01 触发事件

Google researcher Pietro Miotti 上周称，他使用一组 AI agents 在墨西哥发现了一个可能尚未被记录的 Maya site。

但原文给出的关键事实是：这个地点去年已经被发现，并发表在学术期刊上。当地社区也早已知道附近存在这些遗址。

这不是一次考古学发现，而是一次 discovery claim 的验证失败。AI agents 识别出的“村庄和规则形状”最多是值得复查的线索，不能自动升级为“发现”。

02 这事的真正含义

问题不在于 AI 能不能看卫星图、过滤地形或批量标记疑似结构，而在于当前 workflow 把“模式识别”和“知识确认”压成了同一个动作。

Miotti 的 agents 找到了 lots of villages and regular shapes that looked like structures or houses。这句话本身很克制：它们只是看起来像建筑。

但后续叙事把它包装成了一个 potentially unmapped Maya site。中间跨过的，不只是措辞问题，而是证据链：

  • 地面坐标是否与已知遗址重叠？
  • 卫星影像中的形状是否来自植被、道路或现代建筑？
  • 是否有历史文献、地貌和当地社区信息交叉验证？
  • 学术期刊是否已经记录过同一地点？

这才是事件真正说明的事：在长尾专业知识里，AI 降低了 candidate generation 的成本，却没有同步降低 adjudication 的成本。

对 developer 来说，这是一堂具体的 Agent 产品设计课。一个 agent 返回“发现”并不等于 workflow 完成；必须有 provenance、confidence calibration、duplicate retrieval 和 human review。否则，增加 token 只会制造更多需要审计的候选线索。

我没在内部跑过 Miotti 的完整 agent stack，因此不判断具体是哪一步造成误判；但公开报道已经足以否定“AI 发现了未知遗址”这一强结论。

03 历史类比 / 结构对照

这很像 2007 年前后 GPS 设备进入大众市场后的“考古热”：设备让更多人发现坐标和异常点，但真正建立学术发现的，不是更灵敏的传感器，而是遗址记录、档案比对与田野验证。

差别在于，AI agents 比 GPS 批量生成候选点的能力更强。GPS 通常给出相对稀疏的异常坐标；agent 可以把卫星影像、历史地图和视觉模型结合起来，一次提出成百上千个 pattern。

这对应 Stratechery 的 aggregation theory：价值不只来自模型能力，而来自被聚合的对象、验证流程和分发渠道。坏处是，aggregation 也会聚合错误。如果一个系统只优化“找出更多值得看的地方”，它会天然偏向 false positives。

2014 年 AWS 的历史类比也适用。Amazon 没把每个企业系统都做得最好，却把计算能力、部署工具和 distribution 聚合起来，逐渐成为默认基础设施。AI archaeology 也需要类似的“可信基础设施层”：坐标去重、期刊索引、地图图层、当地知识和专家审核，而不是单个 prompt。

换句话说，AI 可以扩大漏斗顶部，但 moat 会在 verification layer，而不在生成层。模型替换成本可能很低，积累多年并持续维护的交叉验证数据与审稿关系才更难复制。

04 对 AI builder 意味着什么

这周做 agent 产品，我会立即收紧“发现类”输出的产品定义。

第一，把 action 与 conclusion 分开。模型可以输出 candidate site、suspected structure、lead for review，但系统不应直接显示“discovered”。UI 应明确区分 machine-generated hypothesis 和 verified finding。

第二，把 duplicate detection 设为默认步骤。涉及地图、建筑、医疗影像、法律案件或安全事件时，先与权威数据库和已有 publication 检索重合，再允许进入人工复核流程。没有这一步，agent 只是更快地产生重复答案。

第三，要求 evidence packet，而不是单一 confidence score。每个候选至少附带原始影像区域、坐标、模型判断依据、可能混淆因素、相关文献和不确定性来源。分数可以辅助排序，但不能替代可审计证据。

第四，保留 human-in-the-loop 的硬门槛。专业领域里，AI 最适合做 triage、批量标注和异常筛选；最终命名、发表或高风险决策，应由具备 domain expertise 的人承担责任。

第五，重新评估 distribution 的含义。任何 AI application 都能生成候选结果，但谁能接入文献库、专家网络、地方社区和 correction loop，谁才拥有更深的 switching cost。只依赖模型 API 加漂亮 dashboard 的工具，很容易被复制。

05 反方观点 / 风险

我可能低估了这起事件的积极面。AI agents 的确可能让研究者以更低成本扫描此前没人处理过的 imagery，尤其是人力稀缺、档案不完整的地区。如果系统能在去重和专家验证后持续扩大覆盖率，那么它依然会提高真实发现的吞吐量。

我也可能过度抓住“已被发表”这一事实。若 Miotti 原意只是发现此前未纳入他自己项目数据库的遗址，而非声称学术界完全未知，那么标题和我的判断可能都过重。我没读过他的完整 blog 和相关学术论文，这点我可能误判。

更大的风险是，所有 discovery 最终都必须服从既有 taxonomy。若验证机制要求候选点完美匹配已知类型，新的结构形态和异常证据也可能被过滤掉。AI 的价值恰恰在于提出既有搜索流程不容易提出的问题。

但即便如此，原文中的事件仍暴露一个不会消失的矛盾：AI 的生成速度正在超过专业共同体的验证速度。谁能解决这个瓶颈，谁才拥有科学 AI 的 distribution，而不是只会制造更高产的幻觉。