- 一个机器学习模型可以分析化石脚印的形状和运动模式，从而推断出最可能的造迹者。
- 这种方法可以提高识别准确性，但它依赖于高质量的数据，并引发了关于人工智能局限性的问题。
事件经过
根据发表在《科学报告》期刊上的一项研究，科学家们创造了一种新的人工智能方法，帮助识别哪些恐龙物种制造了特定的化石脚印。该技术结合了机器学习和生物力学建模，将脚印形状和由此推断的运动模式与不同恐龙已知的解剖学和运动特征进行比较。
传统上，古生物学家依赖于手动比较足迹形态——这种方法可能主观且受保存质量的限制。人工智能模型经过数千个脚印测量数据和骨骼数据的训练，能够评估脚印几何形状的微妙变化，这些变化可能对应于体型、步态和足部解剖结构。在初步测试中，该系统显示出将足迹与特定恐龙群体的已知足骨化石进行匹配的潜力。
该研究的作者强调，人工智能方法并不能取代传统的古生物学专业知识，而是作为一种工具来增强解释，尤其是在脚印可能属于多个相似物种的模糊情况下。他们还指出，模型的准确性在很大程度上取决于输入数据的质量和完整性，而这些在化石记录中仍然参差不齐。
重要性
这一发展代表了人工智能与古生物学的新颖交汇，将数据科学延伸至地球的深层历史。通过提升将脚印与特定造迹者关联的能力，研究人员可以更准确地重建恐龙的行为、生态和运动模式。了解哪些物种制造了特定的足迹，可以为研究中生代的群体动态、捕食者－猎物相互作用以及栖息地利用提供信息——这些洞见在直接身体化石缺失时，先前多为推测性的。
然而，该方法仍有局限性。由于机器学习模型的好坏取决于其训练数据集，恐龙骨骼记录中的空白可能会使结果出现偏差，或导致对代表性较好的群体过度拟合。人工智能模式识别还存在“虚假信心”的风险，例如在脚印因侵蚀、沉积物压实或沉积后变形而扭曲的情况下，这些都是古生物学家长期应对的因素。
此外，该方法引发了关于人工智能在科学推理中作用的更广泛问题。虽然计算工具可以快速处理复杂的数据集，但其输出需要仔细验证。批评者警告说，过度依赖算法建议可能会削弱曾指导数十载野外古生物学研究的领域知识。
总之，该人工智能技术为足迹分析提供了一种有前景的补充工具，但其实用性将取决于持续的改进、扩展的数据集以及与既定科学方法的整合。
另请阅读：https://btw.media/en/allit-infrastructure/globalconnect-invests-in-ai-technology/