48 個 AI Agent。72 小時。NASA Lidar 資料。
最終找到一座此前未被記錄的瑪雅金字塔。
這項任務真正值得拆解的,不是「AI 找到寶藏」,而是多智能體如何分工、驗證,以及可能放大哪些錯誤。
原始報導請見 Pietro Miotti 的文章。以下不重述結果,而是把它視為一次多智能體系統的壓力測試。
72 小時完成一輪考古搜尋
Google SWE 驅動 48 個 AI Agent,共同分析 NASA 雷射雷達資料。整項任務耗時 72 小時,並找到一座此前未被記錄的瑪雅金字塔。
這不是讓模型看一張衛星圖,然後直接回答「這裡看起來像不像金字塔」。流程大致可分成四步:
- 讀取並處理 NASA Lidar 資料。
- 從地形中找出值得複核的異常。
- 由不同 Agent 分別檢查幾何形狀、區域背景與候選解釋。
- 彙整證據,排除植被、地形或資料雜訊造成的誤報。
相較於「發現金字塔」,「72 小時」更具工程意義。它替系統設定了明確預算:模型必須在這段時間內完成搜尋,而非無限嘗試提示詞。
不過,報導並未提供每個 Agent 的呼叫量、Token 消耗與失敗重試次數,因此目前仍無法算出完整的單次執行成本。
48 也不一定代表 48 台機器同時運作。Agent 可能由調度器依序或分批啟動。
但有一點已經明確:這不是單一模型的問答,而是一套具有分工、產出與截止時間的搜尋系統。
Google SWE 不是一般聊天機器人
Google SWE 在此不是陪人聊天的機器人。它更接近軟體工程執行環境:Agent 可以撰寫程式碼、執行程式、檢查輸出,再依結果繼續修改。
這一點非常關鍵。
如果只讓 LLM 根據圖片提出猜測,它很容易犯下一種「看起來很合理」的錯誤:把規則林地、陰影或排水溝說成人工建築。程式碼執行則提供了另一條驗證路徑。
例如,一個 Agent 可以先對高程網格做局部平滑,再計算坡度與曲率。另一個 Agent 可以產生候選區域,並將每個區域渲染成同一組投影與色階。第三個 Agent 再檢查候選邊界是否與已知遺址、道路及自然地貌衝突。
示意程式碼如下:
import numpy as np
from scipy.ndimage import uniform_filter
def local_relief(height: np.ndarray, cell_size: float) -> np.ndarray:
"""用鄰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:
"""保留明顯起伏且坡度不過高的候選區域。"""
return (relief > 1.0) & (slope < 0.35)
這不是報導中的完整實作,也不能取代真正的考古分析。它只說明一件事:Agent 最有價值的環節不是「看圖說話」,而是呼叫具確定性的資料處理程式,將模糊判斷轉換成可重複執行的計算。
模型負責提出下一步該檢查什麼,軟體則負責提供可核驗的結果。兩者角色不同。
多 Agent 的真正門檻是分工
48 個 Agent 聽起來很熱鬧。工程上真正困難的不是數量,而是避免把 48 份工作重複做了 48 次。
一套合理的任務圖至少需要以下幾類角色:
- 調度 Agent:維護任務佇列、相依關係與剩餘時間。
- 資料 Agent:裁切 Lidar 區域、修復缺失值並統一座標。
- 偵測 Agent:執行不同的異常偵測策略。
- 複核 Agent:專門嘗試推翻其他 Agent 提出的候選結果。
- 彙整 Agent:只保留獲得多項獨立證據支持的據點。
最容易出問題的設計,是把「複核」寫成「再問一次模型」。如果 48 個 Agent 共用相同上下文、使用相同工具,並接受相似的提示詞,那麼看似平行投票,實際上只是把同一種偏差複製 48 次。
更可靠的做法,是讓複核建立在不同證據上。例如:
| 候選檢查項目 | 作用 |
|---|---|
| 局部高程剖面 | 判斷是否存在人工切割的平頂或台地特徵 |
| 坡度與曲率 | 排除一般山坡、溝谷與自然突起 |
| 紋理與方向性 | 檢查邊緣是否具有規則幾何結構 |
| 周邊遺址關係 | 判斷候選是否位於既有聚落或道路附近 |
| 多時相資料 | 排除採集誤差、陰影與植被覆蓋差異 |
這裡的「多」不代表每個 Agent 都必須獨立得出相同答案。更好的系統會讓一個 Agent 負責提出假設,另一個則負責尋找反例。
我更在意它的失敗模式。Agent 越多,錯誤傳播的速度可能越快。一個 Agent 若寫錯座標轉換,後續 10 個 Agent 可能都會分析錯誤區域。如果彙整邏輯又把「多數同意」當成證據,系統就會非常自信地提交垃圾結果。
因此,多 Agent 的門檻不是調度框架本身,而是證據隔離與失敗隔離。
NASA 雷射雷達資料能挖出什麼
NASA Lidar 資料在這項任務中作為分析輸入。它的價值在於,LiDAR 不只記錄地表顏色,也能捕捉林地下的微弱地形起伏。
雨林樹冠遮住建築,不代表地表完全不會反射雷射。透過植被空隙、枝葉邊緣與多次回波,系統可以建立數位高程模型。考古遺址可能表現為:
- 平頂;
- 規則的直線邊界;
- 突然改變的坡度;
- 與周圍自然地貌不同的道路或平台。
演算法通常會先把原始點雲轉成柵格高程,再估算局部基準面。所謂「局部高程差」,可以理解為將某一點與附近區域比較。如果某處比周圍高出數公尺,或形成規則台階,就值得進入候選佇列。
但這仍然只是候選生成。
Lidar 同樣會製造假象。樹冠輪廓、雷達掃描角度、河流沉積與地形陰影,都可能產生類似建築的高程異常。機器的任務是減少人工需要檢查的範圍,而不是取代專家判斷。
這也是多模態 Agent 能發揮作用之處:柵格資料負責精確量測,渲染圖與地形剖面則協助模型檢查空間關係。模型可以將結果指向特定座標,再由人工查閱原始點雲與歷史資料。
發現之後,還得通過學術與考古關卡
「演算法命中」不等於「考古發現」。
候選金字塔仍需經過現場勘探、年代測定與專家複核。高程異常可以說明「這個位置值得前往」,卻不能單獨證明建築年代、文化歸屬,甚至無法完全證明它是人工建築。
至少還有四道關卡:
- 資料複核:確認候選不是點雲配準、濾波或座標投影造成的偽影。
- 文獻複核:核對舊地圖、考古調查與歷史檔案,判斷它是否只是缺乏紀錄。
- 現場驗證:由考古團隊踏查、鑽探或使用地表地球物理設備。
- 學術驗證:確認建築功能、材質、年代,以及它與周邊遺址的關係。
報導登上 Hacker News 首頁,獲得 516 points 與 202 則留言。相關討論位於 Hacker News 第 50452455 條。
516 points 顯示工程與考古交錯的題材具有吸引力;202 則留言則提醒我們,這類專案最容易受到外界質疑證據邊界。
究竟發現了什麼?是否經過實地確認?48 個 Agent 如何避免共識幻覺?72 小時又包含多少人工介入?
這些問題不該等到媒體標題替它們作答。
編輯觀察
這個案例的價值,不在於機器靠 48 個 Agent 取代考古學家,而是將一次難以全面覆蓋的地域搜尋,壓縮成可擴張的候選篩選流程。Lidar 提供空間線索,模型負責調度與提出檢查方向,具確定性的程式碼負責量測,考古專家則決定哪些內容能成為結論。這與過去使用單一模型進行影像分類不同:任務已從「辨識一個物件」,變成管理一條長鏈路的證據生產流程。
我的判斷是,下一階段競爭的關鍵不是 Agent 數量,而是可重現性。只有公開資料版本、程式碼、提示詞、隨機種子、每個 Agent 的日誌與失敗紀錄,才能判斷 48 確實帶來有效平行工作,還是單純堆高成本。誤報率也必須與發現數一併公布;否則系統可能只是篩出更多值得人工查看的雜訊。目前公開資料對於「未記錄金字塔」是否已完成現場確認仍不夠明確,因此演算法命中與考古定論不能混為一談。