AI賦能考古學： 從泥土深處到數字未來

AI正以前所未有的深度和廣度滲透到考古學的各個層面，從根本上改變著我們發現、研究、保護和傳承人類歷史的方式。

考古學，這門致力于理解和重建人類過去的學科，其自身的發展史便是一部方法論不斷革新的歷史。從皮特里（F.Petrie）在1900年代初期開創性地運用定量方法為陶器序列排序[1]，到1960年代在新考古學思潮推動下，系統論、計算機模擬和統計學分析的廣泛引人，再到地理信息系統（geographicinformationsystem，GIS）成為空間分析不可或缺的工具，考古學始終在積極擁抱能夠增強其解釋能力的新技術。進入21世紀，人工智能（AI)，特別是其子領域機器學習和深度學習，正以前所未有的深度和廣度融人考古學研究的各個環節。這并非一次突兀的技術革命，而是該領域長期以來數據驅動和定量化趨勢的一次根本性加速和范式升級。AI是能夠模擬人類智能（如推理、學習和決策）的系統總稱。其核心分支機器學習使軟件能通過從數據中學習規律來提高預測準確性，而更深層次的深度學習則基于模仿人腦結構的人工神經網絡，通過處理海量數據進行自主學習。這些技術與考古的深度融合，為考古學研究開創新的篇章。

AI賦能考古遺址勘探與發掘

傳統的考古調查方法，如野外勘查和地表測繪，是發現考古遺址的重要手段。然而，這些方法受地形、植被和人類活動等因素的限制，存在可訪問性差、記錄不均衡、主觀性強等問題。近年來，遙感技術與AI的融合，為大規模、高精度的遺址檢測提供了新的可能。利用AI算法，可以處理海量的遙感數據，從中自動識別潛在的考古遺址[2]。深度學習模型，特別是卷積神經網絡（CNN）與高分辨率的激光雷達（LiDAR）地形數據結合，推動了技術的極大發展[3]。AI模型被訓練來識別與瑪雅建筑相關的特定地形模式，如平臺、金字塔的規則幾何形狀，以及堤道和水渠的線性特征，從而實現了大規模的自動化檢測。2018年，在危地馬拉北部的一項研究中，AI輔助分析LiDAR數據新發現了6萬多處瑪雅建筑，包括金字塔、宮殿、防御工事、房屋地基，以及連接各個城邦、總長超過160千米的高架堤道網絡。在伯利茲，類似的技術揭示了廣闊的濕地農業系統，其規模是先前估計的5倍，證明了瑪雅人曾進行過大規模的集約化農業。這些發現從根本上重塑了我們對瑪雅文明的認知，揭示了一個人口遠比想象中密集、社會結構更為復雜，并對環境進行了深度改造的超級文明。近年來，隨著無人機載LiDAR技術的普及，數據采集成本大幅降低，讓這項革命性技術變得更加普及。

此外，考古預測建模（APM）也因AI而深化。在中國陜西和日本進行的研究中，研究者利用深度學習的注意力機制（attentionmechanism），讓模型自動學習不同地形和水文因素對遺址分布的權重，從而更深刻地理解古代人類的定居選擇與人地關系[4]。AI與既有研究工具的結合正在創造一種全新的、在景觀甚至大陸尺度上展開的工作，將考古學分析的基本單元從孤立的遺址轉變為相互關聯的景觀。

AI在文物修復與保護中的應用

考古發掘出土的文物，尤其是陶器、壁畫和雕塑，往往以破碎的狀態呈現，需要大量人工投入。AI正通過幾何匹配、視覺生成和機器人技術，為這項工作帶來革命性的解決方案。古羅馬城市龐貝遺址出土了數以萬計的遺物碎片。對于人類考古學家而言，將這些碎片拼合復原是一項幾乎不可能完成的任務。歐盟資助的RePAIR項 目（ReconstructingthePast:ArtificialIntelligenceandRoboticsMeetCulturalHeritage)正致力于攻克這一難題。在陶器碎片的研究中，研究人員采用了雙管齊下的技術路徑。在器形復原方面，利用基于圖神經網絡（GNN）的算法來分析斷裂面的幾何屬性（如曲率、輪廓線），以預測匹配關系。在紋飾修復方面，則采用生成式AI模型。例如，通過在大量完整的同類藝術品（如中國仰韶時期的彩陶）數據集上進行訓練，AI能夠學習這類藝術品的風格。當面對有殘缺的陶片時，模型能夠以一種與原作風格高度一致的方式，補充并猜測缺失的部分[5]。浙江大學的研究人員已經利用AI成功地對古代中國繪畫進行了數字化色彩修復，將原本需要長達1年的修復過程縮短至3個月。

傳統的文物修復深度依賴于修復者個人的技藝和主觀闡釋，其產物往往是一個單一的、看似確鑿無疑的復原結果。AI的介入，正在將修復實踐從這種闡釋性重建轉向概率性重建。AI模型本質上是在概率空間中運作，其輸出不再是一個單一的結果，而是一組附有置信度水平的科學假設。這與科學研究的基本過程更為契合。正如希臘維爾吉納古墓壁畫數字修復項目的首席研究員所言：“每一次修復研究本身也是一種闡釋。它是一個提議，絕非最終定論。像這樣的數字修復可以被永久地改進和修正”。AI為文物修復這門古老的技藝引入了一種更透明、更具科學嚴謹性的新認知論。

AI助力古人類研究的深度解析

在古人類學研究中，首要環節是對遺骸的性別、年齡和身高等生物學特征進行判定。傳統方法依賴骨骼形態學觀察，不僅耗時，而且結果易受個體經驗影響。AI技術為此提供了標準化方案。目前，研究團隊已采用卷積神經網絡對頭骨的三維模型或二維圖像進行分析。通過在大規模已知性別樣本上訓練，AI模型能夠準確識別判定性別的關鍵形態特征。基于遷移學習，模型使用數干例現代人頭骨的三維CT掃描數據，自動聚焦于性別差異顯著的顱骨區域，并剔除無關背景信息，由此顯著提升判定的準確性和效率。

該方法具備良好可擴展性，可用于其他骨骼部位的年齡、種系等特征判定，也可在考古發掘現場通過智能手機拍攝的普通照片進行快速初步分析，大幅提高現場信息獲取效率。AI驅動的自動化分析將古人類學從依賴專家經驗的手藝，轉變為量化和數據驅動的科學。下一步研究將著力提升模型對多種數據類型的適用性，例如直接處理來自發掘現場的光學圖像，而不僅限于實驗室CT數據。長期來看，這一自動化框架有望從頭骨判定擴展至全骨骼體系的特征識別。

AI在古文字破譯及歷史數據挖掘中的實踐

古代文字是研究歷史思想與社會結構的核心資料，但其載體時常面臨破損或文字失傳的難題。自然語言處理（NLP）和計算機視覺技術為這些文本的解讀與修復提供了支持。在處理原始文本時，AI可用于文本標準化，增強圖像質量。比如，針對字跡形態多樣的古代手寫文本（如楔形文字），“ProtoSnap”項目利用生成式AI模型，先將形態不一的字符圖像處理成清晰、統一的標準化格式，再將這些優化后的數據用于訓練識別與翻譯模型，以提升其最終的準確率。同時，一些項目（如“電子巴比倫圖書館”）則利用AI算法對散布于不同機構的文物碎片進行虛擬匹配和拼接，已成功復原了部分已失傳的文獻。

此外，AI也在幫助重建文本的歷史語境。通過對某一語言的全部存世語料庫進行統計分析，AI模型可以預測特定銘文的書寫年代和地理來源。這種方法將銘文研究從對孤立文本的解讀，引向了基于網絡科學（networkscience）的宏觀分析。它使得研究者能將全部語料視為一個相互關聯的龐大數據集，從中發掘大規模的文化互動與歷史變遷模式。

基于AI的考古數據智能網絡平臺構建

考古學研究產生的數據量正快速增長，對數據的高效管理與利用提出了更高要求。自然語言處理技術能夠對考古報告和文獻進行自動化的信息提取。通過命名實體識別（NER）文檔分類和主題建模等技術，AI可以從非結構化的文本中自動識別并標注出地點、年代、器物類型等關鍵元數據，提升資料的可檢索性。目前，考古數據庫建設普遍存在數據標準不統一、數據庫之間缺乏關聯性的問題。信息主要依賴人工錄人，限制了數據更新的速度和綜合利用的深度。Archaeotools項目是一個杰出的實踐案例。在該項目中，考古數據服務中心的團隊利用信息提取技術，自動掃描考古報告，識別并標注出其中關鍵的元數據，如遺址的地理位置、所屬的考古學時期、發現的器物類型（如“羅馬陶器”、“青銅時代斧”）等。這不僅極大地加速了文獻的編目過程，更重要的是，通過后續開發的多語種考古學詞匯表，該項目成功實現了對歐洲多國考古文獻的跨語言信息提取。這意味著，一位英國的研究者可以檢索到用法語或德語撰寫的、關于特定主題的報告，AI自動跨越了語言的藩籬。這種互操作性的提升，對于促進國際合作和開展大尺度的比較研究具有革命性的意義。

未來的發展趨勢是利用AI構建智能化的考古數據網絡。AI技術將不僅用于單個數據庫內部的數據清理和自動分類，還將致力于實現跨數據庫平臺的數據關聯。在這個未來的圖景中，不同類型的考古遺存，如陶瓷器、金屬器、動植物遺存及人類遺骸，將被組織成各自專業的子數據庫模塊。AI算法將在其中扮演核心角色，承擔數據清理、自動分類和關系提取等關鍵任務。例如，利用圖像識別技術，系統可以自動識別考古照片中器物的紋飾和形態，并為其打上標準化的標簽；利用NLP技術，系統可以從發掘記錄中自動提取遺存的伴出關系、地層信息等，并將其鏈接到對應的數據庫條目中。

AI考古學面臨的挑戰

AI輔助文化遺產體驗的創新

文化遺產的最終價值在于其與當代社會的聯系。如何讓塵封的歷史“活”起來，讓公眾不僅僅是觀看，而是能夠體驗、互動和共情，是全球文化遺產機構面臨的共同挑戰。AI與虛擬現實（VR）增強現實（AR）、數字孿生以及元宇宙等前沿技術的結合，正在開辟一條全新的公眾參與路徑，將博物館和遺址地從靜態的展示空間，轉變為充滿活力的、可供探索的廣場。

對于大多數游客而言，考古遺址的斷壁殘垣很難與歷史上生機勃勃的城市生活聯系起來。數智城市和元宇宙技術，通過精細的三維建模和虛擬現實，可以將古代城市或歷史遺址在數字空間中完整重現。許多人參觀古代遺址后表示，由于一切都是廢墟，很難理解當時的空間和生活狀態。VR和AR技術正在彌合這種想象的鴻溝。在龐貝古城，游客可以使用AR眼鏡或平板電腦，在真實的廢墟上看到其完整的3D復原樣貌[。這些技術結合生成式AI還可以填補缺失信息，推測和生成符合歷史風格的建筑結構、紋理和裝飾。這比純手動建模更高效，且能生成多種可能的復原方案。

此外，過去為游客設置的動畫虛擬人物，可以經由行為樹（behaviortrees）或更高級的機器學習模型等AI驅動來模擬古代人的真實社會行為、對游客的出現做出反應、進行復雜的交互。通過創造高度逼真的“數智人”（digitalhumans)，文化機構可以為游客提供個性化、互動式的導覽體驗。例如，倫敦大英博物館已經開始探索利用AR技術，讓游客可以通過移動設備與虛擬的古埃及蔡司或羅馬百夫長進行互動。這些數智人不僅僅是預設腳本的播放器，其背后強大的NLP和視覺識別能力，使它們能夠理解游客的提問，并根據游客正在觀看的展品提供相關的講解和故事。這種兼具教育性與娛樂性的沉浸式體驗，能夠極大地激發公眾，特別是年輕一代，對歷史的興趣。

可以說，VR/AR提供了體驗的媒介，而AI則提升了這個媒介中所呈現內容的智能程度，讓重建更逼真、讓虛擬人物更鮮活、讓從體驗中收集的數據分析更深刻。AI是實現動態系統和能動要素的關鍵，而不只是呈現靜態的3D模型。

AI為考古學帶來巨大機遇的同時，也伴隨著諸多挑戰。AI并非中立的工具，它的應用正迫使我們重新審視考古學的數據、方法乃至倫理根基。

數據困境AI的核心是數據，而考古學數據的內在特性，構成了AI應用的首要障礙。眾所周知，AI遵循“垃圾進，垃圾出”的基本原則。考古學的數據檔案并非完美無瑕，它們本身就是歷史的產物，記錄了過去研究的偏好與偏見。例如，歷史上許多考古工作在殖民主義思想影響下，更側重于發掘宏偉的紀念性建筑，而忽視了普通人的日常生活遺跡。如果用這類存在偏差的數據集來訓練AI，模型不僅會學習并復制這種偏見，甚至會通過算法將其固化和放大，產出對歷史的片面解讀[7。

與AI通常依賴的大規模、標準化數據集不同，一項考古發現可能在數十年間只有零星產出，出土的文物往往殘破不堪，記錄方式也因時代和地域而異。這種數據特點給AI的訓練帶來了巨大挑戰[]。以陶器分類這一具體應用為例，挑戰尤為明顯。在考古中，某些稀有類型的陶器或許是判斷文化交流或年代的關鍵證據，但它們在出土文物中占比極低。一個在不平衡數據集上訓練的AI模型，可能會為了追求整體上的高準確率，而選擇性地忽視這些稀有樣本。這便導致了所謂的準確性悖論：模型報告的總體準確率可能高達 99% ，但它識別稀有關鍵類型的能力可能為零。此時，AI帶來的就不是幫助，而是誤導。此外，處理殘破的陶片而非完整器物，也讓基于圖像識別的AI模型性能大打折扣。

算法黑箱如果說數據是基礎，那么算法的透明度就是建立信任的關鍵。當前，許多強大的AI模型，特別是深度學習網絡，其內部決策過程極其復雜[8]，以至于研究者也難以完全解釋模型為何會得出某一特定結論。這種不透明性被稱為黑箱問題，它直接挑戰了科學研究的核心要求一一過程的可驗證性和可重復性。這可能會動搖考古學作為一門科學的根基。如果一位考古學家無法解釋結果背后的推理過程，只是簡單地歸因于AI顯示的結果，那么這項發現便失去了學術嚴謹性。當這種不透明的產出被用于公共展示時，風險進一步加劇。一個由AI生成的、看似精確的古城3D復原模型，可能會向公眾傳遞一種“這就是歷史原貌”的誤導性確定感，掩蓋了其背后所有的數據偏見、算法假設和解釋的不確定性，這從根本上違背了考古學作為一門解釋性科學的初衷[9]。

價值偏見首先，帶有偏見的AI可能會塑造和強化有缺陷的歷史敘事。一個主要用西方文獻和歷史觀訓練的AI，在分析非西方文化遺產時，可能會套用不合適的框架，從而產生扭曲的解讀[7]。此外，對于世界各地的原住民社群而言，其祖先的遺骸、器物、遺址數據不僅僅是信息，而是他們活態文化遺產中不可分割的一部分。考古學家不能再理所當然地將這些數據視為可以隨意采集和使用的資源。

未來之路：構建負責任的考古AI

面對上述挑戰，考古學界并非要拒絕AI，而是需要積極地去引導和塑造其發展方向。一個負責任的考古AI未來，應當建立在以下幾個支柱之上。

以人機協同為標準實踐未來的主流模式不應是AI取代人類，而是增強人類。考古學家的專業知識、批判性思維和實地經驗是AI無法替代的。LiDAR遺址的驗證過程便是絕佳的例子：考古學家利用自己的知識對AI的結果進行篩選、實地核查，并將驗證后的真/假判斷反饋給AI，從而迭代式地訓練出一個更精準、更適應當地環境的模型[10]。AI是強大的工具，但手握工具并決定如何使用的，永遠應該是考古學家。

以“可解釋性AI”實現透明為了打破黑箱，考古學界必須擁抱AI技術。例如，在AI做出判斷后，以可視化的方式向研究者展示模型看到了什么以及哪些特征是其決策的關鍵[1]。這使得考古學家能評估AI的判斷邏輯是否合理，是真正基于考古學特征，還是僅僅因為圖像背景中的巧合。這讓AI從一個提供答案的神秘盒子，變成了一個可以與之對話、可以被審視的合作者。

倫理框架為項目前提FAIR原則，即可發現（findable）、可訪問（accessible）可互操作（interoperable)和可重用（reusable）等倫理框架不應是項目完成后的補充檢查項，而必須是項目設計之初就內置的核心要素。在任何涉及原住民或地方社群文化遺產的AI研究啟動之前，必須就數據的所有權、使用權和利益分享達成清晰、公正的協議。

推動跨學科合作與批判性教育考古學家與數據科學家之間需要建立更緊密的合作關系，確保開發出的AI工具能真正解決考古學的實際問題。同時，未來的考古學教育必須包含AI素養課程。目標不是培養每個考古學家都成為程序員，而是讓他們成為AI技術批判性的使用者，能充分理解其能力邊界、內在偏見和潛在風險。

AI對考古學而言，既非靈丹妙藥，也非洪水猛獸。它是一項強大的、具有顛覆性的技術，其價值和風險完全取決于我們如何使用它。如果我們僅僅追求速度和效率，而忽視了其背后的數據、算法和倫理問題，那么AI很可能會成為生產新偏見的工廠。但如果我們以開放、審慎和負責任的態度，將人類的智慧與機器的智能相結合，那么AI將有望成為一把探索人類過去的、前所未有的手鏟，幫助我們提出更深刻的問題，并以更包容、更科學的方式，講述屬于全人類的更完整的故事。

[1] Bickler S H. Machine learning arrives in archaeology. Advances in Archaeological Practice，2021，9(2):186-191.

[2]Mehrnoush S，Mehrtash A， Khazraee E.Deep learning in archaeological remote sensing:Automated qanat detection in the Kurdistan Region of Iraq. Remote Sensing，2020，12:500.

[3]Argyrou A， Agapiou A. A review of artificial intelligence and remote sensingfor archaeological research.Remote Sensing，2022， 14(23):6000.

[4] Wang Y， Shi X， Oguchi T.Archaeological predictive modeling using machine learning and statistical methods for Japan and China. ISPRS International Journal of Geo-Information，2023，12(6): 238.

[5]Stamatopoulos MI， Anagnostopoulos C N. 3D digital reassembling of archaeological ceramic pottery fragments based on their thickness profile.arXiv，2016.arXiv:1601.05824.

[6]Assael Y， Sommerschield T， Shillingford B，etal.Restoringand attributingancient textsusingdeep neural networks.Nature， 2022， 603 (7900): 280-283.

[7]Tenzer M， Pistili G， Brandsen A， et al. Debating AI in archaeology: applications，implications，and ethical considerations.Internet Archaeology， 2024， (67): 8.

[8]Agapiou A， Vionis A，Papantoniou G. Detection of archaeological surface ceramics using deep learning image-based methods and veryhigh-resolutionuavimageries.Land，2021，10(12):1365.

[9]VitaleV.Rethinking3D visualisation:From photorealistic visual aid to multivocal environment to study and communicate cultural heritage.London:King's College，2017.

[10] Canedo D，Hipolito J，Fonte J， et al. The Synergy between artificial intelligence，remote sensing，and archaeological fieldwork validation.Remote Sensing，2024，16(11):1933.

[11]Labba C，Alcouffe A，Crubézy E，et al. IArch: An AI tool for digging deeper into archaeological data.2023 IEEE 35th International Conference on ToolswithArtificial Intelligence (ICTAI)，Nov 2023.DOI:10.1109/ICTA159109.2023.00012.