五千年古种子“开口说话”：AI改写中国植物考古

炭化、矿化与风干植物种子，是考古遗址最常见的有机质遗存，也是复原古代生业结构、作物传播路径、古生态环境与人地关系的核心实物材料。长期以来，国内古植物种子的分类定名，主要依靠人工显微观察与学者经验判断。这种传统工作模式标准零散、处理通量有限、研究周期漫长，叠加专业人才长期稀缺的行业现状，大量出土遗存难以快速整理和利用，极大制约了植物考古精细化、量化化研究的推进。

近期，岭南大学联合山东大学组建交叉学科团队，依托全国典型遗址出土植物材料，建成五千年时序中国古植物种子影像数据集，研发出适配考古遗存特征的APSNet智能识别模型，构建起一套人机协同的古种子标准化鉴定体系。该成果有效弥补了传统鉴定方法的固有短板，推动植物考古从经验研判模式稳步转向数据化、智能化研究模式，相关成果已正式发表。

一、传统古种子鉴定的固有局限

从新石器时代至秦汉时期，我国黄河、长江流域各类聚落遗址普遍出土粟、黍、水稻、小麦、大麦等栽培作物，以及数量丰富的果树、野生植物种实遗存。受地层压力、高温炭化、微生物侵蚀与后期地层扰动影响，出土古种子大多存在形体收缩、种皮破损、结构畸变、纹理模糊等保存问题。在实际考古整理工作中，经常出现同种遗存形态差异极大、不同物种小型种实外观高度趋同的情况，人工辨识难度极高。

传统鉴定工作需要研究人员在体视显微镜下，依靠种实轮廓比例、种皮纹饰、胚区形态等微观特征逐枚观察、分类、定名。这套工作方式存在明显短板。首先，古植物鉴定实践性极强，需要长期实验室积累与田野经验，专业人才培养周期长、存量有限，能够独立承担大批量样本整理与统计工作的学者十分稀缺。其次，人工整理效率极低，单处普通聚落遗址浮选得到的种实往往多达数万枚，完整分类统计常耗时数月甚至数年，大量珍贵考古遗存长期封存积压，无法及时转化为科研数据。最后，人工判别存在一定主观性，不同研究者、不同团队的判定尺度并不统一，造成各遗址统计口径难以对齐，不利于开展跨区域、长时段的农业格局对比研究，已经难以适配现代植物考古大数据、精细化的研究发展需求。

二、长时序古种子标准数据库建设

为突破古种子研究缺乏统一参照体系、影像标准混乱的行业困境，研究团队系统遴选全国18处代表性考古遗址开展系统性取样建档，研究年代跨度自公元前5400年至公元220年，完整覆盖我国史前农业起源、作物结构更替、早期农耕体系定型的关键发展阶段。

研究系统收录栽培谷物、果树、野生草本等17类核心古植物种实，最终建成8340组标准化显微影像样本。相较于网络公开的现代植物图像数据库，本次数据集全部来源于真实出土考古遗存，全面涵盖不同地域、不同埋藏环境、不同炭化程度以及残缺变形的复杂样本形态，高度贴合考古实验室的真实鉴定场景，填补了国内长时序、大样本古种子智能识别的数据空白。数据集统一了成像参数、图像标注规范与物种分类标准，为后续模型训练、自动化识别、跨遗址数据比对研究，提供了规范、稳定、可复用的基础数据支撑。

三、APSNet模型构建与应用优势

依托自建的考古专属数据集，团队针对性研发APSNet古种子智能识别模型。区别于通用图像识别算法，该模型完全贴合植物考古专业鉴定逻辑，完整模拟人工研判流程：先依靠种实尺寸、整体轮廓完成初步归类，再聚焦胚部结构、种皮纹理、表面微形态开展精细甄别，同时专门针对考古常见的残缺、畸变、炭化严重的疑难样本进行算法优化。

实测数据显示，APSNet模型古植物种实综合识别准确率可达90.2%，整体性能优于现阶段主流通用图像分类模型，能够稳定区分形态近似、保存状态较差的古代作物种实。在实验室应用中，该系统可直接对接显微成像设备，实现影像采集、物种识别、数据记录、样本归档一体化作业，大幅削减重复性人工劳作，显著提升遗存整理与统计效率。

现阶段技术体系采用人机协同的科学工作模式。人工智能主要承担海量样本初筛、批量分类和基础统计工作，对于破损严重、特征缺失、形态特殊的疑难标本，仍由专业考古人员复核审定，在大幅提升研究效率的同时，严格保障考古定名的科学性与严谨性。

四、学术价值与应用前景

古种子遗存是解读中国古代农耕文明、重建史前生业经济的核心量化材料。依托APSNet智能体系产出的标准化大数据，可以精准梳理不同时空尺度的作物组合结构，厘清北方粟黍农业发展、小麦东传扩散、多作物混作体系形成等关键学术问题，清晰复原史前土地开发强度、先民作物选择策略与聚落生业模式的动态演变，为阐释早期农耕定居、聚落复杂化进程的内在经济动因提供全新研究依据。

同时，大批量、高分辨率的植物遗存数据，能够为古植被演替、古气候波动、区域人地关系调适等研究提供全新素材与视角，有效推动植物考古从传统的定性个案解读，转向全域量化分析、大数据宏观复原的全新研究阶段。

这套全新的智能鉴定体系，有效破解了传统植物考古长期存在的标准零散、效率偏低、专业人手不足、样本大量积压的现实难题，实现了古植物遗存整理流程的数字化与标准化升级。随着样本数据库持续扩容、算法模型不断迭代优化，该技术体系可全面覆盖全国考古工地与实验室。人工智能与传统考古的深度融合，将持续释放有机质遗存的科研潜力，为系统阐释中华农耕文明的起源、发展与演变脉络，提供更加精细、扎实的量化研究依据。