AI使纳斯卡线条数量翻倍——并改写其用途

巨作从来不是完整的故事

一个世纪以来，纳斯卡线条始终以其规模定义自身。蜂鸟、蜘蛛、螺旋尾巴的猴子——这些是填满博物馆礼品店和纪录片片头的标志性图像。它们横跨秘鲁沙漠，绵延约九十米，刻痕之 deliberate，使得某些图形从地面便能辨认。

然而现在看来，它们只是例外。

由山形大学纳斯卡研究所的酒井正人领导的团队，与 IBM 合作，花了近年时间在高解析度航拍照片上训练一个人工智能图像识别模型，覆盖的是纳斯卡高原。这项研究于2024年9月发表在《美国国家科学院院刊》（PNAS），带来了一份近乎翻倍的图录修订：仅六个月就鉴定出三百四十八个新图形。其中一百六十个具有具象特征——动物、人头、牲畜——使已确认的纳斯卡线条具象图形总数达到八百九十三。

但真正的故事不在于数字。而在于这些新图形的样貌、它们所在的位置，以及它们的存在对我们自以为已理解的传统的暗示。

尺寸讲述不同的故事

新发现的地画平均直径约九米——仅为那些著名巨作的十分之一。它们是浅浮雕式图形，刻画于沙漠地表，而非通过移去深色表石以裸露浅色底土形成连续长线的方式构成。它们坐落于坡地和步道旁，而非巨作肆意铺展的高原开阔中心。

这并非次要的美学差异。仅从位置来看，就暗示了一种根本不同的参与模式。大型地画的设计意图是从上方观看——至少自1930年代商业飞机首次飞越该地区、飞行员报告从舷窗看见这些图形以来，这是工作的假设前提。

而那些小巧的图形，嵌入与人尺度相符的地形之中，并非为此目的而作。九米大约是一辆校车的长度。你不需要飞机才能看见它们。你需要从它们旁边走过。你需要置身地面。

酒井本人曾提议，这些步道旁的图形可能曾作为对行人的讯息——指路标、领土标记，或旨在引导穿行于这片景观之中的人而非从上方俯瞰它的仪式指令。若此解读成立，便将整个纳斯卡高原重新定义为分层的环境，其中不同的视觉语域在不同尺度上、为不同的受众运作。

方法即是发现本身

山形大学与IBM的合作并非简单地跑一个模型便宣告结束。工作流程在每一阶段都是迭代的，且明确带有考古学性质。

首先，团队利用纳斯卡高原及周边沙漠的高解析度航拍照片构建了大规模训练数据集。他们在该数据集上微调了一个预训练的图像识别模型——本质上是在教导模型区分地画特征与自然岩层、侵蚀图案及现代干扰物。

人工智能生成了包含一千三百零九个候选地点的清单。酒井团队随后对这些候选进行了审查，将范围缩小至最可信的地画遗址。此后，他们进行了实地调查和无人机摄影，从物理层面验证每个地点。这些新图形的确认并非仅凭算法置信度。

这种混合方法——机器学习用于探测、人类专业知识用于验证、无人机确认用于核实——正是使这一结果可信的原因，从更广泛的意义上说，也正是使其可复现的原因。先前数项人工智能辅助考古项目正是在这一缺口上栽了跟头：模型标记一切，历史学家却一无所顾。纳斯卡研究则翻转了这一比例。

酒井在《PNAS》论文中称其为"变革性突破"。那些更小、风化更严重的图形以航拍Survey此前根本无法分辨的方式融入了斑驳的沙漠地表。从高空中扫描的肉眼会错过它们。即便是细致的地面survey也会遇到困难——纳斯卡研究区面积约六百三十平方公里，而团队自1990年代以来一直在做类似工作，综合卫星影像、航空摄影和无人机画面，回报逐年微薄增量。

为何日本在此故事中举足轻重

纳斯卡高原位于秘鲁。《PNAS》论文发表于美国期刊。但主导机构是日本的，合作关系贯穿纽约的IBM研究院。这并非偶然。

日本已在人工智能服务人文学科的基础设施上战略性投资数年——日本文部科学省资助了多个跨学科中心，将机器学习实验室与考古学、文字学和艺术史系所配对。山形大学纳斯卡研究所成立于2004年，正处于这一政策推动与一个世纪来始终抗拒简单阐释的遗址交汇之处。

酒井自1990年代起便开始纳斯卡研究。他在2004年组建了首个研究团队。直到2018年，一位资深同事向他提示了人工智能的可能性，他才转向AI。从人类尺度的调查到AI尺度的调查之间那八年的空白值得留意：足够长，暗示技术尚未就绪；足够短，暗示团队对部署时机经过了审慎考量。

更广泛的意涵在于，AI考古管线正以某种难以在无此类资金架构的国家复制的方式制度化。秘鲁拥有遗址，日本拥有计算合作伙伴关系，美国拥有期刊。这种三角本身就是值得关注的模式。

新图形不是什么

说清楚《PNAS》结果并未声称什么，是有用的。论文并未断言纳斯卡线条现已完全破译。也未主张人工智能揭示了完整的书写系统或统一的世界观图谱。新图形已被编入目录；它们的含义仍待开放。

论文实际表明的是，既有图录在实质上并不完整——不仅存在差距，而且近乎翻倍。而那缺失的一半具有与我们早已熟知的一半不同的物质形态。大型、高原中心地带的巨作本就注定会被航拍发现。那些小型、坡地旁、风化的图形则不然。经过训练以搜寻它们的算法改变了发现的轨迹。

方法比数字更重要

翻一倍图录已然可观。更令人瞩目的是，翻倍的图录呈现出内在的一致性，而非噪音。这一百六十个新具象地画展现出与既有体系相同的风格词汇——牲畜、人头、动物形态——其估算年代与已知图形的哥伦布前时期相吻合。它们不是异常值；它们是缺失的分布。

这种内在一致性是证明AI探测真实存在而非产生伪影的最有力证据。若模型在幻觉模式，新图形大概会更怪异——或以与图像质量梯度而非地形与步道拓扑相关的簇群方式聚集。

为何此事超越秘鲁

纳斯卡案例是一类问题的模板，考古学界全球各地已开始面对此类问题：遗址过于辽阔、过于微妙或过于退化，传统调查无法解析，但其中有价值的信号已嵌入机器如今能读取的影像之中。

同样的方法正在——或正被测试——应用于从亚马逊 geomancy 网络到黄河盆地埋藏聚落格局的各类遗址。变量不是方法，而是训练数据。一处遗址若有良好的照片档案，AI便可快速微调；若没有，模型便只与第一次实地验证的质量相当。

纳斯卡两者兼备。这正是此案以不同寻常的清晰度登陆顶级期刊的原因。《PNAS》发表的价值不在于AI发现了什么的惊喜，而在于证明了当数据管线完善时，方法是有效的。

未来十年

酒井团队于2024年9月发布了最初三百余个图形的清单。截至2025年7月，山形大学报告了2023至2024年野外季又新增二百四十八个发现，使具象图形总数推至八百九十三。

工作仍在持续。下一个问题不是是否还有更多图形——它们几乎必然存在——而是扩大的图录告诉我们纳斯卡人如何使用空间。若步道旁的图形确为面向行人的讯息，那么高原便是一片多模态的景观：巨作为天空而设，较小的图形为地面而设，可能以序列排布，引导人们穿越沙漠时的移动、仪式或记忆——而我们才刚刚开始追踪这一切。

一个世纪的学术研究始于飞机。如今，它越来越多地始于处理器。线条本身未曾改变。我们看见它们的能力改变了。