今天有个故事传开了,让我先笑了出来,随后又有些窘迫,因为我在很多路演材料里都见过同样的错误。
Pietro Miotti 明确表示自己不是考古学家。他使用了覆盖墨西哥玛雅地区约 1,200 km² 的 NASA 公开激光雷达数据。激光雷达是从飞机上进行的激光扫描,你可以把它想成地面在树木下方的 X 光片。据他的文章所述,48 个 AI 智能体“像非常耐心的考古学家那样”逐条检查了这些扫描条带。
他们标记出一座山顶,其上有一处平整过的广场、一座约 8–12 米高的椭圆形金字塔、一处高起的庭院、一座可能的蓄水池,以及三座可能是房屋的平台。他向墨西哥国家人类学与历史研究所 INAH 提交了一份报告。该机构回复称:“在您报告所述地点,未发现已登记的考古遗址。”他说,从想到这个主意到收到官方回复,整个过程不到 72 小时。
这个故事今天登上了Hacker News,几小时内就超过了 800 分。
随后,11 月 11 日发布了更新。Estrada-Belli 等人在 2025 年的一篇论文中已经绘制过该遗址。智能体在查阅文献时漏掉了它。它当时也尚未列入 INAH 的名录,这解释了那份回复,因为数据库里缺少一条记录,并不能证明没人发现过什么。
值得肯定的是,作者公开发布了更正。很多人可能会悄悄删掉那条帖子。
我做产品已经 13 年多了,任何路演材料里最危险的一页,就是写着“没有直接竞争对手”的那一页。这几乎从来不是真的。通常这意味着搜索停得太早。
这个玛雅遗址的故事是个很好的例子,AI 正好处在其中。智能体做了两项不同的工作:
**发现某个东西。**它们在这方面表现出色。要从嘈杂的激光雷达数据中辨认出金字塔形状,确实很难。 2. **核实它是不是新发现。**问题就出在这里。
这两项工作需要不同的直觉。发现需要热情,核实则需要怀疑。当你让同一个 AI 会话两件事都做时,通常是热情占了上风。一位 HN 评论者说得很好:智能体往往读过现有研究的大部分、但并非全部之后,就宣布这是新发现。
我在日常产品工作中也见过同样的情况。问 AI 某个创意是否已经有人做过,你常会得到自信的回答:“没有完全相同的东西。”然后只要花两分钟搜一下创业公司目录,就会发现有四家在做,其中两家已经倒闭;它们倒闭的原因,你肯定很想知道。
我不想借此嘲讽这件事。一个人用公开数据花了几天时间,就完成了过去需要一支有经费支持的团队和一个野外考察季才能完成的遗址解读。这个方法奏效了。再次发现也验证了这个方法,因为它找到了真实存在、专家也曾发现过的东西。
这次失误范围很小,也容易修正。AI 没有凭空编造出一座金字塔。它只是没查脚注。
如果 AI 告诉你某件事是新的,无论是创业创意、没人报告过的漏洞,还是你们代码库里的“新颖”方法,先做下面这些,再相信它:
**把两项工作分开。**新开一个聊天,不要提供你有多兴奋的背景。只问:“找出 X 已有的实例、论文、产品或竞争对手。只给链接。”
让它反驳你。“假设有人以前做过这件事。我该去哪里找他们?”比“这是新的吗?”更有效。
**自己打开链接。**一半的价值在于留意 AI 没查过哪些来源。
**问问熟悉那个领域的人。**找一位考古学家、一位客户,或一个经常讨论这个话题的论坛里的某个人。他们说一句“哦,那是去年的那个东西”,就值一百个 token。
把数据库里的空白当作弱证据。“不在名录里”不等于“不存在”。“不在 Product Hunt 上”以及“搜索结果第一页没有”也是一样。
AI 让发现变得廉价。这意味着会有更多人“发现”各种东西,而其中大多数发现都会是重新发现。这没关系,只要我们别再把“AI 没找到”当成它不存在的证据。
这座金字塔已经沉睡了一千多年。多等五分钟,做一次文献核查,它等得起。
你有没有曾经确信自己是某个创意、修复方案或产品的第一个提出者,后来却发现并非如此?是什么让你发现的?