懷俄明州弗雷特峽谷—在酷熱的沙漠沙地上，研究人員手腳並用地爬行，避開散落在地上的拳頭大小的仙人掌。他們的目標：收集一些已知最早的靈長類動物的骨骼和牙齒，以闡明通向人類進化譜系根源的適應性。然而，這些化石只有指甲大小或更小，散佈在懷俄明州大分水嶺盆地岩石沙漠中約 10,000 平方公里的區域內。
這是一片廣闊的區域，尤其是在四肢著地和酷熱的環境下。因此，科學家們正在依賴一種古生物學中從未嘗試過的工具：人工智慧。這種方法可能能夠在他們大海撈針般的探尋中精確定位化石寶藏，併為化石搜尋提出新的策略。接下來，他們需要在沙漠中漫步，看看他們的創新是否讓他們白跑一趟。
通常，發現化石很大程度上取決於運氣。古生物學家可以根據經驗猜測在哪裡搜尋——例如，沿著乾涸的河床跋涉，尋找可能從山坡上侵蝕下來的骨骼——但他們主要依靠四處走動，看看有什麼吸引眼球的東西。如果他們幸運的話，他們可以乘坐石油和天然氣公司開闢的土路上顛簸的吉普車來覆蓋地面。無論如何，傳統方法可能具有挑戰性、耗時且徒勞無功。
支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道： 訂閱。透過購買訂閱，您將有助於確保未來有關塑造我們當今世界的發現和想法的有影響力的故事。
越來越多的古生物學家依靠技術來縮小他們尋找化石的範圍。例如，谷歌地球幫助識別了南非的地點，這些地點包含古代人族南方古猿源泉種的化石。
但是，古生物學家羅伯特·阿內莫內和西密歇根大學的遙感專家傑伊·愛默生及其同事並沒有用肉眼檢查衛星影像以尋找潛在的地點，而是開發了一種方法，使用人工神經網路（一種模仿大腦學習方式的計算機系統）來自動化操作。他們的目的是利用大腦（無論是天然的還是人工的）快速學習和識別模式的方式，例如化石的樣子。
訓練人工大腦
人工神經元是計算機程式的組成部分，它們模模擬實神經元，因為每個神經元都可以傳送、接收和處理資訊。研究人員首先透過向人工神經元輸入資料，並讓他們知道他們的計算何時解決了給定的問題（例如閱讀手寫或識別語音）來訓練網路。然後，網路會改變這些神經元之間連線的模式，以改變它們相互通訊和協同工作的方式。透過這樣的實踐，網路會找出哪些神經元之間的排列最適合計算所需的答案。
石溪大學的古生物學家約翰·弗利格爾說，神經網路展現了定位富含化石地點的希望，“無需在數英里荒涼的露頭上行走”。“它可以節省大量的時間和野外作業費用。”
這就是為什麼阿內莫內和他的同事帶著一臺在筆記型電腦上執行的神經網路來到懷俄明州沙漠的原因。它分析了大分水嶺盆地的可見光和紅外光衛星和航空影像，其中包括 100 個已知的化石地點。他們首先讓網路知道其中 75 個區域富含化石，以便它可以學習這類地點的樣子。當他們讓它搜尋其他 25 個地點時，它正確地識別了其中的 20 個，這增加了它能夠識別新候選地點的希望。
填補靈長類動物記錄中的空白
研究人員正在尋找追溯到晚古新世和始新世早期的化石，大約在 5500 萬到 5000 萬年前，當時落基山脈剛剛開始隆起，氣候平均而言比今天溫暖潮溼得多。當時，一個大型淡水湖佔據了挖掘區域，溪流從周圍的山脈流入湖中。該地區是鱷魚、烏龜、蜥蜴、魚類和大量哺乳動物的家園，包括非常原始的齧齒動物、馬和蝙蝠，以及類似於現代狐猴、眼鏡猴、懶猴和嬰猴的靈長類動物。
今天，該地區主要是乾燥的鼠尾草灌木叢，遍佈溝壑、孤丘和沙丘。叉角羚在汽車旁邊奔跑，成群的麋鹿偶爾會在汽車前面衝過。漫遊的種馬在早晨用雷鳴般的噴鼻聲迎接露營者，獵鷹偶爾會俯衝向遊客，讓他們遠離鳥巢。該地區似乎幸運地沒有毒蛇，但雷暴可能會摧毀帳篷，並用可能困住卡車的溼滑泥漿堵塞小路。
自 1994 年以來，科學家們一直在該沙漠中工作，並從現在已知的 100 個地點挖掘出大約 10,000 塊哺乳動物化石。即便如此，德克薩斯大學奧斯汀分校的古生物學家佈雷特·納克曼評論說，“就古代靈長類動物而言，這個盆地長期以來一直是地圖上的空白區域”。還需要更多的哺乳動物化石。
網路推薦
阿內莫內的神經網路指出了幾個可以搜尋的地點。最初，這些地點被證明是徒勞的——科學家們在最初推薦的地點挖掘出了許多化石，但不是他們想要的那種。研究人員讓神經網路在過去的地質調查宣佈屬於瓦薩奇組的區域（以前的湖岸和河岸區域，他們期望在那裡挖掘出靈長類動物化石）中尋找化石。但是，當到達最初的十幾個左右的地點時，很明顯最初的調查是錯誤的。相反，這些地點實際上位於綠河組——以前的湖床區域，那裡有許多水生化石，但哺乳動物骨骼很少。
然而，在去年夏天野外工作的倒數第二天，研究人員查看了另外三個建議的地點，他們確信這些地點位於瓦薩奇組。在看似平坦的沙漠中徒步跋涉約一個小時後，他們偶然發現佈滿巨石的窪地，在那裡他們發現了一批哺乳動物化石，包括來自已滅絕的五趾馬始祖馬的牙齒。
阿內莫內說：“這是人工智慧神經網路首次成功用於尋找化石的測試。”“它直接引導我們穿過了鼠尾草灌木叢。”
有趣的是，這三個地點是土壤中的窪地，從地面遠處幾乎看不見，這與研究人員通常檢查化石的山丘不同。“如果沒有神經網路，我們永遠不會找到這些地點——它們太偏僻和隱蔽了，”阿內莫內說。“我曾擔心神經網路是否會起作用，”他補充道。“把那些化石挖出來感覺真好。”
超越黑匣子
弗利格爾警告說，神經網路本質上是黑匣子——人們永遠無法確定系統是如何得出結論的。他說：“最好知道該演算法實際使用哪些特徵來識別化石區域。”“它們是否與地質學家也可以從地圖或野外識別出的特徵相同？”
因此，科學家們將神經網路僅僅視為通往更分析性的化石搜尋方法的墊腳石。事實上，阿內莫內和他的同事現在正在直接掃描化石地點在可見光和紅外光下的外觀，希望他們可以自己預測這些地點與其他區域可能存在的差異。除了大分水嶺盆地，他們希望在非洲開展此類研究，可能有助於尋找猴子甚至早期人族的化石。
儘管該團隊將不再依賴神經網路，但阿內莫內認為它在證明計算機模型可以找到化石方面是無價的。他們由人工智慧引導的奧德賽表明，遠端探測化石是可能的——現在是人類智慧引領潮流，創造一種新的、更好的方式來預測化石隱藏在哪裡的時候了。阿內莫內說：“古生物學的未來在於這項技術。”