使用 Opus 5.5 进行历史研究：发现新的渡渡鸟记录

前沿人工智能模型现在能够通过独立的档案调查，揭示新的历史发现，有效地为研究人员提供数字倍增效应。通过处理庞大的数据集，寻找现有主张的证据或识别被忽视的一手资料，像 Opus 5.5 这样的模型可以完成过去需要多年专业劳动才能完成的任务。

发现新的渡渡鸟与红秧鸡记录

Opus 5.5 识别出一份此前未被注意的 1615 年手稿，其中描述了在毛里求斯岛上猎捕渡渡鸟的情况。该资料是名为 Wapen van Amsterdam 的船只日志，由 Isbrant Cornelisz van Petten 指挥，记录了船员在 1615 年 4 月一次靠岸期间“捕获了许多乌龟、渡渡鸟 [dodeersen]，以及一些鹅和鹦鹉”。

这一发现具有重要的历史意义，因为它填补了 1611 年至 1616 年间渡渡鸟时间线上的一个已知空白。此外，AI 还在一份 1638 年的记述中发现了一个关于已灭绝的红秧鸡的新参考。该模型识别出荷兰语 velthoenderen（“田野鸡”），专家们认为这是对红秧鸡的描述，纠正了 1890 年一份法语误译，该误译曾将这些鸟称为松鸡（perdrix）。

基于人工智能的历史研究方法

利用前沿模型进行成功的历史发现，需要以人类为主导的框架来定义研究问题并筛选资料。发现渡渡鸟记录所采用的流程包含五个核心步骤：

提出具体的研究问题：基于专业领域的知识缩小范围（例如，研究 17 世纪的 exotic 动物贸易）。
识别大型语料库：找到一个免费可用且编辑良好的档案，例如荷兰东印度公司记录的 GLOBALISE 档案。
语义搜索：使用嵌入模型处理资料，实现对段落的语义搜索。
模型排序：使用前沿模型阅读候选段落，并生成一个按相关性排序的优质匹配列表，供人类审查。
迭代优化：审查结果并迭代调整搜索词或档案源。

Opus 5.5 通过启动多个独立代理，以多种语言阅读资料，并在研究过程中对新出现的资料运行自己的嵌入搜索，从而增强了这一流程。

理论洞见：莫卧儿皇帝的渡渡鸟

除了直接发现，Opus 5.5 还提出了一个关于 17 世纪著名画家 Ustad Mansur 所绘的一幅渡渡鸟画作的理论，这幅画描绘的是莫卧儿皇帝贾汗吉尔所拥有的渡渡鸟。尽管该画作的年代存在争议（约 1615 年或 1625 年），该模型提出一种理论：贾汗吉尔的渡渡鸟可能正是 1616 年一名葡萄牙耶稣会士在毛里求斯所描述的同一只鸟。

尽管原始的葡萄牙文文本已遗失，但一份法语翻译描述了一只在前往果阿途中被捕获的鸟类。这表明可能存在一条从毛里求斯到莫卧儿宫廷的传递链条，与 1612 年葡萄牙人将一只美洲火鸡从果阿传至贾汗吉尔的已知事件相呼应。

局限性与“专家瓶颈”

尽管人工智能代理在“数字版数羊”——即在海量数据集中搜索特定证据——方面表现出色，但在高层次的综合与判断方面仍存在困难。主要局限包括：

缺乏重要性判断能力：模型往往无法判断一项发现的历史重要性，难以区分有意义的发现与琐碎细节。
无法生成原创假设：人工智能在处于两个学科边界并被赋予人类提出的问题时最为有效。
容易“陷入细节泥潭”：代理可能花费数小时深入研究缺乏学术价值的琐碎信息，或进入需要专业知识才能验证的档案。

这种能力的转变带来了一个新的瓶颈：小众专家的注意力。随着好奇的业余爱好者利用 AI 挖掘出成千上万的潜在线索，人类专家在验证和确认这些发现方面的需求将显著增加。

社区洞见与平行应用

研究人员之间的讨论表明，这些能力不仅适用于动物学，还可延伸至密码学及其他档案领域。一位用户报告称，使用 Opus 5.5 处理了超过 10,000 张二战档案中的图像，成功转录并处理了 1941 年党卫军部队的 Truppenschössel 消息，将原本需要研究经费和多名助手的项目压缩为一个周末即可完成的任务。

另一位观察者指出，AI 在这些任务中的错误往往“不同于人类错误”，表现为“愚蠢”的失误（例如在 3D 设计中将某部分旋转 90 度），尽管该模型在其他领域仍能完美执行复杂推理。