人工智能在考古研究的全面应用探索－记参加《知往鉴来人工智能在考古与文化遗产保护中的前沿应用-青岛论坛》后感
随着人工智能技术的不断发展，人工智能正从单纯的算法工具，转变为各领域的核心底层能力。在考古文博这一学科中，人工智能所带来的不仅仅是效率的提升，更是一场方法论革新与生产力飞跃的深刻变革。
一、人工智能应用流程的第一个关键环节——选择数据建立数据库
从本质上看，人工智能是一种能够提升研究效率、拓展研究潜力的工具，它服务于“考古学问题”的解决，因此其使用过程也必须与“考古学问题”紧密结合。使用人工智能的第一个环节是进行数据库的筛选和建立，这要求我们针对想要解决的“考古学问题”来选择考古数据。
比如阮勇斌院士《AI考古的机遇与挑战》报告中使用了陶片照片作为数据库训练集，因为其要解决的问题是“文化归属明确但出土较少陶片的小型遗址的分期”，使用同一文化较大遗址中已明确分期的陶片照片进行训练，再用训练好的模型识别这些小型遗址的陶片照片，就能获得相当一部分陶片的所属分期，实质上也就得到了遗址的分期。在此基础上，将这些小型遗址中陶器的所属分期比例标注在地理地形图上，可以看出南部地区早期较多、北部地区晚期较多，由此可以明确整个文化由南向北迁徙。这一由人工智能分析得出的结论，与已有考古学研究成果相互印证，也验证了该方法的准确性。
黄婧对金属文物CT图像的研究，则通过对大量高密度金属器物探伤图像进行标注和掩膜融合，生成伪“无伪影”图像用于训练。虽然这一方法生成的数据并非真实数据，但保留了图像的关键结构并抑制了无关干扰，最终解决了这一图像数据处理的问题。
这两项研究都是紧紧依靠要解决的问题而进行的数据库选择，正如科技考古研究中要按照所需数据进行针对性取样，人工智能应用也需要从数据采集环节就开始筛选更贴近问题的数据类型，即便是生成式数据，在特定条件下也足以完成数据库的构建。
二、模型的训练和调试已经涉及多种数据类型
经过近几年的发展，人工智能模型已相当成熟，能够适用于多种数据类型的训练，不仅包括上一节提到的二维数据，更复杂的多层次信息数据也有了相当可观的研究成果。
刘素慧对小平底罐的陶器几何形态学研究报告，针对陶器残片和完整器的形态不能在同一维度进行分析的问题，构建GAN网络，将残片补全为完整器，并把补全结果和真实完整器的外轮廓使用几何形态测量学（GMM）定量，捕捉微小差异。结果发现，不同分期的小平底罐在口沿、肩部存在多样特征，可为类型学研究提供反馈。从另一个角度看，小平底罐的器型信息相对简单，适用于初始阶段的技术验证。以往陶器修复完整器时，往往只修复从口沿到器底有完整连接的个体，而随着这一技术发展完善，完全可以使用残片来模拟修复出完整器型。
杨欢基于有限元模拟，以商周铸铜陶范为例的青铜文物数字孪生模型和应用研究，将重点放在了陶范-铸件的传热学模型上，将整个研究过程分为测量、建模、反算、孪生、学习、反馈六个部分，使孪生体不断接受新出文物的检验，机器学习反向校核物理模型，实现“数据－模型－知识”的双向迭代演化。
多种模型的应用和完善，使学者们在选择数据库之后，能够有相适配的模型进行训练和验证，并最终抵达解决考古学问题这一终点。
三、人工智能的结果验证并解决考古学问题
刘思然的基于反射光谱的考古遗存智能分选研究，将重点放在了考古出土微遗物的识别与判断上。以往需要耗费大量时间进行人工分选，乃至经过设备漫长检测才能判断的炉渣、铜矿石、土颗粒等直径小于1厘米的遗物，现在可以利用反射光谱进行识别。利用VAE（变分自编码器）+GMM（高斯混合模型）+Sa_loss（光谱角损失）的模型框架进行训练，使其对谱图谱形具有较强敏感性，最终建立可以快速检测出土遗物类型的技术方法。这一方法的优点除了可以快速检测外，还能够将新的样品类型形成一个独立聚类，而不是强行归入已知类。
通过这一技术，团队在郑州商城的数千颗微遗物中发现了数颗纯铜渣，与出土的铜矿石对应，补全了郑州商城冶金生产链的全部环节，提出了铜矿石运到郑州商城进行冶炼的新假说。同时，将不同遗物在遗址中的分布进行标注，把冶金活动区分为矿石占比高的矿石区、烧硫物多但冶金遗存较少的非冶金核心区，以及金属颗粒和铸铜渣占比高的铸造区，有力地证明了遗址冶金活动区的生产布局。
这一方法还可以应用于更多类型的样品和研究。对于考古发掘的样品和大量土样来说，同样适用；毕竟，对许多样品而言，实验室的漫长检测确实会影响考古判断的效率。如果能有一种针对遗物性质的现场粗略判断手段，将极大地提高考古工作的效率。
四、文化遗产保护和展示利用
本次会议的另一个重点领域，是人工智能对文化遗产保护与展示利用的推动。如前所述，在陶器几何形态学研究中，人工智能可以帮助修复以往传统手段无法复原的残缺器型，使大量仅存局部信息的陶片重新获得完整的形态认知。这不仅是技术上的突破，更具有重要的学术意义：它让沉睡在库房中的“废片”转化为可研究、可展示的完整器物，极大扩展了考古材料的可利用范围，为类型学、工艺研究和博物馆陈列提供了全新的支撑。与此同时，针对CT图像中“伪影”的智能修正技术，能够去除因扫描设备或物体结构造成的噪声与变形，从而获取更清晰、更真实的器物内部图像信息。这意味着研究者可以在不破坏文物的前提下，精准分析器物的制作工艺、内部裂隙、残留物分布等关键信息，这对珍稀文物的无损检测与研究具有不可替代的价值。
还有一些学者围绕数字化展示与互动、文物数据资源的重构与艺术再创作，以及基于多模态感知的冲突地区世界文化遗产受损风险评估等内容展开研究，详细阐述了人工智能在文物保护与活化利用中的应用方法。这些应用共同表明，人工智能正在从“辅助工具”转变为文化遗产保护与活化的核心驱动力，其意义不仅在于提升效率，更在于拓展认知边界、重塑人与文物的关系。
五、人工智能应用的未来展望
方辉院长在论坛开幕式上，详细阐述了举办“大辛庄陶片拼合AI挑战赛”的研究初衷：除了提升陶片拼对效率这一直接目标之外，人工智能还使我们有能力完成以往条件下无法实现的跨遗迹单位拼对。按照传统工作流程，陶片通常仅能在单个灰坑或地层内部进行拼对，最多扩展至相邻或具有明确关联的遗迹单位。而一旦建立起覆盖整个遗址的陶片数据库，考古学者除了借助叠压打破关系推导出的历时性序列之外，还可以通过跨遗迹的陶片拼合结果，获取遗迹之间潜在的共时性关系。例如，两个各自与其他遗迹存在打破关系的遗迹单位，若人工智能识别出二者之间的陶片可以拼对，并最终成功完成了若干拼合案例，那么这两个遗迹便可能具有共时性关系。在此基础上，结合其他考古学观察与信息的交叉验证，研究者便能够将各遗迹之间的时间关系图绘制得更加清晰、精准，从而有力支撑考古学者对遗址遗迹关系的整体判断。
在学习了论坛的多个汇报之后，我有以下几点思考：
首先，人工智能在分析大批量样品和肉眼难以获取的信息方面具有极大优势。比如土壤微遗物和陶器这类样品，靠人工拣选数千颗或拼对数万片相当耗时，一旦数据库建立，这些时间都可以大幅缩短，专业人员只需进行抽检和验证即可，当然这也涉及对数据库的进一步补充和训练。
其次，目前考古工作单位应当将数据库建设视为重中之重，这是利用人工智能进行研究的基础。在基于考古问题选择数据之后，需要大量标准且稳定的数据集作为训练集和验证集，而很多数据本身就是日常工作流程中自然产生的，如陶片的照片，只要保证灯光、亮度、角度等参数统一，就可以作为数据库的一部分进行准备。
再者，人工智能的准确度数值并不直接等同于解决问题的能力。我之前读过一篇彩陶彩绘中黑点三种画法的三个画工判别研究的文章，以此为例假设一下，一件彩陶上可能有20个黑点，即便人工智能的识别准确率只有70%，只将其中14个黑点正确识别到对应的画工，按照比例也足以将该彩陶的画工进行正确判断。考古学依靠大量器物进行分组分类判断的研究方法，与人工智能的结合可谓顺理成章，即使存在一定误差，只要样品和遗址信息足够多，仍然能够推导出正确的结论。
最后，要避免“两张皮”的问题，人工智能这一工具最终要解决的是考古问题，要能够产生真正有价值的结果，这就需要考古学者了解这一工具的大致原理和流程，在模型训练和构建过程中进行大量的反馈和协助，使模型的准确度不断提升，最终解决考古问题、提高工作效能。
当前，许多相关的研究与探索仍处于并不成熟的起步阶段，如数据库术语标准化、数据类型格式标准化等工作也尚待完善，但千里之行，始于足下。即便是传统考古研究，也经历了上百年的积累才达到今天的面貌，而学术探索本身永无止境。陶器作为考古发掘中出土数量最为庞大的遗物类别，我们从中读取的信息仍然极为有限。然而，又何止是陶器？动植物遗存、环境样品、冶金遗物等，都蕴藏着远未被充分解读的信息。若要最终实现重建古代社会的学术理想，人工智能方法必将成为我们必须熟悉、掌握并善加运用的重要工具。
