48个AI智能体72小时发现玛雅金字塔:谷歌工程师的LIDAR考古实验

谷歌工程师用48个AI智能体扫描NASA的LIDAR数据,72小时标记出一处疑似玛雅金字塔结构。
一则来自BuildHive AI News的讨论称,一名谷歌软件工程师用48个AI智能体并行扫描NASA的LIDAR三维地形数据,72小时内标记出一处此前未被记录的玛雅金字塔结构。文章强调这只是一次数据层面的发现而非发掘,AI的角色是模式识别与候选筛选,无法判断年代、文化归属或解读象形文字。节目重点讨论了假阳性风险:围绕错误标记展开多年发掘可能重创研究者职业生涯,因此结论落在「Trust the AI, but verify」。可复制的工作流是遥感数据加多智能体粗筛再加人工复核,瓶颈将从「找不到」转向「验证不过来」。
一名谷歌软件工程师用48个AI智能体,对NASA的LIDAR数据连续扫描72小时,标记出一处此前未被记录的玛雅金字塔结构。这条来自BuildHive AI News的讨论,把「AI Agent集群 + 遥感考古」这个组合推到了台前。

这件事到底发生了什么
据BuildHive AI News节目描述,实验的核心并不复杂:NASA的LIDAR数据相当于一张热带丛林的三维地形图,植被之下地表的起伏被完整记录下来。48个AI智能体在这份数据上并行工作,寻找与周围地形不一致的几何形态——金字塔这类人工结构,在LIDAR点云里往往表现为规整的台状或锥状轮廓。
72小时后,智能体标记出一处隐藏了数个世纪的结构。节目用了一个很形象的说法:AI像是一支不知疲倦的寻宝队,在数据丛林里跑完了人类需要漫长时间才能覆盖的搜索面积。
需要说明的是,这是一次数据层面的发现,不是发掘。没有一铲土被翻开,结构仍停留在点云和算法判断里。这一点决定了后面所有的讨论。
LIDAR(Light Detection and Ranging,激光探测与测距)是一种主动遥感技术:机载或无人机载的激光发射器以每秒数十万次的频率向地面发射脉冲,并记录反射回波的时间差,从而计算出地表高程。关键之处在于,激光脉冲能够穿透热带雨林的树冠缝隙,部分抵达真正的地面,因此最终生成的点云数据可以被算法「剥离」植被层,还原出被遮蔽的地形起伏。考古学家正是借助这种「数字剥皮」看到隐藏在丛林之下的道路、梯田、堤坝和建筑基址。NASA运营的GEDI等项目长期从国际空间站采集全球范围的激光雷达数据,为这类研究提供了公开的数据基础。
AI在考古里究竟扮演什么角色
节目嘉宾反复强调一个定位:AI是工具,不是替代者。
LIDAR数据的价值在于穿透植被,但数据量巨大,人工逐块排查成本极高。AI智能体的优势是把「找异常形状」这类模式识别任务并行化、规模化。用节目里的话说,它像给考古学家配了一个永不休息的数字助手。

但边界同样清晰。AI无法判断这座结构属于哪个时期、由谁建造、用途是什么。它读不出象形文字,也无法从陶片和地层中还原历史。节目里的比喻很到位:等于给机器人一个放大镜,它能看见形状,却不知道形状背后的故事。
放大镜拿得再稳,解释权仍在人手里。
**点云(point cloud)**是LIDAR数据的原始形态:数以亿计的三维坐标点共同勾勒出地表形状,每个点带有经纬度、高程和回波强度等信息。它不像普通照片那样是规整的像素网格,而是稀疏、不规则、体量巨大的空间点集合,需要专门的算法进行滤波、分类和网格化处理后才能用于分析。对考古学家而言,判断某个点云区域是否存在人工结构,本质上是在三维空间中寻找与自然地形统计规律不符的几何模式——这正是机器学习模型擅长的工作。多智能体系统则把这一任务拆分给多个并行的「代理」,每个代理负责不同区块或不同特征维度,从而把原本串行的排查过程大幅加速。
假阳性:被低估的风险
节目里最有分量的一段讨论,是关于「数字幽灵」的担忧。
如果AI标记的结构最终被证明只是地形巧合,后果不只是浪费一次勘探。节目嘉宾直言,围绕一个假阳性展开多年发掘,对研究者的职业生涯是实打实的打击。

这也解释了为什么节目把结论落在「Trust the AI, but verify」上。让AI承担数据筛选的重活,让人类专家做交叉验证和意义判断,两层结构缺一不可。
有意思的是,节目内部对这条新闻本身也保留了怀疑——主持人一开始就在追问「如何确认这不是一个数字幽灵」。这种内部的自我质疑,恰恰是这类AI发现最需要的外部视角。
**假阳性(false positive)**在遥感考古中并不罕见:自然形成的台地、岩层节理、甚至现代耕作痕迹,在点云上都可能呈现出看似规整的几何轮廓。识别算法通常需要在「召回率」和「精确率」之间取舍——放宽阈值能找出更多候选,但误报也随之增加。学界对此已有反思,例如对所谓「亚马逊几何 earthworks」或某些LIDAR异常结构的后续地面核查,常常发现部分候选并非人工遗迹。因此成熟的考古流程会把LIDAR判读视为「提出假设」,而非「确认发现」,必须经过地表踏查、探沟发掘或年代测定才能进入学术结论。
对考古工作流的实际影响
抛开单个案例,这个实验展示了一种可复制的工作模式:遥感数据 + 多智能体并行扫描 + 人工复核。

它的价值不在于「AI发现了什么」,而在于把候选地点的产出速度提上了一个台阶。过去需要团队花费大量时间圈定的可疑区域,现在可以由智能体先做一轮粗筛,人类专家直接进入高价值候选地做判断。
这套流程的瓶颈也随之转移——从「找不到」变成「验证不过来」。当AI把候选列表快速拉长,田野考古的人力、经费和许可周期会成为新的限制环节。这或许是比单次发现更值得行业思考的变化。
常见疑问
AI找到的结构一定是金字塔吗? 不一定。LIDAR上的形状异常只是候选信号,需要地面勘探和人工判读才能确认。节目本身也在追问如何排除假阳性。
48个智能体具体如何分工? 节目没有披露技术细节,只描述了并行扫描LIDAR数据、寻找与周围地形不一致的模式这一整体思路。
这会让考古学家失业吗? 节目给出的答案是否定的。AI负责数据处理,人类负责语境与解释,二者是协作关系而非替代关系。
相关推荐

OpenAI 11月30日关停Agent Builder等三项服务,开发者需紧急迁移
OpenAI 将于 11 月 30 日关停 Agent Builder、evals 仪表盘和可复用提示三项开发者功能,evals 已转为只读。本文梳理受影响范围、OpenAI 官方给出的迁移路径(Agent SDK、PromptFu、自有代码)以及开发者本周应完成的导出与重建动作。

RankSpot:按次付费的SEO与AI搜索执行层,让Agent替你写文、发布、换外链
RankSpot 是面向 AI Agent 的 SEO 与 AI 搜索执行层,通过 MCP 接入 Claude 或 ChatGPT,让 Agent 完成写文、发布和外链获取。按次付费,每篇文章 3 美元,读数据免费,支持 100 多种语言。

Appxiom:给AI编程助手装上生产环境上下文
Appxiom为AI编程Agent提供生产环境上下文,覆盖崩溃、卡顿、内存泄漏与失败的网络调用,支持Android、iOS、Flutter、KMP和Web,并通过Goal Friction Impact按业务目标排序Bug。