Computational History and Heritage: New Enquiries Through Synthesis
本文认为，包括建模、模拟和机器学习在内的计算方法，对于综合海量的多维数据集以超越传统的历史分析至关重要，从而使学者能够系统地重建过去的环境、验证假设并探索复杂的社会文化动态，进而开启一个更具整体性的关于人类历史的叙事。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你是一名试图破解数千年前谜团的侦探。在过去，侦探必须逐一阅读他们能找到的每一本日记、每一封信件和每一块石碑，依靠自己的大脑来拼凑故事。这就是历史与遗产研究过去运作的方式：细致、缓慢，且受限于人类阅读或记忆的能力。但后来，我们有了计算机。起初，我们只是利用计算机为这些古物制作数字副本，比如扫描一本书以便在屏幕上阅读。这就是“数字化”时代——它对于保存资料和让更多人看到这些资料非常有效，但本质上只是一个高级的图书馆。
现在，我们正在进入一个被称为“计算历史与遗产”（Computational History and Heritage）的新阶段。请不要将其视为一个图书馆，而是一个巨大的、超级智能的模拟器。这种新方法不再仅仅是阅读一个故事，而是利用强大的数学和人工智能来构建过去的模型。它可以获取数百万个微小的线索——比如古代土壤中的花粉、破碎陶器的形状，以及一封被遗忘的信件中的文字——并将它们撞击在一起，以观察到任何人类肉眼都无法发现的模式。这就像是将一百万块散落的拼图碎片交给机器人，让它瞬间将它们拼合在一起，从而揭示出一幅你甚至从未察觉到的图像。这之所以重要，是因为它让我们能够提出关于祖先的“如果……会怎样”的问题，以一种以前无法实现的方式，去测试关于文明兴起或衰落原因的各种假设。
论文：看待过去的一种新方式
这篇由 Eugene Ch'ng 及其团队撰写的论文，基本上是这张新领域地图的指南。他们想要明确了解历史与遗产领域究竟走向何方。为此，他们不仅仅是在进行猜测，而是进行了一场大规模的数据搜寻。他们抓取了来自 Google Scholar 的超过 22,000 篇研究文章的标题，并使用了一种特殊的 AI 来根据这些文章实际讨论的内容进行分组。他们将这些文章标题视为一个巨大的拼图，寻找同时出现的词汇簇，以此观察哪些主题正在快速增长，而哪些主题保持不变。
重大发现：两种速度的增长
作者发现了一个非常有趣的现象：该领域正以两种不同的速度移动。
一方面，是考古学与遗产（Archaeology and Heritage）。它们是该领域的“锚点”。它们正在全速前进！论文显示，这些领域的研究正以每年 5.2% 到 5.6% 的速度增长。这一速度甚至与物理或化学等其他“硬”科学持平甚至更快。为什么呢？因为这些领域擅长利用计算机构建 3D 模型、扫描古代遗迹，并模拟过去人们是如何活动的。它们正在将物理对象转化为可以被测试和操作的“数字孪生体”。
另一方面，则是一个“停滞”的领域：史学理论（Historiography）（即关于我们如何书写和理解历史的研究）。论文发现，虽然我们在通过计算机重建过去的“物质”（如建筑和工具）方面做得非常出色，但在通过计算来理解其背后的“故事”和“思想”方面，我们并没有变得更好。这些理论性话题的增长率是持平甚至略微负增长的。作者认为，这是因为教计算机去理解人类情感、复杂的因果关系以及历史中混乱的“为什么”，要比教它识别一面砖墙困难得多。
这种方法是什么（以及它不是什么）
论文非常明确地界定了什么是“计算历史”所不是的。它不仅仅是一个为你寻找事实的高级搜索引擎；它不仅仅是挖掘数据以寻找隐藏的数字；它也绝对不仅仅是更快地阅读大量旧书。
相反，作者将其定义为综合（Synthesis）。想象一下你有一个装满数百万块彩色小瓷砖（tesserae）的盒子。就其本身而言，它们只是随机的色彩碎片。但如果你使用计算机将它们同时排列起来，一幅美丽的马赛克图案就会显现出来。这幅图案就是“新知识”。计算机将不同类型的数据——如气候记录、古代骨骼中的 DNA 和古文献——混合在一起，以揭露此前不可见的隐藏规则和联系。
行业工具
论文强调，奇迹之所以发生，是因为有了像**深度学习（Deep Learning）**和 **3D 重建（3D Reconstruction）**这样的新工具。
- 3D 重建： 他们谈到了我们过去如何使用相机和数学来构建遗迹的 3D 模型。现在，新的 AI 工具（例如一种被称为“高斯泼溅/Gaussian Splatting”的技术）可以更快速、更精细地构建这些模型，甚至能处理以往会让计算机感到困惑的光滑或发亮表面。
- 深度学习： 这是幕后的脑力。它允许计算机从海量数据中进行“学习”，从而发现模式。例如，它可以观察成千上色的古代文本，并弄清楚语言随时间是如何变化的，或者模拟整个城市在遭遇干旱时会如何反应。
我们需要填补的空白
这篇论文最重要的启示是我们有一个需要填补的空白。我们目前非常擅长使用计算机来重建过去的证据（物理层面的东西）。但我们仍然在努力使用计算机来书写历史（故事与解释）。
作者建议，未来的重点不仅仅在于制造更好的 3D 模型或寻找更多数据，而在于综合。我们需要将物理数据（如遗迹）与抽象数据（如思想和社会规则）结合起来，以创造一个完整的图景。他们相信，一旦我们能够做到这一点，我们不仅能回答旧的问题，还能提出全新的、我们以前从未想过的问题。
简而言之，论文认为我们已经成功建造了引擎（数字工具和数据），但现在我们需要建造“驾驶员”（新的思维方式），才能带我们进入理解人类故事的下一个层次。我们正在从仅仅“观察”过去，转向“模拟”并“理解”过去。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。