一、从太空看到地下古城
2026年3月，中国科学院。
遥感考古团队的王教授盯着屏幕上的卫星图像。这是塔克拉玛干沙漠东南缘的高分卫星影像，分辨率0.5米。肉眼看就是沙丘。
但AI看到了不同。
AI模型分析的是"微地形"。古代城墙虽然被沙子覆盖，但墙体的密度比周围沙土大。沙子在墙体上方堆积时，会形成微弱的地形异常——墙线上方的沙丘高度比两侧低20-30厘米。这种差异肉眼看不出，但AI能从0.5米分辨率的数字高程模型中识别出来。
AI标出了7个矩形异常区域。最大的一个约400米×300米。位置在已知楼兰古城以东约30公里处。
王教授说："这可能是楼兰的卫城。楼兰不是孤城，它有一个城址群。我们之前只找到了主城，卫星遥感加AI让我们看到了更大的图景。"
团队随后进行了实地钻探取样。其中3个异常点在地下2米处发现了夯土层和陶片，证实为古代城址。碳十四测年显示年代在公元前后200年范围内，与楼兰王国时期吻合。
AI卫星遥感考古不是新概念，但2026年实现了质的飞跃。核心突破是AI模型能同时分析光学影像、雷达数据和高程数据，识别出单种数据无法发现的微弱信号。
二、敦煌壁画的AI修复
卫星遥感找"看不见的城"。AI修复找"看不见的画"。
敦煌莫高窟。735个洞窟，4.5万平方米壁画，2000多尊彩塑。千年风化让大量壁画残破脱落。修复师手工修复——一幅2平方米的壁画需要3个月。
2026年，敦煌研究院与某AI公司合作开发"壁画智能修复系统"。
系统做什么？
第一步，高精度数字化采集。用多光谱扫描仪逐窟采集。每个洞窟采集的数据量约500GB。多光谱不只拍可见光，还拍红外和紫外。红外光能"看到"被表层覆盖的底层草稿——古代画工先画草稿再上色，草稿被颜料覆盖后肉眼看不到，但红外能穿透。
第二步，AI残损区域补全。壁画残损区域（脱落、褪色、污染）由AI根据以下信息推测原貌：同窟同时期其他壁画的相似图案（同一窟的壁画通常由同一团队绘制，风格一致）、历史照片和临摹资料（20世纪初的考察队拍过照片和临摹稿）、以及同时期其他洞窟的壁画参考。
AI不是"创造"内容。是基于已有证据的"推测补全"。补全部分在数字档案中用不同颜色标注——原壁画和AI补全部分一目了然。修复师审核AI补全结果后决定是否采纳。
第三步，虚拟还原。AI还厷新壁画"刚画好时"的色彩。通过分析颜料成分（矿物颜料的原始颜色已知）和老化模型，计算出壁画在800年前刚完成时的样子。观众在数字展示中心可以看到"时间的两个版本"——现在的残破原貌和千年前的鲜艳模样。
效率对比。手工修复一幅2平方米壁画3个月。AI数字化补全只需4小时（采集2小时，AI计算2小时），修复师审核2天。效率提升40倍。2026年，敦煌用AI完成了2万件壁画的数字化修复。以前这个进度需要50年。
三、青铜器铭文的AI识读
考古不只是找东西。找到了还要"读"。
2026年，某考古团队在河南安阳出土了37件青铜器，上面有铭文。这些铭文是金文（商周时期的文字），距今3000年。
问题是，铭文腐蚀严重。很多笔画模糊不清，字迹残缺。考古学家用放大镜辨认，37件器物上的128个铭文，人工只能确认52个，其余76个无法确定。
AI识读系统怎么做的。
第一步，三维扫描。用结构光扫描仪对铭文区域做微米级三维扫描。扫描精度0.01毫米。得到铭文的三维形貌数据——不只是"看"表面，还"量"深度。笔画的刻痕深度也是信息——深的笔画是刻字时用力大的部分。
第二步，AI文字识别。模型用15万片已释读的甲骨文和金文训练。模型不只学"字像什么"，还学"字的结构演变"——同一个字从甲骨文到金文到小篆的演变规律。当遇到一个模糊的金文字时，AI不只做图形匹配，还根据字形演变规律推测最可能的字。
第三步，上下文验证。AI把识别结果放在铭文的上下文中验证。如果识别出的字组成了已知的人名或族名，置信度提升。如果上下文不通，降低置信度。
效果。76个人工无法确定的铭文，AI给出了42个高置信度识读结果（置信度>90%），28个中等置信度结果（70-90%），6个低置信度结果（<70%）。其中高置信度结果经过后续专家验证，准确率91%。
这37件器物的铭文最终释读了94个（占73%），相比人工的52个（41%），多读了42个。这些铭文记录了一个此前未知的商代贵族家族的祭祀活动，填补了殷商制度研究的一块空白。
四、技术拆解：考古AI的三个核心
考古AI的核心技术可以归纳为三个。
第一，遥感影像AI分析。输入是光学影像、合成孔径雷达（SAR）数据、高程数据。AI模型做的是"地表异常检测"——在看似均一的地表上找到人类活动的微弱痕迹。城墙、壕沟、道路、建筑基址的遗存在地表形成微弱的地形和植被差异。AI用卷积神经网络识别这些模式。某模型在已知遗址上训练后在未知区域的发现准确率35%——意味着AI建议的每3个疑似点中有1个是真实遗址。
第二，图像修复AI。壁画、陶器、青铜器等文物的残损部分由AI补全。技术核心是"条件生成对抗网络"（conditional GAN）——以已知部分为条件，生成与之一致的缺失部分。关键是约束生成范围——AI不能"创造性发挥"，只能基于已有证据推测。评估指标不只是视觉相似性，还有考古学家的领域专家评分。
第三，古文字AI识别。从甲骨文到金文到小篆，汉字经历了几千年的演变。古文字识别模型需要理解"同一个字在不同历史阶段长什么样"。这跟现代OCR完全不同——现代汉字有标准字体，古文字没有。训练数据是已释读的约20万片甲骨文和金文拓片。模型用的是"字形演变建模"——把字形演变建模为时间序列，从早期字形推测晚期字形，反之亦然。
五、商业化与挑战
考古AI的商业化路径特殊——考古不是商业活动，但相关技术有商业价值。
文物数字化服务。为博物馆提供文物三维扫描和数字化展示。某公司为全国120家博物馆提供数字化服务，年收入3亿元。
古文字识读SaaS。面向大学和研究所的古文字释读工具。目前是公益性的，但未来可能商业化。
文物AI鉴定。面向拍卖行和收藏家的文物真伪鉴定。AI分析材质、工艺痕迹、风格特征，辅助判断真伪。某平台准确率78%（人类专家平均85%），但速度快100倍。
旅游数字化。把考古遗址的AI复原图做成VR/AR旅游产品。游客戴上AR眼镜看到遗址"原貌"。某景区AR导览产品年收入2000万元。
挑战。数据稀缺——考古数据本身就少，标注数据更少。AI模型的训练数据往往不够。伦理争议——AI补全的部分如果被当作"原貌"展示，可能误导公众。行业标准——AI考古还没有行业规范，各家模型和数据标准不一。
六、未来展望
2027年，考古AI有几个方向值得期待。
水下考古AI。用声纳和AI在海底寻找沉船。南海有大量古代沉船。AI声纳图像分析能识别海底异常物体。2026年某团队用此技术在南海发现了3艘宋代沉船。
AI墓葬还原。根据墓葬结构和随葬品组合，AI推测墓主身份、社会关系和丧葬仪式。这需要将考古学与历史学知识图谱结合。
公众考古AI。让普通人参与考古发现——上传田野照片，AI识别可能的遗址线索。某平台上线3个月收到上传照片50万张，AI识别出23个疑似遗址点，经专家验证5个为真实遗址。
考古AI的本质是"让过去说话"。那些被沙子掩埋的城、被风化抹去的画、被时间模糊的字，AI让它们重新被看见。技术是工具，目标是人类对自己历史的理解。
