谁暴露」这条路，这是 RCT 的核心威力）、分层、回归调整、匹配。但有个铁律：你只能调整测量到的混杂，对没测到的混杂束手无策。更微妙的是要分清三种角色——混杂（必须调整）、中介（在因果路径上，不能调整，否则抹掉真实效应）、对撞因子（调整它反而会凭空引入偏倚）。调错了，比不调更糟。

最著名的翻车案例是激素替代疗法。多项大型观察性研究曾显示，绝经后接受激素替代的女性心脏病更少，医学界一度据此广泛推荐。但后来的大规模随机对照试验给出相反结论：激素替代反而增加心血管风险。差别从何而来？接受激素替代的女性本就更健康、社会经济地位更高、更注重保健——是这层「健康使用者偏倚」（healthy user bias），而非激素本身，制造了「护心」的假象。只有随机分组打断了混杂，真相才浮出水面。这个反转直接改写了临床指南，也成了「观察相关 ≠ 因果」最昂贵的一课。

这是辛普森悖论的本质——分层后关联反转，正是混杂在作祟。在机器学习里它叫「捷径学习」或虚假相关：模型把图片背景的草地当成了「牛」的特征，因为训练数据里牛总站在草地上——背景就是那个混杂因子，换个场景模型立刻崩溃。这也是 A/B 测试必须随机分组的根本原因：随机化是人类发明的、用来批量消灭未知混杂的最强工具。经济学家则用工具变量、自然实验在无法随机的领域逼近因果。

数据驱动决策最深的坑就埋在这里。「用了新功能的用户留存更高」——几乎肯定有混杂：本来就活跃的用户既爱尝鲜又会留存，功能未必是原因。「用了我们 AI 工具的团队产出更高」同理，可能只是强团队更愿意尝试新工具。唯一可靠的解法是制造随机：A/B 实验、holdout 对照组，而不是盯着观察相关下结论。把「这是相关还是因果」当成每个数据结论的默认质询，能挡掉绝大多数自欺。

监测分被动（等医生上报）与主动（哨点医院、人群抽样、污水检测、症状搜索）。评判一套系统看几个维度：及时性、敏感性、特异性、代表性。最大的难点有两个。其一是「漏报金字塔」——确诊病例只是冰山一角，下面压着大量未就医、未检测的感染者。其二是报告延迟叠加指数增长：你今天看到的数字，其实是一两周前那一代疫情的回声；等数据「看起来不妙」，真实规模早已翻了好几倍。综合征监测、哨点网络的价值，就在于把这个时滞尽量压短。

污水监测能在临床病例出现前数天到一周，就探到病原浓度的上升——因为感染者往往在就医甚至出现症状之前，就开始向下水道排出病原。新冠期间，多地污水信号稳定领先于确诊曲线，成了宝贵的领先指标。另一个反直觉之处：检测做得越多，「确诊数」自然越高，可能制造出「疫情恶化」的假象——可被测量的行为本身改变了被测的数字。所以判断真实趋势要看阳性率、住院数这类不易被检测量左右的指标，而非确诊绝对值。早期 SARS、新冠的失控，很大程度上正是监测时滞造成的：指数增长里两周的盲区，就等于错过了整个防控窗口。

这就是分布式系统里的可观测性（observability）——监控与告警的全部意义，是在级联故障的指数早期捕捉到信号，而不是等系统全面瘫痪后复盘。漏报金字塔对应「用户报障只是冰山一角，下面是大量沉默的受影响请求」；污水监测对应领先指标（如错误率、队列深度的微小抬头）。信息论则提供了底层语言：信噪比、采样率、检测的及时性。一个共同的铁律横贯所有领域——面对任何指数过程，感知的滞后是头号敌人。

把生产系统的监控当成疾病监测来设计，思路会立刻升级。SLO 与告警是你的哨点网络，要在故障指数扩散前就鸣笛，而不是等用户投诉（临床病例）涌进来。问自己：我有没有「领先指标」，能在崩溃显形前就抖动？还是只有滞后指标，等冰山浮出水面才知道？最值钱的，往往是一个像「污水信号」那样、领先于用户感知的低延迟探针。