「1812年12月19日，《Java Government Gazette》第三版第二栏：队长 M 得到一块从雷云中落下的石头。它重至少四磅，表面覆着像火药炸过一样的黑色薄壳，落地时陷进土里一英尺深。」
这段沉睡在报纸扫描件里的百字短讯，被一套本地运行的 AI 工作流翻了出来。若鉴定确认，这块落入马哈拉施特拉邦 Cokurrgaum 村的陨石，将把该邦最早坠落记录提前 26 年。
软件工程师 Jesse Waites 将这套流程指向了 435 万页荷兰东印度公司（VOC）档案及两百年的美荷报纸。人工按每页两分钟、每天八小时阅读，读完这批语料约需七十年，而他的流水线仅用了一个十二小时的过夜运行。
流水线还带回了三头死在航途上的犀牛，以及三次未被主流火山目录收录的喷发事件。这一切建立在两道工程约束上：找未知前先验证已知，并将结论死死钉在原始扫描件上。
寻找未知之前，必须设置控制组
将大语言模型扔进海量文档寻找新发现，极易跌入幻觉陷阱。前置基准测试成为剥离幻觉的关键机制。
历史学者 Benjamin Breen 曾用 Opus 5.5 在 VOC 档案中找到 1615 年船员在毛里求斯捕获渡渡鸟的目击记录。Waites 首先复现了该流程，确立基准能力。
随后系统成功找出了 1711 年 Awu 火山喷发事件，抓取到造成 138 人死亡的具体数据，与史密森尼全球火山活动计划收录日期逐日吻合。
控制组的成功说明了一点：流水线有能力从个人视角的零散记录中，提取出能够与现代科学记录印证的核心事实。这为后续寻找未经编纂的「候选」事件拿到了通行证。
用三级阅读流水线压制算力账单
17 世纪荷兰语中「犀牛」有约十五种拼写方式，纯关键词检索在第一关就会漏掉大量线索。
Waites 将 435 万页档案切片生成 570 万个语义指纹。系统依靠嵌入模型（Embedding）按语义距离定位，让十五种拼写变体在向量空间收敛到同个区间。
真正的难点在于低成本筛出有效事实。Waites 部署了三级阅读流水线：首层用小而快的「System One」决策模型 Jev 专答窄问题（如「这是真实的动物吗」）。Jev 读完 59000 条大象段落仅耗费 3 美元。
阳性段落流入第二层，由 Claude Haiku 深读、翻译并提取时地。最终由 Claude Code 代理打开原始扫描页核对转录，并横向比对权威目录。
三头死在赴锡兰航线上的犀牛
流水线拼凑出了一份 18 世纪的动物外交失败清单。1738 年，荷兰东印度公司捕获一头爪哇犀牛，准备送给康提国王以维系肉桂贸易。
犀牛到达科伦坡后未能上山。1740 年「De Paardenstal」（马厩）账目下留有一行：「少了一头犀牛，死于 1738 年的马厩里」。科伦坡总督汇报了犀牛猝死，加送波斯马弥补。
图：VOC 档案中的犀牛相关原始页面扫描。来源：荷兰国家档案馆 Nationaal Archief
1740 年 7 月 5 日，Loverendaal 船载着一公一母两头新犀牛驶向锡兰。出航三天后，公犀牛死亡；十天后，母犀牛也死了。军官和水手长在科伦坡法庭上宣誓作证，坚持原话，不作任何更改。
总督给驻康提使节的指示里带上补偿语气，送去几头荷兰猪（一公两母的幼畜），并遗憾通报犀牛死亡。三年后，拉姆纳德王宫的人要求「像给康提国王那样也送一头小犀牛来」。未送达的礼物成了别人叫板的筹码。
史密森尼目录漏记了三次喷发
流水线跑出的另外几项候选发现，直接指向了地球科学的数据库盲区。除了那块表面覆着黑色薄壳的陨石被查明在 1819 年的 Chladni 早期清单、大英博物馆目录乃至今天的 Meteoritical Bulletin 中均无记录外，系统还找出了三次明确的火山喷发记述。
第一处是 1722 年 2 月 3 日的 Gamkonora 喷发。特尔纳特总督在当年 7 月 7 日的信件中，附上了士官 Jacob Engels 对「炸开的山」的现场勘察记录。
图：1722 年 7 月 7 日来自特尔纳特的手写荷兰语信件，装订在档案合册中，是 Gamkonora 喷发记述的引用来源。来源：荷兰国家档案馆 Nationaal Archief
第二处是 1712 年初的 Ciremai 喷发。西爪哇地区连续数周浓烟滚滚，「看不到火焰」，东南部的土地被覆盖上了一层薄薄的蓝灰色火山灰。档案记载作物被大面积毁坏，牲口拒绝进食带灰的草料，而当地王公回忆称从前也发生过类似事件。第三处则是 1780 年 2 月中爪哇 Slamet 火山的异常活动，记录称这座「曾经燃烧的特加尔之山」烧得「此地无人记得有过的猛烈」。
图：1812 年 12 月 19 日《Java Government Gazette》第 3 版第二栏的报纸扫描片段，转载 1812 年 8 月 26 日《Bombay Gazette》中 Captain M 的陨石记述。来源：Delpher／荷兰国家图书馆
在核对了目前的史密森尼目录后，Waites 发现这三次被当时人亲眼看见并写下纸本记录的喷发，竟然在现代名册中缺席了三个世纪。目前，这些数据依然被定性为「候选发现」，Waites 已联系了陨石策展人、专家 Kees Rookmaaker 以及火山学家。它们距离真正被编入历史，还差一道严谨的专家评审程序。
检索 1809 年未知喷发交了白卷
尽管流水线找出了大量候选证据，但这套工具并不全能。当 Waites 试图用它解决 1808 或 1809 年的未知喷发之谜时，系统碰壁了。
冰芯记录显示，1808/09 年期间发生过一次近五百年来最大级别的火山喷发，但具体地点至今不明。Waites 调用了整个工作流去检索美国报纸、荷兰报纸、船舶日志、南美殖民时期报刊，甚至是巴达维亚的第一份报纸中的 633 篇文章，结果是一片空白。
这个失败案例提供了另一种维度的工程确定性。由于同一套流水线在 Awu、Gamkonora 和 Ciremai 的测试中都准确抓取了信息，检索在这个谜题上的颗粒无收，反而指向了一个高概率的客观事实：那片区域在当时确实没有人写下关于 1809 年异常天空的任何记录。现在剩下的最好线索，只剩下那 1235 本从未被转录过的东印度公司手写日志。
Waites 开源了这套名为 Antiquity 的工作流小工具包。这场实验证明了一个简单但残酷的逻辑：他和 Breen 翻阅的是同一批档案数据库。Breen 带着寻找渡渡鸟的目标进去，带回了 1615 年的目击记录；Waites 带着寻找陨石和失落喷发的目标进去，于是找到了地里的黑石头与炸开的山体。
几百万页档案文件本身是静止的，它们一直摊在那里任由人阅读。语料库永远不会自己开口说话，它只回答工程师想到了要去问的具体问题。
参考链接：
- I pointed AI at 400 years of archives
