一个候选可以是真的,同时不是新的。
2026 年 11 月 11 日,Pietro Miotti 更正了自己的玛雅遗址记录。48 个通用 AI Agent 从激光雷达图像中筛出的山顶结构确实像一处遗址,原始点云也支持这些几何形状位于地面而非树冠。但该地点已经出现在 2025 年 Estrada-Belli 等人的区域测绘论文中。Agent 找对了对象,却把重复发现写成了新发现。
这次纠正没有否定 AI 做候选筛选的价值。它暴露了科研 Agent 流水线里更容易被忽视的一道门:检测为真,只能证明这里值得看;新颖性为真,才允许声称此前无人记录。
先分清四本账
Miotti 的记录称,系统把约 1,200 平方公里的激光雷达条带转成图像,让 48 个 Agent 按指南寻找金字塔、平台和广场等规则形状。Agent 筛出多个候选,并对其中一处山顶结构检查了原始点云。这本账回答的是对象是否可能真实存在。
随后,系统查询文献和档案,并把含保密坐标的报告发给墨西哥国家人类学与历史研究所 INAH。公开展示的回函称,在所给位置没有查到已登记的考古遗址。这本账只回答某个机构登记库里有没有记录。
后来补上的第三本账来自学术文献。Miotti 的更正称,Estrada-Belli 等人 2025 年的论文已经绘制了同一地点。该论文汇总公共数据和受私人委托采集的激光雷达数据,包括对坎佩切州南部和金塔纳罗奥州南部环境雷达数据的重新处理,研究范围覆盖约 9.5 万平方公里的中部玛雅低地。
第四本账是领域确认:这个结构是什么、年代为何、功能如何,需要考古专家、现场调查或同等强度证据。外观像广场、金字塔或蓄水池,仍属于解释,不会因为前三本账中的任何一项通过而自动升级。
| 账本 | 它能证明什么 | 它不能替代什么 |
|---|---|---|
| 数据检测 | 候选在影像或点云中可见 | 历史身份与新颖性 |
| 机构登记 | 指定数据库在指定日期的记录状态 | 完整学术文献与地方知识 |
| 文献先例 | 已发表材料是否存在相同或高度相关记录 | 现场真实性与完整解释 |
| 领域确认 | 专家在明确证据范围内确认对象与含义 | 更广义的首次发现声明 |
未登记与未发现属于不同口径。把两者合并,是这次叙事升级出错的关键接口。
为什么搜过文献仍会漏
这篇 2025 年论文的标题是《通过机载激光雷达扫描估算经典期玛雅区域人口密度与聚落分布》。它是一篇区域尺度研究。某个具体山头或广场可能只出现在第 14 页的地图里,不会进入标题、摘要、关键词或可搜索正文。
Agent 面对的是两种不同的数据形态:
- 候选侧是坐标、地形、边界框、比例尺和局部几何;
- 文献侧主要按标题、摘要、关键词和引用关系建立文本索引;
- 决定性先例却可能藏在地图、图注、表格、附录和补充材料中。
因此,读完所有搜索命中的摘要,也可能完全没有执行真正的新颖性核验。真正的问题是:候选坐标及其不确定范围,是否与既有论文的地图要素重合?
公开材料还留下一个重要限制。Miotti 没有公开精确坐标,第三方无法只凭公开信息重做同址匹配。本文把同址结论明确归因于作者更正,不把无法公开复算的坐标比对包装成独立验证。这是纠正之后仍需保留的证据边界。
给科研 Agent 加一套新颖性状态机
最危险的数据结构是一个简单的 novel: true。它把很多尚未完成的检查压成一个布尔值。更稳妥的做法是分阶段记录:
发现候选 → 排除数据伪影 → 查询指定登记库 → 检查文本先例 → 检查地图与坐标 → 领域确认
每一步只有通过、失败、未解决三种状态。后一步不会继承前一步的成功。
对应的发布措辞也应绑定状态:
| 当前证据 | 允许表述 | 暂不允许表述 |
|---|---|---|
| 影像和点云支持 | 检测到候选结构 | 发现新遗址 |
| 指定登记库无记录 | 截至某日未在某库查到登记 | 未被学界发现 |
| 已查文本,地图未核 | 搜索语料中暂未发现匹配 | 文献从未记录 |
| 找到可信先例 | 重复发现或重新识别 | 首次发现 |
| 完成独立学术与机构核验 | 在明确范围内新记录 | 无边界的新发现 |
状态机的价值在于让未知项保持未知。系统不再用语气自信度替代证据完成度。
一套可执行的新颖性门
1. 冻结候选包
在开始查新前保存:原始坐标、坐标参考系、精度与误差半径、数据源和采集时间、处理版本、图像哈希、边界框、比例尺、方向以及特征描述。特征描述与历史解释分开写。
候选身份没有冻结时,不同 Agent 很可能在搜索不同对象,最后却汇总成一个结论。
2. 用多种身份检索
除了候选名称,还要检索区域、流域、调查网格、数据集编号、附近已知遗址、考察项目、作者、激光雷达计划和语言变体。从最接近的区域论文向前后扩展引用图,避免把一次关键词搜索当作完整查新。
3. 强制读取非文本证据
候选论文必须实际下载并检查地图、图表、图注、表格、附录和补充文件。需要 OCR 或图片提取时,保留原始页面作为核验工件。摘要命中只是文献发现,不是地图核验完成。
4. 统一空间口径
把候选和先例转换到声明过的坐标参考系,同时保留原始坐标、转换方法、精度和误差。点、面和地图范围应按有依据的缓冲区比较。过度追求精确匹配,可能把地图比例尺和坐标误差造成的偏移误判为不同地点。
5. 分开查询每个登记系统
每次记录机构名称、数据库版本、查询日期、查询式和回执。一个数据库的缺失结果,只支持该数据库在该时点没有找到。它不会自动关闭论文、遗产名录、地方档案、未发表调查或社区知识等渠道。
6. 用独立上下文做反向查新
发现团队的目标是找到有价值的候选。查新团队的目标应当相反:找到能推翻首次发现声明的更早记录。把冻结候选包交给独立审查者,要求其列出最强先例、排除理由、未能取得的来源和剩余未知项。
同一上下文既挑选亮点又证明自己正确,容易把前期投入变成叙事惯性。上下文隔离在这里承担的是证据对抗,而非模拟组织架构。
7. 发布前做声明差分
最终声明要与证据状态逐字对齐。检查标题、摘要、社交媒体文案和正文是否使用了不同强度的词。正文写可能、标题写发现,会让最弱证据经传播放大成最强结论。
8. 保存查新工件
候选快照、检索日志、文献全文、地图页、坐标转换、匹配结果、独立审查和最终措辞共同组成可复核包。新论文或新登记出现时,应能增量更新,而非从头重做。
这次失败保留下来的正向证据
把事件简化为 AI 没发现遗址,同样损失信息。通用 Agent 从渲染后的激光雷达图像中找到了一个被专业考古团队独立绘制过的结构。这至少说明候选筛选在这个个案中产生了真实阳性。由于 Agent 原始轨迹未公开、样本只有一个,也不能把它外推成稳定的检测率。
合理的工程动作是保留检测器,收回它对新颖性的直接授权。候选生成可以快速、并行、宽松;首次发现声明必须缓慢、对抗、可追溯。
这与站内的科学 Agent 验证栈使用同一逻辑:不同检查发现不同错误,任何单项通过都不能借给其他层。它也补充了围绕可验证能力设计科研 Harness:计算任务可以靠可执行结果验收,新颖性任务还要声明语料边界、空间匹配和反证检索。
最终规则
不要让同一个科研 Agent 找到候选后,再接受它对候选新颖性的自我证明。
先冻结候选,再把查新交给独立上下文;让地图、坐标、比例尺和登记口径成为一等数据;最后按证据状态选择措辞。AI 会让有趣候选越来越便宜,真正稀缺的是准确知道这个候选证明了什么。