Образ археолога в массовой культуре застрял где-то в девятнадцатом веке — пробковый шлем, потрепанный блокнот и бесконечное просеивание песка под палящим солнцем. Но современная реальность гораздо суровее и прозаичнее, ведь ученые часто тратят десятилетия просто на то, чтобы понять, где именно нужно начать раскопки. Огромные пространства лесов, пустынь и степей надежно скрывают под собой следы ушедших цивилизаций, которые невозможно заметить с высоты человеческого роста.
Сегодня правила игры меняются на глазах. На помощь исследователям приходят технологии дистанционного зондирования земли и алгоритмы машинного обучения. Оказалось, что искусственный интеллект способен увидеть скрытые структуры там, где человеческий глаз замечает лишь хаотичный природный рельеф.
Проблема иголки в огромном стоге сена
Главный вызов современной полевой науки — это масштаб. С появлением технологии лидара — лазерного сканирования с самолетов или беспилотников — исследователи получили доступ к колоссальным объемам данных. Лидар посылает миллионы лазерных импульсов к поверхности земли и фиксирует их отражение, создавая точнейшую трехмерную карту рельефа даже сквозь густые кроны вековых деревьев.
Но здесь возникла новая сложность. Получив детализированную карту лесного массива площадью в тысячи квадратных километров, ученые оказываются погребены под терабайтами визуального шума. Чтобы вручную отыскать на этих снимках едва заметные прямоугольные очертания фундаментов или оплывшие круглые курганы, потребуются годы монотонной работы у монитора.
Именно в этот момент на сцену выходят сверточные нейросети. Они специализируются на распознавании образов и умеют мгновенно находить геометрические аномалии на цифровых моделях местности. То, что у человека занимает месяцы утомленного разглядывания экрана, алгоритм анализирует за считанные часы.
Как научить компьютер видеть сквозь века
Процесс обучения нейросети для археологических задач напоминает тренировку опытного следопыта.
Сначала исследователи собирают эталонную базу данных. В нее входят уже изученные и подтвержденные памятники — древние курганы, остатки крепостных стен или оросительные каналы. Эти объекты размечают на цифровых картах высот, создавая для системы своеобразные маркеры внимания. Затем алгоритм учится отличать искусственные неровности от естественных холмов, оврагов и современного техногенного мусора вроде следов от тракторов или старых ЛЭП.
Один из самых ярких примеров успешной работы таких алгоритмов в нашей стране связан с исследованием памятников Юго-Восточного Алтая. Специалисты Санкт-Петербургского государственного университета обучили нейросеть находить древние культовые сооружения и захоронения, созданные еще в четвертом и третьем тысячелетиях до нашей эры. Система анализировала целый комплекс ландшафтных признаков — высоту над уровнем моря, крутизну склонов и даже видимость священных горных вершин. В итоге искусственный интеллект указал на места неизвестных ранее курганов, что позже полностью подтвердилось спутниковыми снимками высокой точности.
Еще один важный отечественный проект — интеллектуальная система SIMILIS, созданная совместно Европейским университетом в Санкт-Петербурге и Институтом истории материальной культуры РАН. Этот инструмент решает другую важнейшую задачу — помогает быстро определять и классифицировать найденные предметы. Достаточно загрузить фотографию наконечника стрелы или осколка керамики прямо на месте раскопок, и алгоритм сопоставляет находку с базой из десятков тысяч артефактов прошлых экспедиций, мгновенно выдавая культурный контекст и аналоги.
Технологический стек развивается стремительно. Наряду с классическими сверточными сетями ученые начали активно применять большие базовые модели сегментации изображений, адаптируя разработки вроде Segment Anything. Такие универсальные визуальные модели позволяют мгновенно очерчивать точные контуры объектов на старых картах или ландшафтных сканах вообще без долгого предварительного обучения на тысячах примеров.
Где технология пасует перед реальностью
Не стоит думать, что искусственный интеллект полностью заменил ученых и превратил археологию в сугубо кабинетную дисциплину. У алгоритмов есть жесткие ограничения, которые пока невозможно обойти.
Во-первых, нейросеть критически зависит от качества и объема обучающей выборки. Если обучить модель на поиске европейских средневековых усадеб, она окажется абсолютно бесполезной в степях Центральной Азии, где курганы имеют совершенно другую форму и структуру.
Во-вторых, сохраняется серьезная проблема ложноположительных результатов. Алгоритм может принять за древний оборонительный вал обычную заброшенную грунтовую дорогу или мелиоративную канаву советских времен. Нейросети часто выдают ложные маркеры на незнакомом рельефе, принимая особенности выветривания скальных пород за руины крепостей.
Именно поэтому финальное слово всегда остается за человеком. Верификация на местности — обязательный этап работы. Археологам все равно приходится собирать рюкзаки, ехать в экспедицию и проверять ногами те точки, которые алгоритм отметил как перспективные.
Как прикоснуться к цифровой археологии самостоятельно
Попробовать себя в роли исследователя можно не выходя из дома, ведь сейчас активно развивается концепция гражданской науки, когда волонтеры помогают ученым размечать карты. Для начала достаточно освоить бесплатную геоинформационную систему QGIS и загрузить открытые данные рельефа. Изучать снимки и настраивать простые алгоритмы классификации в Python через библиотеки вроде Rasterio можно на общедоступных спутниковых картах.
Важное предупреждение — любые самостоятельные раскопки на местности с лопатой или металлоискателем без государственного разрешения, так называемого открытого листа, в России строго запрещены законом и караются по статье 243.2 Уголовного кодекса РФ. Настоящая современная археология начинается на экране компьютера, а полевой этап исследования доверяют только сертифицированным научным группам.
Популярные вопросы
Заменит ли искусственный интеллект археологов на раскопках? Нет, это невозможно. Нейросеть лишь указывает перспективные координаты на карте. Раскопки, извлечение артефактов, их очистка, консервация и историческая интерпретация — это исключительно ручная и интеллектуальная работа человека.
Какие именно типы памятников нейросетям находить проще всего? Лучше всего алгоритмы справляются с поиском объектов четкой геометрической формы. Сюда относятся квадратные фундаменты вилл, длинные прямые линии древних дорог, круглые курганы и кольцевые рвы. Хаотичные поселения кочевников, не оставивших каменных следов, искать гораздо труднее.
