[控场AI]
· 4 分钟阅读· 2,356 字

48个AI智能体72小时发现玛雅金字塔,Google SWE如何做到的

48个AI智能体72小时发现玛雅金字塔,Google SWE如何做到的

48个AI智能体协同分析NASA LiDAR数据,72小时发现未测绘玛雅金字塔。

一支Google软件工程师团队使用48个AI智能体并行处理NASA公开的LiDAR数据,在72小时内定位到一座此前未被测绘的玛雅金字塔。该案例展示了多智能体系统在真实科学任务中的落地:智能体按数据切片和检测策略分工,通过工程化编排完成大规模遥感数据筛查。文章指出,LiDAR能穿透植被捕捉微地形,是考古高价值资源;AI的角色是候选异常筛查加速器,最终确认仍需实地考察。这一范式强调任务分解、并发调度和结果聚合,为AI应用落地提供了工程化启示。

当AI智能体盯上NASA激光雷达数据

一支由Google软件工程师(SWE)组建的团队,把48个AI智能体指向了NASA公开的激光雷达(LiDAR)数据,结果在72小时内找到了一座此前未被测绘的玛雅金字塔。这一消息在Hacker News上获得了45个点数,引发了关于AI智能体协同工作能力的讨论。

Hacker News 原帖截图

这个案例之所以值得关注,不在于“AI发现金字塔”的猎奇性,而在于它展示了一种新的工作范式:多个AI智能体并行处理地理空间数据,在极短时间内完成过去需要考古团队数月甚至数年才能推进的筛查工作。

48个智能体如何分工协作

据原帖描述,这48个AI智能体并非简单的重复执行,而是围绕LiDAR数据进行了分工。LiDAR能够穿透茂密植被,捕捉地表以下的微地形变化,而玛雅金字塔这类结构在点云数据中往往会留下可识别的几何特征。

AI智能体的角色可能包括数据预处理、特征扫描、异常检测和结果交叉验证等环节。每个智能体处理不同的数据切片或不同的检测策略,最终汇总出候选目标。这种“群体搜索”的思路和传统单模型推理有本质区别——它更像是一支被编程的数字考古队,而不是一个单一的AI模型在跑一遍推理。

72小时的时间窗口意味着这套流程高度自动化,人工介入主要发生在结果确认阶段。Google SWE背景也暗示了工程化能力在这个项目中的权重:数据管道、并发调度和结果聚合的难度,可能并不低于检测算法本身。

LiDAR点云与微地形特征:LiDAR(激光雷达)通过发射激光脉冲并测量回波时间,生成高密度的三维点云数据。在考古应用中,通常使用机载LiDAR,其脉冲可以穿透雨林树冠,到达地面并反射回来。经过滤波处理去除植被点后,剩下的地面点可以生成“裸地”数字高程模型(DEM),从而显现出树冠下的人造结构,如平台、堤道和金字塔。玛雅金字塔在DEM中表现为规则的几何形状(如方形或阶梯状凸起),这些微地形特征正是智能体检测算法所寻找的目标。点云数据的体量巨大(每平方公里可达数百万点),因此需要高效的数据切片和并行处理策略。

NASA LiDAR数据:被低估的考古资源

NASA的LiDAR数据原本用于地形测绘和地球科学研究,但它对考古学而言是一座信息金矿。中美洲的雨林覆盖让传统地面调查极其困难,而LiDAR能够“剥开”树冠,呈现地面结构。

近年来,LiDAR在玛雅低地考古中已多次带来重大发现,包括大规模聚落和水利系统。这个项目的意义在于,它把筛查工作从少数专家手中扩展到可规模化的AI流水线。公开数据加上智能体集群,降低了发现门槛,也让更多独立研究者有机会参与。

NASA LiDAR数据来源:NASA通过GEDI(全球生态系统动态调查)等任务,以及与其他机构合作(如机载地形测绘仪),公开了大量LiDAR数据。这些数据最初用于森林生物量、地形和冰川研究,但其高分辨率地面模型同样适用于考古。例如,GEDI提供星载激光雷达波形数据,而机载LiDAR(如NASA的ATM)则提供更高密度的点云。公开数据平台(如LP DAAC)允许研究者免费下载,这为AI智能体集群提供了可规模化的数据基础。不过,数据预处理(去噪、分类、生成DEM)仍需要领域知识,智能体需要集成这些步骤才能有效筛查。

多智能体范式正在走出实验室

据Hacker News社区和项目参与者的讨论,这个案例被视为多智能体系统在真实科学任务中的一次落地验证。与聊天机器人式的多智能体演示不同,这里的智能体面对的是真实、嘈杂、体量巨大的遥感数据,并且有明确的成功标准——找到此前未被记录的结构。

有分析指出,这类任务天然适合并行化:数据可以切分、检测策略可以多样化、验证可以交叉进行。智能体之间不需要复杂的对话,只需要清晰的任务边界和结果汇总机制,这反而让系统更稳定、更容易调试。

当然,也有评论提醒,发现一座金字塔不等于完成考古论证。AI给出的是候选异常点,最终的确认仍需实地考察和专家判断。把AI定位为“筛查加速器”而非“替代考古学家”,是更准确的框架。

多智能体系统(MAS):多智能体系统是由多个自主智能体组成的计算系统,每个智能体拥有局部感知、决策和执行能力,通过协作或竞争完成整体任务。与单一大型模型不同,MAS强调任务分解、分布式问题求解和结果聚合。在遥感数据分析中,MAS的优势在于天然适合并行化:不同智能体可以处理不同地理区域、采用不同检测算法或参数,最后通过投票或置信度融合来减少误报。这种架构对通信要求较低,更注重任务边界清晰和结果汇总机制,因此比对话式多智能体演示更稳定、更易调试。

对AI应用落地的启示

这个案例给AI应用开发者的启示是多方面的。数据和算力并非唯一瓶颈,工程化的任务分解和结果聚合同样关键。智能体的数量不是目的,围绕具体任务设计分工才有意义。垂直领域的高价值公开数据(如NASA遥感数据)是AI智能体发挥作用的理想试验场。

从AI编程和AI应用的角度看,48个智能体的编排本身就构成了一套需要精心设计的软件系统。如何调度、如何避免重复计算、如何合并置信度,这些工程问题决定了整个流程能否在72小时内收敛。Google SWE团队的做法,本质上是把“智能体集群”当作一个分布式系统来构建,而不是当作一个更聪明的模型来使用。

目前该项目公开的信息有限,具体的智能体架构和检测流程尚未完整披露。但它已经足够说明一件事:当AI智能体被组织成一支有纪律的队伍,而不是各自为战的玩具,它们能在真实世界的科学发现中承担实质性的工作。

#AI智能体#多智能体系统#Google SWE#NASA LiDAR#玛雅金字塔#AI考古#AI应用落地
分享:

相关推荐