AI驱动的档案挖掘揭示被遗忘的陨石、消失的犀牛和未记录的火山喷发

要点

AI辅助研究可以将数百年历史、充满OCR噪声的档案转化为可搜索的语义向量，使单个GPU能够浮现出200多年来一直未被发现的历史重要事实。在该项目中，作者发现了一份被遗忘的陨石报告、三次无记录的犀牛赠礼，以及三次未列入全球火山活动计划的火山喷发。

流水线如何运作

结果： 该工作流在一夜12小时的运行中处理了435万页荷兰东印度公司档案、荷兰和美国报纸以及船舶日志。

数据来源 – GLOBALISE对荷兰东印度公司（1600-1799）的转录、荷兰国家图书馆数字化报纸、两个世纪的美国报纸，以及选定的船舶日志。
语义索引 – 每个段落被嵌入到一个570万向量的存储中，支持基于意义的搜索而非关键词匹配，这对于17世纪拼写变体至关重要。
两阶段过滤 – 一个廉价的“系统一”模型（Jev）以约3美元的成本筛选了59,000条动物提及的相关性。只有被Jev标记的段落才传递给更大的Claude Haiku模型进行翻译、日期提取和上下文收集。
人在回路验证 – 作者检查了原始扫描件，与专家目录交叉核对，并使用已知事件（如渡渡鸟日志、1783年拉基火山）作为合理性测试，然后才寻找新发现。

“你知道它就在那里。如果检测器找不到它，你就知道你的检测器有问题。” – 作者，描述验证步骤。

1812年被遗忘的陨石

发现： 一封转载于《爪哇政府公报》（1812年12月19日）的信件描述了一块4磅重的富铁石头，于1812年8月6日从马哈拉施特拉邦科库尔冈附近的一片雷云中坠落。

描述符合教科书中的陨石标准：高铁含量、黑色熔壳、可闻雷声和浅埋藏。
该事件在所有主要陨石目录（Chladni 1819、大英博物馆、1933年印度陨石列表、陨石公报）以及自然历史博物馆藏品中均无记录。
AI驱动的对100种期刊（1812-1817）的搜索未发现后续报道，证实了其默默无闻。

历史意义： 如果得到验证，这将成为马哈拉施特拉邦有记录的最早陨石坠落，比此前最早记录早26年。

三只消失的爪哇犀牛

发现： 档案信件揭示了荷兰东印度公司在1738年至1740年间三次尝试将活体爪哇犀牛赠送给康提国王（斯里兰卡）。

1738年捕获 – 一只活犀牛在巴达维亚的森林中被捕获并装船；它在科伦坡的马厩中死亡。
1739年替代 – 在死亡之后，改为送出一匹波斯骑马。
1740年“洛弗伦达尔”号航行 – 装载了两只犀牛（一公一母）；两者均在途中死亡，由船员宣誓证词记录。

信件包含精确日期、船名（洛弗伦达尔）和官方总督通信。
现有的圈养犀牛目录均未列出这些运输记录，使其可能成为该物种历史分布的新数据点。
文件中还包含1772年关于班塔姆高地犀牛丰富的观察记录，为物种曾经的分布范围提供了罕见的一瞥。

未记录的火山喷发

发现： 将769条喷发提及与史密森尼全球火山活动计划交叉比对，发现三次官方列表中缺失的喷发。

火山	日期	当代描述
甘科诺拉（哈马黑拉岛）	1722年2月3日	火山灰覆盖特尔纳特，全天黑暗，发光的火山灰杀死树木。
奇雷迈（西爪哇）	1712年初	数周的火山灰和烟雾，东南爪哇出现蓝色火山灰，庄稼被毁。
斯拉梅特（中爪哇）	1780年2月	“前特加尔火山”被描述为剧烈燃烧。

每条记录均与原始荷兰信件核对，并与当地地理匹配，排除了AI的错误归因。
合理性检查成功检索到著名的1711年阿武火山喷发，确认了流水线的可靠性。

历史意义： 一旦火山学家确认，这三个事件将把仪器喷发记录延长近三个世纪。

未奏效的部分：1808年神秘喷发

尝试： 该流水线被应用于从冰芯硫酸盐峰值推断出的了解甚少的1808/09年喷发。

对荷兰、美国、南美和印度报纸（633篇文章）的详尽搜索未返回任何当代观察记录。
失败表明，在所调查的语料库中没有书面记录幸存；剩余的线索集在于1,235本未转录的东印度公司日志中。

杂项报纸奇闻（未验证）

AI还浮现了460条天空现象报告；一些值得注意但未验证的例子包括：

弗里西亚海岸外的“空中骑手”（1781年9月23日）。
北卡罗来纳州烟囱岩的幻影人群（1806年）。
波恩附近一块100磅的“陨石”（1816年）。
瑞典的黑红色月晕（1802-03年冬季）。

这些在检查原始扫描件之前仍属轶事。

当前状态和后续步骤

待验证 – 作者已联系陨石策展人（Kees Rookmaaker）和火山学家；专家评审将决定这些发现是否真正新颖。
开源工具包 – 该工作流已作为Antiquity发布（https://github.com/jessewaites/antiquity），允许他人复制或扩展该方法。
未来研究 – 潜在主题包括沉船货物记录、被遗忘的极端天气，以及其他未被充分探索的档案领域。

社区反应（HN亮点）

“精彩的工作，遗憾的是，对AI的膝跳式反感情绪阻碍了对这一成就的欣赏。” – @Ariarule

“为了让这类研究变得可及，我将工作流开源……Antiquity。” – @whythismatters

“让我好奇作者自己从荷兰东印度公司中学到了多少。” – @sorokod（对领域知识深度持怀疑态度）。

“非常酷。我正在为当代政治观点媒体做一个类似的项目。” – @acgourley（建议将重型预处理扩展到其他语料库）。

为什么这很重要

该项目表明，语义AI流水线可以以最少的人力从大规模、嘈杂的历史语料库中解锁隐藏事实，将数百年历史的档案转化为可操作的知识。随着更多数字化收藏公开可用，类似的工作流可以系统地丰富科学目录、生物多样性记录和地质事件数据库。

所有引用的段落均链接到作者来源部分列出的原始扫描件。