《GLOBAL CHALLENGES》：Artificial Intelligence-Powered One Health: A Predictive Framework for Managing Persistent Chemical Threats across Human, Animal, and Environmental Systems
持久性有机污染物（POPs）、全氟和多氟烷基物质（PFAS）、重金属以及新兴污染物的负担日益加重，对人类、动物和生态系统健康构成全球性威胁。当前的管理策略仍然支离破碎且具有反应性，限制了全健康（One Health）范式的有效性。本综述介绍了一个人工智能（AI）赋能的全健康框架，旨在实现从监测到预测性预防的转变。通过对PubMed、Scopus、Google Scholar和Web of Science（截至2025年10月）的文献综述，研究人员综合了机器学习、深度学习、地理空间AI和物理信息模型在化学风险评估方面的最新进展。所提出的框架整合了四项核心能力：（1）用于实时源追踪和归趋模拟的地理空间AI（GeoAI）；（2）用于统一暴露评估的多物种暴露组（multispecies exposome）重建；（3）实现跨物种风险外推的预测毒理学引擎；以及（4）AI驱动的修复和政策情景优化。研究人员批判性地审视了伦理与治理挑战，包括算法偏差、透明度和环境正义。通过将全健康的整体性愿景与AI的预测能力相结合，该框架推进了“精准环境健康”（Precision Environmental Health）的概念，支持预期性治理（anticipatory governance），并在全球范围内促进公平的干预措施。
1 引言
1.1 行星化学污染与全健康要务的融合
人类世（Anthropocene）以全球生态系统普遍受到超过35万种合成化学品污染为标志，这代表着一场威胁行星健康的“缓慢流行”（slow-moving pandemic）。持久性有机污染物（POPs），包括多氯二苯并对二噁英和多氯二苯并呋喃（PCDD/Fs）、多氯联苯（PCBs）、多溴二苯醚（PBDEs）、多氯化萘（PCNs）以及全氟和多氟烷基物质（PFAS）等遗留化合物，是这场危机的典型例证。这些化合物抗环境降解、可进行长距离大气迁移、在食物链中生物富集，并可能在人类、野生动物和生态系统健康领域引起严重毒性效应，包括内分泌干扰、免疫毒性、神经发育障碍和致癌作用。到2050年，全球化学品产量预计将增加两倍，这加剧了暴露压力，需要变革性的管理方法。另一方面，汞、铅和镉等有毒重金属通过工业排放、采矿和农业实践加剧了这些风险。水生系统中的汞甲基化会生成强效神经毒性甲基汞，并在食鱼性物种和人类体内发生生物放大。最近在南非卢武武河流域集水区的时空监测揭示了多种潜在有毒元素的动态污染热点，检测到铅和砷等神经毒性和致癌重金属，其季节变化和空间格局直接表明污染与农业和家庭排放等人为活动相关，从而对当地人群构成可测量的非致癌和致癌健康风险。该案例凸显了铅和其他重金属污染如何不成比例地影响脆弱人群，并在与POPs共存时表现出协同毒性。全健康方法被定义为“一种综合性的、统一的、可持续地平衡和优化人类、动物和生态系统健康的方法”，已获得世界卫生组织（WHO）、联合国粮食及农业组织（FAO）和世界动物卫生组织（WOAH）的全球认可。对于化学威胁，全健康通过协调人类生物监测（如NHANES）、野生动物哨兵数据（如顶级捕食者、贻贝）和环境介质（空气、水和土壤）来建立分布式早期预警系统。《斯德哥尔摩公约》和《水俣公约》分别代表了国际社会对POPs和汞问题相互关联性的政治认可。
1.2 实现精准环境健康面临的挑战
尽管概念清晰，但实际采用面临关键障碍，而AI具有独特优势来解决这些问题：数据碎片化：生物监测数据存在于互不关联的医疗、兽医和环境机构部门中，限制了整体分析；风险评估所需的关键数据常常被困在孤立的学科领域。分析复杂性：POPs以复杂同系物混合物形式存在，具有非加和毒性，传统风险评估难以处理协同、拮抗和剂量依赖性效应。PFAS单一类别就包含数千种化合物，大多缺乏毒性数据，造成显著的数据缺口。传统统计方法无法处理包含数万个化学特征的高分辨率质谱（HRMS）数据集的高维度问题。此外，化学混合物的复杂性、其非线性的环境归趋和迁移，以及其效应背后的复杂毒理学机制，对传统还原论分析和统计方法构成挑战。跨物种外推：传统异速生长缩放（allometric scaling）无法捕捉物种特异性的毒代动力学和作用模式差异，这在野生动物保护和哨兵解释方面造成不确定性，特别是对于经验数据稀缺的受威胁物种。资源和能力限制：高收入国家与中低收入国家在监测基础设施、分析能力和计算资源方面的差距，造成了化学品安全的全球不平等。即使在资源充足的地区，“双重能力差距”，即同时精通环境毒理学和先进AI的专家短缺，也限制了广泛采用。监管和伦理挑战：“黑箱”模型面临要求机制透明度和可解释性的监管机构的相当大的怀疑。此外，关于算法偏差、数据隐私和环境正义的普遍担忧，凸显了对强健但仍在形成的治理框架的迫切需求，以确保AI在环境健康领域的伦理和公平部署。
1.3 AI作为全健康的运营枢纽
AI有潜力成为实施全健康原则的变革性技术，提供超越传统分析工具的能力，以促进大规模的实际应用。地理空间AI（GeoAI）现在能够以相当高的精度预测土壤污染，并同时量化相关的不确定性。此外，深度学习模型仅从分子结构就能高精度分类PFAS免疫毒性，而联邦学习（federated learning）促进跨机构的隐私保护数据集成。迁移学习（transfer learning）将模型从数据丰富的环境适应到数据稀缺的环境，解决中低收入国家的能力缺口。在环境与健康科学中，AI已经显示出在以前所未有的精度预测化学毒性、模拟个人暴露途径、通过非靶向分析识别新型污染物以及预测生态临界点方面的变革性应用。本综述将这些进展整合到一个统一的操作框架中，并辅以全面的证据综合。鉴于AI-全健康文献的广泛性、跨学科性和快速演变的特性，本工作作为一篇叙述性综述（narrative review）构思和开展。
2 方法
2.1 检索策略与数据来源
对科学文献进行了广泛检索，以识别AI、全健康与环境污染物交叉领域的研究。检索使用PubMed、Google Scholar、Scopus和Web of Science数据库，截止到2025年10月。检索策略结合了MeSH词和关键词的布尔配置，涵盖（"artificial intelligence" OR "machine learning" OR "deep learning" OR "geospatial AI" OR "graph neural networks"）与（"persistent organic pollutants" OR "PFAS" OR "heavy metals" OR "chemical mixtures"）等组合。
2.1.1 纳入与排除标准
纳入标准包括：（1）同行评审的原创研究、综述或评论；（2）以英文发表；（3）关注AI在人类、动物和环境领域的化学污染物评估应用；（4）报告定量或定性结果。排除标准包括：（1）仅关注无环境相关性的药物的研究；（2）仅限于临床诊断而无全健康整合的AI应用；（3）未经同行评审的摘要、会议论文或预印本；（4）缺乏方法学透明度的研究。
2.1.2 综述性质与研究选择过程
本稿件为叙述性综述，而非系统性综述，旨在综合AI与全健康方法在化学威胁方面的交叉点。因此，未使用正式偏倚风险评估、重复独立筛选或PRISMA流程图。通过检索策略识别的记录在标题/摘要层面进行筛选，必要时进行全文筛选，使用预先指定的纳入和排除标准。优先考虑近期、同行评审且概念相关的研究，同时为历史或方法学背景而纳入早期参考文献。
3 用于全健康环境健康的AI与机器学习工具箱
3.1 核心AI方法及其环境应用
3.1.1 机器学习（ML）
机器学习是AI的一个子集，涉及算法直接从数据中学习模式和关系，而无需针对特定任务进行显式编程。监督学习算法（随机森林、XGBoost、LightGBM）可从环境协变量预测污染物浓度、分类暴露途径，并以可解释性优势识别健康结果。近期已显示出结合多种ML算法的超级学习器集成方法，可实现对复杂毒性终点更优的预测性能。无监督学习方法（如k-means聚类、主成分分析和自编码器）在识别新型污染物特征、揭示复杂暴露数据集中的潜在模式以及将具有相似污染特征的地理区域分组方面发挥重要作用。
3.1.2 深度学习（DL）
深度学习是ML中更复杂的子集，利用具有多个隐藏层的人工神经网络从原始数据中学习层级表征。DL在处理高分辨率卫星和无人机图像、基因组和转录组序列以及高分辨质谱数据等固有复杂数据模态方面表现出卓越性能。卷积神经网络（CNNs）在基于图像的环境监测和微塑料识别方面尤为有效，实现了高检测精度。循环神经网络和长短期记忆网络架构越来越多地用于模拟污染物浓度的时间动态并预测未来污染事件。图神经网络（GNNs）作为前沿进展，在建模食物网、化学-蛋白质相互作用网络、生态网络或水文系统等关系型数据方面尤为强大，这些对于理解全健康背景下的暴露途径至关重要。GNNs在预测分子毒性方面表现出卓越性能，通过识别导致不良影响的关键子结构，同时提供高精度和可解释性。
3.1.3 地理空间AI（GeoAI）
GeoAI代表AI方法与空间统计、地理信息系统（GIS）和遥感技术的集成。GeoAI模型能够以前所未有的尺度分析时空模式，使其成为追踪挥发性POPs的大气传输、基于工业历史和地质特征预测土壤污染、模拟复杂流域中污染物的归趋和迁移以及识别污染热点的理想工具。CNN等先进技术可以从卫星图像中高精度自动检测点源污染，而迁移学习方法则促进模型在不同地理背景下的泛化。
3.1.4 自然语言处理（NLP）与大语言模型（LLMs）
NLP技术可以处理来自科学文献、监管报告、专利数据库和社交媒体的大量非结构化文本，以检测污染早期迹象、识别新的化学威胁，并通过整合现有信息来填补数据缺口。在毒理学和环境健康文献上微调的大语言模型（LLMs）可以协助化学风险的系统评价、生成机制性假设，甚至通过综合不同来源的证据来支持监管决策。
3.1.5 物理信息神经网络（PINNs）
物理信息神经网络（PINNs）是一类新兴的混合模型，将物理定律和领域知识直接嵌入神经网络架构，从而以更少的数据需求实现更准确的环境归趋和迁移预测。PINNs在模拟POPs和PFAS在环境中的复杂非线性行为方面尤其有用，因为它们结合了物理过程知识和观测数据。
3.1.6 可解释AI（XAI）
随着AI模型变得越来越复杂，确保可解释性和透明性对于监管接受和科学理解至关重要。SHAP、LIME和注意力机制等XAI技术可提供哪些特征驱动模型预测的见解，促进机制性理解并建立对基于AI的风险评估的信任。表1全面概述了全健康环境应用中使用的核心AI方法，总结了它们的主要应用、关键优势、性能特征、固有限制和近期文献中的代表性参考文献。
4 用于化学威胁的AI增强型全健康框架
图1展示了一个概念框架，说明AI分析如何作为连接全健康三大支柱（人类、动物和环境健康）的集成引擎，以支持跨多个应用领域的持久性化学威胁综合管理。贯穿以下各节，将已在环境健康环境中得到验证的AI应用（如用于污染制图的地理空间模型、用于毒性预测的机器学习分类器、用于生物监测的联邦学习）与主要处于概念阶段的方法（包括跨物种数字孪生、自主修复政策引擎和自动化多物种暴露组重建）区分开来。相关案例在表1和表2中按开发阶段进行标识。
表2展示了AI增强型全健康的案例研究，涵盖PFAS暴露分层、矿区重金属风险评估、北极PFAS食物网建模、城市生态系统铅暴露预测、微塑料影响量化、抗微生物耐药性热点预测、联邦学习生物监测以及通过高分辨质谱发现新型PFAS等多个全球应用实例。
4.1 增强的源识别与环境归趋预测
4.1.1 用于排放制图的地理空间AI
现代GeoAI融合多传感器卫星图像、气象再分析数据、工业登记册、土地利用图和社会媒体信息源，以高分辨率识别排放源并预测污染热点。物联网（IoT）传感器与AI算法的集成创建了智能环境监测网络，能够同时检测、识别和量化多种污染物，并在浓度超过安全阈值时触发自动警报系统。
4.1.2 用于迁移模拟的物理信息神经网络
物理信息神经网络（PINNs）通过将物理定律直接嵌入神经网络架构，集成了数据驱动AI与第一性原理建模。这种方法减少了数据需求，量化了预测不确定性，并实现了从局部热点到全球环流模式的多尺度泛化。然而，PINNs需要专业知识来制定物理约束，其计算成本可能限制在资源受限环境中的使用。耦合PINNs与降阶模型的混合方法正在出现，以平衡精度和可扩展性。最近的机器学习增强分子网络已经能够识别环境样品中数百种先前未知的PFAS，自动PFAS识别平台（APP-ID）在含氟化学品废水中显示出极低的假阳性率。
4.1.3 重金属源解析
对于重金属，GeoAI结合了开采活动数据库、地质图、土壤pH值、水文和社会经济指标。例如，一项研究利用GIS制图揭示了美国城市环境中跨人类、动物和环境介质的相互关联的铅暴露途径。另一项研究整合了Sentinel-2图像与随机森林和土地覆盖分割，成功绘制了秘鲁高寒草地中的镉和铅污染图。
4.2 综合暴露评估：迈向多物种暴露组
4.2.1 整体数据融合
AI能够构建一个集成的多物种暴露组，连接人类生物监测、野生动物哨兵监测、农业监测和环境测量。先进的机器学习算法集成来自可穿戴传感器、电子健康记录、环境监测网络和生物样本库计划的数据，构建高分辨率的个人暴露档案。一项研究通过引入结合集成重采样、遗传算法和基于SHAP的可解释性的优化模型，在预测母乳喂养婴儿POPs暴露风险方面取得了相当高的精度，从而能够识别关键暴露窗口和高风险化学组合。
4.2.2 非靶向分析与时间重建
高分辨率质谱（HRMS）每个样品产生数千个光谱特征。AI驱动的分子网络和基于深度学习的谱库可以跨基质同时识别未知的PFAS、转化产物和代谢物。多模态深度学习方法将分子数据、生理测量、行为观察和环境背景信息集成到统一预测模型中，在预测混合物毒性效应和识别协同相互作用方面取得突破性性能。对于时间评估，循环神经网络可以利用居住史、职业记录和环境归趋模型重建历史暴露，以高相关性预测终生PCB身体负荷。数字孪生作为环境系统的AI驱动虚拟表征，为实时暴露评估和情景模拟提供了前所未有的机会。
4.3 预测毒理学与跨物种外推
4.3.1 从高通量到体内预测
大数据毒理学、高通量筛选（Tox21、ToxCast）和先进机器学习的融合，催化了向新方法论的范式转变，在提高预测准确性的同时减少、优化和替代传统动物试验。机器学习已将药物毒性预测的失败率降低高达30%。综合分析表明，最优AI架构因终点而异：梯度提升方法（XGBoost、LightGBM）在肝毒性和急性毒性方面表现优异，而带有注意力机制的GNNs在心脏毒性（特别是hERG通道阻断）和发育毒性方面表现出卓越性能。基于ResNet的深度神经网络在药物性肝损伤预测方面取得了高精度，超越了传统QSAR方法。
4.3.2 跨物种外推与机制洞察
对于许多POPs，传统的异速生长缩放常常失效。基于多物种毒理基因组数据和蛋白质-蛋白质相互作用网络训练的图神经网络，可以通过学习保守和分化的毒理学反应来推断物种特异性不良结局。多物种AI模型考虑了毒代动力学、代谢和靶位点敏感性的物种特异性差异，从而能够对人类健康和生态终点进行更准确的风险评估。将系统发育关系与分子和生理数据相结合的GNNs，在预测物种对环境污染物的特异性敏感性方面显示出强大潜力。
可解释AI（XAI）技术的整合解决了深度学习模型长期以来的“黑箱”批评。SHAP值和注意力机制现在使毒理学家不仅能够识别化学物质是否有毒，还能识别哪些分子特征导致了该毒性，从而促进机制性假设生成和构效关系阐明。这种可解释性对于监管接受至关重要，并支持预测模型的迭代优化。
4.4 修复优化与监管决策支持
4.4.1 AI驱动的修复设计
机器学习模型可以预测特定污染情景下修复技术的有效性，考虑土壤性质、水文、污染物混合物和共存污染物等场地特定因素。生成对抗网络（GANs）通过生成合成训练数据来解决预测各种吸附材料同时去除有机污染物和重金属的数据稀缺挑战，显著提高预测精度，同时通过基于SHAP的特征分析保持可解释性，R2值超过0.90。用于PFAS去除优化的机器学习模型加速了膜材料的发现，将开发时间从数年缩短至数月。对于生物修复，AI正在彻底改变微生物降解途径的识别和优化。对宏基因组数据的机器学习分析促进了预测新型酶以降解包括微塑料、PFAS和多环芳烃在内的持久性污染物，在预测生物降解途径和优化工艺条件方面达到超过90%的准确率。
4.4.2 智能监管与政策支持
在监管决策支持方面，AI驱动的系统以前所未有的规模和速度综合大量科学证据、进行系统评价，并识别需要额外研究的数据缺口。自然语言处理与知识图谱构建相结合，能够实现整合数千项研究信息的综合风险评估，而这是传统系统评价方法难以在可行时间内完成的任务。机器学习模型可以预测哪些化学品可能达到监管关注阈值，从而促进测试资源的优先级排序，并将注意力集中在高风险化合物上。AI驱动的情景模拟允许监管机构在实施前评估不同政策干预的潜在影响，预测特定化学品用途限制可能如何影响人群暴露水平，并支持基于证据的成本效益分析。
5 框架的泛化：从POPs到金属、塑料和生物威胁
5.1 重金属
机器学习方法已经革新了对重金属生物有效性、毒性和修复效率的预测。结合生物炭特性和工艺参数的混合模型对重金属吸附实现了高预测精度，支持有效修复策略的合理设计。AI驱动的传感器网络能够实时监测土壤、水和农产品中的重金属污染，并在浓度超过安全阈值时触发自动警报系统。
5.2 微塑料与纳米塑料
AI驱动的图像识别系统在环境样品中分类微塑料的检测精度超过90%，使得以前手动方法难以实现的大规模监测成为可能。深度学习模型可以预测微塑料的环境行为、迁移途径和食物链中的积累，而机器学习方法通过宏基因组分析识别用于塑料降解的新型酶。
5.3 药物与抗生素
环境中药物的存在和抗微生物耐药性的全球危机与全健康挑战相互关联。机器学习模型通过宏基因组监测追踪抗生素抗性基因，预测抗性在环境、农业和临床环境中的出现和传播。AI促进药物环境归趋和转化产物的高通量筛选，而预测模型识别哪些化合物可能持续存在并在食物链中积累。这些应用证明了所提出的AI-全健康框架在POPs和PFAS之外的模块化和通用性。
6 关键挑战、伦理考量和治理框架
6.1 数据质量与FAIR/CARE要务
AI模型的质量取决于其训练数据的质量。环境和毒理学数据常常存在偏差、不完整、缺乏标准化以及地理或时间覆盖有限的问题。解决这些挑战需要承诺FAIR（可查找、可访问、可互操作、可重用）数据原则、标准化报告框架和对数据基础设施的战略性投资。对于新兴污染物、野生动物物种和研究不足的地理区域，数据稀缺问题尤为突出。虽然迁移学习、通过GANs生成合成数据和主动学习等技术可以部分缓解数据限制，但对监测基础设施的根本性投资仍然必不可少。相关的挑战是模型验证。由于环境和毒理学数据集在分析方法、时空覆盖和质量保证方面常常不同，AI模型可能无法在队列、区域或实验室之间良好迁移。因此，在独立数据集上的外部验证以及不确定性量化，对于AI衍生的风险估计用于决策之前至关重要，并应与标准性能指标一起报告。
6.2 模型可解释性与信任
复杂深度学习模型的“黑箱”特性对监管接受和科学理解构成挑战。虽然SHAP和注意力机制等可解释AI技术已取得重大进展，但确保AI驱动的风险评估是可解释、可复现且科学上站得住脚的，仍然是一个持续的挑战。监管框架必须发展以适应基于AI的证据，同时保持适当的验证和不确定性量化标准。
6.3 伦理AI实施与环境正义
如果设计不当，AI系统可能会延续或放大训练数据中存在的现有偏见，可能强化环境不公正。确保AI驱动的环境健康干预措施公平地惠及所有社区，需要明确关注公平性、透明性和包容性利益相关者参与。将个人健康数据与环境监测信息整合时会产生隐私问题，需要强有力的数据治理框架，在保护个人隐私的同时支持人群健康研究。
6.4 计算资源与可及性
最先进的AI方法需要大量的计算资源，这可能在资源充足的机构与能力有限的地区之间造成差距。通过云计算平台、预训练模型和用户友好界面实现AI工具的民主化，对于全球全健康实施至关重要。这些差距在中低收入国家尤为明显，有限的协调环境和生物监测数据、受限的计算基础设施和稀缺的技术专长可能阻碍AI工具的开发及其本地验证。需要对区域数据系统、公平研究伙伴关系和资源高效的AI架构进行有针对性的投资，以确保AI支持的全健康方法惠及中低收入国家，而不强化现有不平等。
6.5 AI的环境影响
矛盾的是，AI系统本身通过模型训练和推理过程中的能源消耗，产生了不可忽视的环境足迹。最近的研究开始量化和解决AI的碳足迹，表明AI对生态足迹的影响可增可减，具体取决于应用背景和实施选择。必须优先采用可持续AI实践，包括模型压缩、高效架构和可再生能源驱动的计算，以确保AI驱动的环境健康解决方案本身也是环境负责任的。表3总结了与AI集成全健康方法相关的关键实施挑战，以及基于证据的缓解策略和报告的成功指标。
7 结论与未来方向
将全健康范式与AI相结合，为解决全球化学污染危机提供了变革性机遇。本综述表明，AI超越了传统的分析角色，成为以前所未有的规模、精度和成熟度实施全健康原则的关键技术。通过在化学威胁生命周期的系统应用，从源识别和环境归趋预测，到综合暴露评估和预测毒理学，再到修复优化和监管决策支持，AI促进了从被动、非集成的方法向主动、集成和预测性的行星健康保护策略的转变。
如上所述，机器学习增强的分子网络现在可以以极低的假阳性识别环境样品中众多先前未被识别的PFAS。多模态深度学习在预测复杂毒性终点方面达到相当高的精度，同时通过注意力机制和可解释AI提供机制性见解。GeoAI从卫星图像中自动检测排放源具有高精度。AI驱动的修复策略加速了材料发现，并可靠地预测多污染物混合物的去除效率。数字孪生结合物联网传感器和基于云的AI，支持能够实时监测和预测警报的自适应环境管理系统。为实现AI增强型全健康策略的全部潜力，必须解决几个关键优先事项，包括开发标准化、可互操作的环境和生物监测数据库，更广泛地采用联邦学习架构以实现隐私保护的多机构数据共享，以及部署AI支持的早期预警系统以应对新兴化学威胁。未来方向包括：
(1) 数据基础设施与标准化：投资于涵盖人类健康、兽医学、野生动物监测和环境监测的协调、符合FAIR标准的数据基础设施至关重要。
(2) 方法论创新：在多模态学习、物理信息神经网络、因果推断方法和不确定性量化方面的持续进展，将提高AI模型的准确性和可解释性。
(3) 验证框架：开发和采用专门为基于AI的环境健康工具设计的严格验证框架，将建立信心并实现监管接受。
(4) 能力建设与民主化：通过开源软件、云平台、能力建设计划和国际合作确保公平获取AI工具，对于全球全健康实施至关重要。
(5) 伦理治理：制定确保AI负责任、透明和公平部署的伦理框架和治理结构。
(6) 可持续AI：通过节能架构、可再生能源驱动的计算和AI系统的生命周期评估，确保AI解决方案本身是环境可持续的。
(7) 预测性早期预警系统：操作此框架需要经过验证的AI早期预警系统，使用标准化环境数据和联邦学习，在人群水平危害发生前检测新兴污染、新型化学品和跨物种风险。这需要严格的基准测试、现实世界测试以及公共卫生利益相关者的共同设计，以确保预测可靠性和整合到监测工作流程中。
这一挑战的规模非同寻常。全球使用中的合成化学品超过35万种，气候变化加剧了暴露途径，新威胁不断出现，传统方法已不足以管理日益复杂的化学风险。将全健康的整体性愿景与AI的分析能力相结合，提供了一条明确的前进道路，将方法从危机应对转变为预期性治理，从碎片化、脱节的努力转变为综合理解。通过将人类、动物和生态系统的相互关联健康与机器智能相结合，有可能开发出有韧性、适应性强且公平的系统，在人类世有效保障行星健康。问题不再是AI能否彻底改变应对化学威胁的全健康方法，而是这些变革性能力能够以多快的速度和多公平的方式扩展，以应对行星健康的紧迫挑战。
