使用 Opus 5.5 進行歷史研究：發現渡渡鳥的新紀錄

前沿 AI 模型現在具備獨立進行檔案調查的能力，能從海量數據集中挖掘出新的歷史證據。研究人員 benbreen 利用 Opus 5.5，發現了一份先前未被注意到的 1615 年荷蘭關於狩獵渡渡鳥的報告，以及對已滅絕的紅鐵路鳥（red rail）的新參考資料。這說明了 AI 如何能自動化執行「數位版的數羊工作」——即掃描龐大的語料庫以尋找人類研究人員可能遺漏的特定證據。

發現 1615 年的渡渡鳥紀錄

Opus 5.5 識別出了一份 1615 年的原始手稿——來自 Wapen van Amsterdam 號船的航海日誌——這份文件先前未被歷史學家注意到。該日誌很可能由船長 Isbrant Cornelisz van Petten 所寫，記錄了船員於 1615 年 4 月在模里西斯登陸，並「捕獲了許多陸龜、渡渡鳥 ["dodeersen"]，以及一些鵝和鸚鵡。」

這一發現具有重要的歷史意義，因為它填補了 1611 年至 1616 年間渡渡鳥時間軸上的已知空白。這一發現之所以成為可能，是因為該模型能夠處理 GLOBALISE 檔案庫中數百萬份荷蘭東印度公司 (VOC) 的文件。

AI 驅動的檔案研究方法

發現這些紀錄的過程遵循了一個結構化的五步驟流程，結合了人類專家的知識與 AI 的規模化處理能力：

定義具體的研究問題：從專家知識庫開始，以縮小研究範圍。
識別大型語料庫：使用可免費獲取且經過良好編輯的歷史檔案（例如 GLOBALISE 檔案庫）。
語義搜尋：將來源資料通過嵌入模型進行處理，以找到相關段落。
AI 排序：使用前沿模型閱讀候選段落，並生成供人類審查的排序列表。
迭代優化：審查結果並針對搜尋詞或檔案庫進行迭代。

與傳統研究不同，像 Opus 5.5 這樣的 AI 代理可以複製多個自身副本，以閱讀多種語言的來源資料，並在過程中對新發現的來源執行自己的嵌入搜尋。

糾正歷史誤譯

除了尋找新紀錄外，Opus 5.5 還展示了糾正歷史紀錄中長期錯誤的能力。該模型識別出了一份 1638 年描述「田雞」（field-hens）的紀錄，使用了荷蘭語詞彙 velthoenderen。雖然專家先前已將此詞識別為對紅鐵路鳥（一種已滅絕的模里西斯鳥類）的指稱，但一位 1890 年的法國學者將該詞誤譯為 perdrix（鷓鴣），導致該參考資料被忽略。Opus 5.5 回溯至原始手稿並糾正了該翻譯。

理論連結：莫臥兒皇帝的渡渡鳥

Opus 5.5 提出了一個關於莫臥兒皇帝賈漢吉爾（Jahangir）所擁有的渡渡鳥起源的理論，這隻鳥曾出現在烏斯塔德·曼蘇爾（Ustad Mansur）的一幅著名畫作中。該模型建議，這隻鳥可能就是 1616 年一位葡萄牙耶穌會士在模里西斯描述的那隻動物，當時他將該鳥稱為「鴕鳥」（一種模里西斯本土沒有的鳥類）。

雖然傳播鏈尚未完全建立，但這一理論得到了歷史先例的支持，即葡萄牙商人曾在 1612 年將其他外來鳥類（如美洲火雞）運送到賈漢吉爾的宮廷。

局限性與「專家瓶頸」

儘管前沿模型在數據檢索方面功能強大，但在歷史研究中仍表現出特定的局限性：

缺乏重要性判斷：模型通常無法判斷發現的歷史重要性，或區分有意義的發現與瑣碎的細節。
構思能力差：模型難以獨立生成原創的研究問題或新的理論框架。
容易「迷失在細節中」：代理可能會花費數小時鑽研缺乏學術價值的瑣事。

這種能力的轉變產生了一個新的瓶頸：人類專家的注意力。隨著 AI 讓好奇的業餘愛好者能夠挖掘出潛在的重要發現，預計對專業歷史學家和人文學者驗證並將這些發現背景化的需求將會增加。

社群見解與平行應用

研究人員之間的討論強調，這些能力已超越動物學，延伸至密碼學和軍事史領域。一位用戶報告稱，他使用 Opus 5.5 處理了超過 10,000 張二戰時期 Waffen-SS Truppenschlüssel 的訊息圖片，利用該模型大規模轉錄和處理數據以破解每日密碼——這項任務在過去需要研究經費和一年的體力勞動。

另一項見解指出，當 AI 被置於「兩個學科的邊界」時最為有效，這使它能夠連結那些僅專精於單一領域的專家可能會忽略的零散資訊。