北亞利桑那大學的兩位研究人員使用基于GPU的深度學習算法對古代陶器小碎片進行分類，分類結(jié)果達到甚至超越了四位考古專家的水平。

Leszek Pawlowicz和Christian Downum在6月出版的《考古科學雜志》上所發(fā)表的一篇論文中概述了這項技術。該技術的重點應用對象是美國西南部的一種特殊古代彩繪陶器——圖薩揚白瓷（Tusayan White Ware）。

這種陶器于公元825年至1300年間在現(xiàn)在的亞利桑那州東北部制造，其特點是在白色陶器上繪有黑色幾何圖案。在20世紀20年代，考古學家想出了如何根據(jù)這些設計來對陶器進行分類，這樣他們就可以了解每一塊陶器碎片是在什么時候制造的。

圖薩揚白瓷碎片是考古學家了解文字出現(xiàn)之前美國西南部復雜文化的一個窗口。雖然它們僅僅是美國東南部豐富考古遺產(chǎn)中的一小部分。

北亞利桑那大學兼職教師、1992年Jeopardy！ Tournament of Champions的獲勝者Pawlowicz解釋說：“在亞利桑那州和新墨西哥州有幾萬甚至幾十萬個遺址曾被霍皮人和祖尼人占據(jù)。他們從1500年前就開始居住在里面并且一直居住到近代?！?/p>

考古學家在研究陶器碎片時所面臨的挑戰(zhàn)與天文學、動物學等各個領域的科學家所面臨的挑戰(zhàn)相似。如今，他們正在借助人工智能，運用越來越多的數(shù)據(jù)開展日益龐大的項目。

認出古代工匠

北亞利桑那大學人類學教授Downum表示，快速分析該地區(qū)以及全世界的陶器碎片將使研究人員能夠?qū)?shù)百年前的人類生活有新的認識。

終將有一日，他們能夠辨認出個別工匠的作品并追蹤陶器在古代貿(mào)易網(wǎng)絡中的分布。

問題在于只有極少數(shù)受過相關培訓并擁有數(shù)十年經(jīng)驗的人才能夠理解他們眼前的東西。

對于考古學家來說，人員流動是一個大問題。例如目前積極參加這方面工作的人員中，只有一位是第一代設計類別定義者的徒弟，可能有十幾位是第二代專家的徒弟。

因此將數(shù)十萬張碎片照片以及地理信息轉(zhuǎn)換成電子數(shù)據(jù)十分重要。

超越人類專家

根據(jù)Pawlowicz和Downum的研究，經(jīng)過適當訓練的深度學習模型可以對裝飾碎片的數(shù)字圖像進行分類，并且其準確度可以達到甚至超過四位當代考古專家。

Pawlowicz在他的電腦上只用了幾個小時就訓練出用于這項研究的人工智能模型。他的這臺電腦配備NVIDIA GPU，用于運行一對常用的卷積神經(jīng)網(wǎng)絡模型——VGG16和ResNet50。

該模型遠勝現(xiàn)代考古學家，甚至可以成為培訓新考古學家的重要工具。

更易解釋性

Pawlowicz和Downum表示，深度學習長期以來一直被視為一個“黑匣子”。

Pawlowicz和Downum寫道，Grad-CAM（基于梯度的類激活圖）等新工具能夠“詢問”該模型以確定輸入圖像中的哪些區(qū)域?qū)τ趫D像類型分配置信度最為重要。

然后結(jié)果會以“熱圖”形式顯示，其中與分類最相關的區(qū)域用紅色陰影表示，不太相關的區(qū)域用藍色表示。

與深度學習的易解釋性相比，人類專家往往難以指出他們根據(jù)碎片樣本的哪些具體特征進行分類，因此難以解釋他們的工作或培訓其他人員。

另一個優(yōu)勢是一致性。不同的人類專家往往會對碎片做出不同的分類，但人工智能卻可以做出一致的分類。因此即便分類標準存在缺陷，也可以通過人工智能對大量樣本進行有價值的對比。

通過深度學習，還能夠更容易地將新的洞見應用于在100多年以前分類的碎片樣本，從而將新概念應用于舊工作。

“眾包” 考古工作

接下來，Pawlowicz準備在北亞利桑那大學的NVIDIA系統(tǒng)上運用更復雜的模型分析更大的樣本集。

Downum和Pawlowicz希望創(chuàng)建一個可搜索的中央圖像數(shù)據(jù)庫。各種智能手機應用程序甚至可以幫助幾乎沒有經(jīng)驗的人在現(xiàn)場為數(shù)據(jù)庫“添磚加瓦”——在不影響兩位考古學家工作的情況下為現(xiàn)場碎片拍照。

人工智能會對每張上傳的碎片照片進行專家級分析。Downum認為：“這項技術具有很大的潛力。”

編輯：jq