实战

48 个 Agent 找玛雅金字塔:72 小时的工程账

Google SWE 用 48 个 AI Agent 在 72 小时内筛查 NASA Lidar 数据。本文拆解任务分工、证据验证、成本边界,以及多 Agent 如何放大错误。

字号

48 个 AI Agent。72 小时。NASA Lidar 数据。

最后得到一座此前未被记录的玛雅金字塔。

这项任务真正值得拆的不是“AI 找到宝藏”。而是多智能体如何分工、验证,以及还会放大哪些错误。

原始报道见 Pietro Miotti 的文章。下面不复述结果,而是把它当成一次多智能体系统压力测试。

72 小时跑完一轮考古搜索

Google SWE 驱动 48 个 AI Agent,共同分析 NASA 激光雷达数据。整个任务用时 72 小时,并发现一座此前未被记录的玛雅金字塔。

这不是让模型看一张卫星图,然后直接回答“这里像不像金字塔”。流程可以粗略拆成四步:

  1. 读取和处理 NASA Lidar 数据。
  2. 从地形中寻找值得复核的异常。
  3. 让不同 Agent 分别检查几何形状、区域背景和候选解释。
  4. 汇总证据,排除植被、地形或数据噪声造成的误报。

“72 小时”比“发现金字塔”更有工程意义。它给系统设了一个明确预算:模型必须在这段时间内完成搜索,而不是无限尝试提示词。

不过,报道没有给出每个 Agent 的调用量、Token 消耗和失败重试次数。因此,现在还不能算出完整的单次运行成本。

48 也不必然等于 48 台并行机器。Agent 可能由调度器依次或分批启动。

但有一点已经明确:这不是单模型问答,而是一个有分工、有产物、有截止时间的搜索系统。

Google SWE 不是普通聊天机器人

Google SWE 在这里不是陪人聊天的机器人。它更接近一个软件工程执行环境:Agent 可以写代码、运行程序、检查输出,再根据结果继续修改。

这点很关键。

如果只让 LLM 根据图片给出猜测,它很容易犯一种“看起来很合理”的错:把规则林地、阴影或排水沟说成人工建筑。代码执行则提供了另一条验证路径。

例如,一个 Agent 可以先对高程网格做局部平滑,再计算坡度和曲率。另一个 Agent 可以生成候选区域,把每个区域渲染成同一套投影和色阶。第三个 Agent 再检查候选边界是否与已知遗址、道路和自然地貌冲突。

示意代码可以写成这样:

import numpy as np
from scipy.ndimage import uniform_filter

def local_relief(height: np.ndarray, cell_size: float) -> np.ndarray:
    """用邻域高程差提取正的地表起伏。"""
    smoothed = uniform_filter(height, size=5, mode="nearest")
    return height - smoothed

def candidate_mask(relief: np.ndarray, slope: np.ndarray) -> np.ndarray:
    """保留明显起伏且坡度不过高的候选区域。"""
    return (relief > 1.0) & (slope < 0.35)

这不是报道中的完整实现,也不能代替真实考古分析。它只说明:Agent 真正有价值的环节,不是“看图说话”,而是调用确定性的数据处理代码,把模糊判断变成可以重复执行的计算。

模型负责提出下一步检查什么。软件负责给出可核验的结果。两者角色不同。

多 Agent 的真正门槛是分工

48 个 Agent 听起来很热闹。工程上真正难的不是数量,而是避免 48 份工作重复 48 次。

一个合理的任务图至少需要几类角色:

  • 调度 Agent:维护任务队列、依赖关系和剩余时间。
  • 数据 Agent:裁剪 Lidar 区域、修复缺失值、统一坐标。
  • 检测 Agent:运行不同的异常检测策略。
  • 复核 Agent:专门尝试推翻其他 Agent 的候选。
  • 汇总 Agent:只保留有多个独立证据支持的点。

最容易出问题的设计,是把“复核”写成“再问一次模型”。如果 48 个 Agent 共享相同上下文、使用相同工具,并接受相似的提示词,那么看似是并行投票,实际上是同一种偏差被复制 48 次。

更可靠的做法,是让复核建立在不同证据上。例如:

候选检查项 作用
局部高程剖面 判断是否存在人工切割的平顶或台地特征
坡度与曲率 排除普通山坡、沟谷和自然突起
纹理与方向性 检查边缘是否具有规则几何结构
周边遗址关系 判断候选是否位于已有聚落或道路附近
多时相数据 排除采集误差、阴影和植被覆盖差异

这里的“多”不代表每个 Agent 都必须独立得出同一个答案。更好的系统会让一个 Agent 负责提出假设,另一个负责找反例。

我更关心它的失败模式。Agent 越多,错误传播速度可能越快。一个 Agent 写错坐标转换,后续 10 个 Agent 可能都在分析错误区域。如果汇总逻辑又把“多数同意”当证据,系统会非常自信地提交垃圾结果。

所以,多 Agent 的门槛不是调度框架本身,而是证据隔离和失败隔离。

NASA 激光雷达数据能挖出什么

NASA Lidar 数据在这项任务中被用作分析输入。它的价值在于:激光雷达不只拍摄地表颜色,也能记录林地下的微弱地形起伏。

雨林里的树冠遮住建筑,不代表地表完全不返回激光。通过植被空隙、枝叶边缘和多次回波,系统可以生成数字高程模型。考古遗址可能表现为:

  • 平顶;
  • 规则的直线边界;
  • 突然改变的坡度;
  • 与周围自然地貌不同的道路或平台。

算法通常先把原始点云转成栅格高程,再做局部基准面估计。所谓“局部高程差”,可以理解成拿一个点与附近区域进行比较。如果某处比周围高出数米,或者形成规则的台阶,它就值得进入候选队列。

但这仍然只是候选生成。

Lidar 同样会骗人。树冠轮廓、雷达扫描角度、河流沉积和地形阴影,都可能制造类似建筑的高程异常。机器的任务是减少人工需要检查的面,而不是取消专家判断。

这也是多模态 Agent 的用武之地:栅格数据负责精确测量,渲染图和地形剖面负责让模型检查空间关系。模型可以把结果指向一个具体坐标,人再去查原始点云与历史资料。

发现之后,还要过学术与考古关

“算法命中”不等于“考古发现”。

候选金字塔仍需经过现场勘探、年代测定和专家复核。高程异常可以说明“这里值得去”,不能单独证明建筑年代、文化归属,甚至不能完全证明它是人工建筑。

至少还有四道关:

  1. 数据复核。确认候选不是点云配准、滤波或坐标投影造成的伪影。
  2. 文献复核。核对旧地图、考古调查和历史档案,判断它是否只是记录缺失。
  3. 现场验证。由考古团队踏查、钻探或使用地表地球物理设备。
  4. 学术验证。确定建筑功能、材料、年代,以及它与周边遗址的关系。

报道登上 Hacker News 首页,获得 516 points 和 202 条评论。读者讨论位于 Hacker News 第 50452455 条。

516 points 说明工程和考古交叉题材有吸引力。202 条评论则提醒我们:这类项目最容易被追问证据边界。

到底发现了什么?是否经过实地确认?48 个 Agent 如何避免共识幻觉?72 小时包含多少人工干预?

这些问题不该等到媒体标题替它回答。

编辑思考

这个案例的价值,不是机器凭 48 个 Agent 取代考古学家,而是把一次难以覆盖的地域搜索,压缩成可扩张的候选筛选流程。Lidar 提供空间线索,模型负责调度和提出检查方向,确定性代码负责测量,考古专家负责决定什么能成为结论。这和过去用单模型做图像分类不同:任务从“识别一个对象”变成了管理一条长链路的证据生产。

我的判断是,下一步拼的不是 Agent 数量,而是可复现性。只有公开数据版本、代码、提示词、随机种子、每个 Agent 的日志和失败记录,才能判断 48 是有效并行,还是把成本堆高。误报率也必须与发现数一起公布;否则系统可能只是筛出更多值得人看的噪声。目前公开材料对“未记录金字塔”是否已完成现场确认仍不够明确,因此算法命中和考古定论不能混为一谈。

来源: https://pietromiotti.com/latest/maya-site/?maya