💡这项突破是什么?
Forams 仅仅达到1998年提出的MNIST手写数字数据集的同等量级(~104张图像,约101~102MB),即存在着大约20年的差距。最近出现了一些规模超过MNIST数据集的古生物图像数据集,同时也发表了大量仅仅在数百至数千张图像上进行训练的古生物人工智能研究,这既显示人工智能作为一种技术正在得到更广泛的应用,也暗示日益降低的模型训练和部署成本可能带来了泡沫。2009年发表的ImageNet数据集包含了超过1400万张图像(~107,约1TB),目前尚未出现达到类似规模的古生物图像数据集,而用于训练超大规模参数模型的数据集在容量上往往可以达到数十TB至PB量级。而且现有的古生物训练数据集中大多为图像-分类标签或图像-解剖结构分割标签,对训练用于非图像数据的模型并不友好。
图3. 人工智能古生物学数据集(蓝色)与主流人工智能数据集(橙色)大小对比
古生物人工智能目前主要用于分类任务,另有少数用于图像识别、图像分割、预测等。一方面,分类学或系统发育研究始终是古生物学的核心,将人工智能技术用于分类任务是理所当然的;另一方面,数据集模态与化石数据来源的限制使得分类任务是目前最为可行的古生物学人工智能任务。大约四分之三的化石数据集是针对有孔虫、微体化石、或者无脊椎动物;体型较大的脊椎动物和植物化石数据集目前非常有限。
综上所述,研究人员认为古生物人工智能研究与主流研究在数据集规模上存在大约20年的差距,在算法上存在大约10年的差距,但技术进步有可能在短期内缩短这些差距。
古生物研究的基础是化石标本,大量研究报道了某件或某几件化石标本的形态、系统发育位置、地层学信息、以及其他方面的信息,研究人员将其称为“标本驱动”的古生物研究,它们构成了古生物学的基础。但另一方面,大约100年前出现了对全球马属及其近亲物种宏观演化历史的研究,而20世纪70年代Sepkoski通过手工收集整理化石物种数据,构建了显生宙生物多样性曲线;最近也有大量古生物研究基于较大规模的数据集来研究生物的宏观演化历史或其他方面(图4)。尽管这些研究的基础依然是化石标本,但并不依靠某件或某几件特定的化石标本;研究人员将其称为“数据驱动”的古生物学研究。显然,很难在“标本驱动”与“数据驱动”两种研究之间划出一道泾渭分明的界限,但最近20年随着越来越多基于较大规模的数据集的古生物研究出现,古生物研究的整体范式是更加倾向于“数据驱动”的,也有研究人员将这类研究称为“定量古生物学”研究。这种使用定量化方法、数据驱动的研究模式也是目前生命科学与地球科学中共同的趋势。
最近10年,随着数据量的增加,大量的古生物研究已经逼近手工处理的极限。在传统研究的范式下,可以在样本中继续增加1个、10个、甚至100个新的标本数据,但是无法实现数据在数量级上的提升。因此迫切需要自动化处理古生物学研究中的大量环节,包括但不限于形态学描述、形态学特征编码、几何形态学数据收集、微体化石鉴定、CT图像分割、组织学切片结构识别等等。过去四十余年人工智能在古生物学中的发展已经成功地验证了其可行性,在近期可能会出现更多可以实用的人工智能模型用于工作环节的自动化,由此可以减轻长期以来手工操作中不可避免的巨大时间成本与个人偏见。
图4. 两例“数据驱动”的哺乳动物古生物学研究
最后,研究人员希望通过构建更大规模的训练数据集与移植前沿算法来获得更高效的古生物学人工智能模型。以大语言模型和生成式人工智能为代表的新技术目前尚未用于古生物学研究,但通过其他领域的进展和正在开展的研究,这两项技术将会在极短时间内投入实用(图5)。但同时我们也需要警惕,随着生成式人工智能技术的成熟,化石数据的真伪鉴定可能会面临更加严峻的挑战,如何避免未经检查生成的错误内容需要更严格的监督,在模型训练阶段;在不侵犯版权拥有者权益的前提下收集数据也将是未来古生物人工智能发展的难点。
图5. 两例基于生成式人工智能的恐龙复原图
成都理工大学余琮煜为论文第一与通讯作者,中国科学院古脊椎动物与古人类研究所王海冰、江左其杲、徐星为论文共同作者。中国科学院自动化研究所、南方科技大学、云南大学、沈阳师范大学、美国纽约理工大学、英国布里斯托大学、英国伯明翰大学、瑞典斯德哥尔摩大学、英国自然历史博物馆等国内国际多个单位参与了研究。美国自然历史博物馆古生物部Mark Norell教授与孟津教授对本文亦有贡献。本研究得到国家自然科学基金委,中国科学院青促会,云南省“兴滇英才支持计划”、成都理工大学“珠峰引才计划”、以及深时数字地球(DDE)国际大科学计划的资助。
原文链接:https://www.sciencedirect.com/science/article/pii/S0012825224000928
