Nowy rodzaj detektywa tropów dinozaurów
Te płytkie odciski, niemal niewidoczne bez odpowiedniego kąta padania światła, nie są już analizowane wyłącznie przez samotnego paleontologa z taśmą mierniczą. Dziś to sieć neuronowa „odczytuje" owe pradawne kroki — a to, co algorytm wykrywa w tysiącach skamieniałych śladów, po cichu zmienia nasze wyobrażenia o tym, kiedy pojawiły się ptaki i jak poruszały się dinozaury.
Przez dziesięciolecia tropy pozostawione przez dinozaury były jednocześnie skarbem i utrapieniem dla badaczy. Mogą ujawniać prędkość, postawę ciała i zachowanie, lecz erozja, deformacja mułu oraz upływ czasu czynią interpretację niepewną. Nierzadko dwóch specjalistów ogląda ten sam odcisk i dochodzi do zupełnie różnych wniosków.
Aby ograniczyć tę „szumowość", zespół z Uniwersytetu w Tybindze, we współpracy z Uniwersytetem w Manchesterze oraz Muzeum Historii Naturalnej w Berlinie, sięgnął po sztuczną inteligencję. Efektem jest system wbudowany w aplikację mobilną o nazwie DinoTracker, który wykorzystuje uczenie maszynowe do porządkowania i porównywania tropów dinozaurów przy minimalnym udziale człowieka.
Sztuczna inteligencja ocenia ślady wyłącznie na podstawie kształtu, grupując je w ośmiowymiarowej „przestrzeni morfologicznej", zamiast opierać się na z góry przyjętych etykietach gatunkowych.
Sercem DinoTrackera jest konwolucyjna sieć neuronowa wytrenowana na ponad 2 000 tropach tridaktylnych (trójpalczastych) zebranych z różnych regionów świata. Te ślady, datowane na około 200–145 milionów lat, zostały przekształcone w sylwetki i „czyste" kontury, zanim trafiły do algorytmu.
Zamiast instruować system za pomocą klasyfikacji w stylu „to jest trop teropoda" czy „to przypomina ptasie", badacze zdecydowali się pozwolić sztucznej inteligencji samodzielnie odkrywać wzorce. Ta strategia — uczenie nienadzorowane — pomaga uniknąć dziedziczenia błędów i uprzedzeń obecnych w starszych schematach klasyfikacji.
Jak DinoTracker i sztuczna inteligencja rozszyfrowują każdy krok
Gdy ktoś przesyła do DinoTrackera zdjęcie lub rysunek konturu tropu, aplikacja nie ogranicza się do nakładania obrazów z katalogu. Najpierw identyfikuje geometryczne „punkty kotwiczące": kąt między palcami, względną długość środkowego palca, kształt pięty oraz krzywiznę każdego śladu pazura.
Na podstawie tej geometrii algorytm oblicza osiem zmiennych morfometrycznych — liczb, które kondensują strukturę tropu niczym swoisty „kod DNA" konturu. Następnie każdy odcisk zostaje umieszczony w abstrakcyjnej przestrzeni morfologicznej o ośmiu wymiarach, zbliżając się do innych śladów o podobnej geometrii.
W testach, dla dobrze zachowanych tropów, system zgadzał się z klasyfikacją ekspertów w około dziewięciu na dziesięć przypadków — stosując zawsze te same kryteria.
Takie podejście „kształt przede wszystkim" jest szczególnie przydatne, gdy skamieniałości są zatarte, popękane lub częściowo zakopane. Zamiast odrzucać uszkodzony ślad, oprogramowanie porównuje wciąż widoczny kontur z globalną bazą danych i wskazuje prawdopodobne podobieństwa.
Trening na fałszywych — i celowo zniszczonych — tropach
Zespół nie poprzestał na prawdziwych śladach. Aby uczynić sztuczną inteligencję bardziej odporną, wygenerował ponad 10 000 symulowanych tropów na podstawie oryginalnych kształtów. Te syntetyczne wersje były rozciągane, obracane, ściskane, rozmywane i częściowo wymazywane, by odtworzyć to, co dzieje się, gdy ciężkie zwierzę stąpa po wilgotnych osadach, które następnie wysychają, pękają i ulegają erozji.
Wystawiając model na te „scenariusze najgorszego przypadku", naukowcy dążyli do stworzenia systemu zdolnego radzić sobie z warunkami terenowymi, a nie tylko z doskonałymi okazami muzeum. Dzięki temu algorytm lepiej odróżnia rzeczywiste różnice anatomiczne od uszkodzeń wywołanych klimatem, glebą lub naturalnym zużyciem.
- Prawdziwe sylwetki skamieniałości: główna podstawa treningu z różnych kontynentów
- Symulowane zniekształcenia: tropy rozciągane, obracane i zerodowane w celu naśladowania degradacji
- Osiem zmiennych morfometrycznych: zwięzły opis numeryczny każdego konturu
- Uczenie nienadzorowane: grupowanie bez stałych etykiet gatunkowych
„Ptasie" tropy znacznie starsze, niż oczekiwano
Najbardziej przełomowym odkryciem nie jest sama technologia, lecz to, co dzięki niej wypłynęło na powierzchnię. Wśród rekordów przeanalizowanych przez DinoTrackera sztuczna inteligencja zidentyfikowała odrębne skupisko bardzo starych tropów o zaskakującym podobieństwie do śladów ptaków.
Niektóre z tych tropów mogą mieć ponad 210 milionów lat i pochodzić z późnego triasu. Według algorytmu wykazują cechy, które dziś kojarzymy z nowoczesnymi ptakami: wąskie trójpalczaste kontury, wyraźną symetrię wzdłuż osi centralnej oraz palce blisko siebie, zamiast szeroko rozstawionych.
Te triasowe tropy wykazują budowę stopy uderzająco podobną do współczesnych ptaków, mimo że powszechnie akceptowane skamieniałości pierwszych ptaków pojawiają się znacznie później, w jurze.
Ten wzorzec skłonił badaczy do rozważenia dwóch głównych hipotez. Pierwsza zakłada, że korzenie linii ptaków mogą sięgać głębiej w przeszłość, niż sugerują dostępne skamieniałości kostne. Druga mówi, że niektóre prymitywne drapieżne dinozaury mogły niezależnie wykształcić stopy podobne do ptasich na długo przed pojawieniem się prawdziwych ptaków — to klasyczny przykład ewolucji konwergentnej.
W obu scenariuszach dane sugerują bardziej stopniowe przejście do „planu ciała" ptaków, zamiast nagłego skoku. Porównując stare tropy z nowszymi, sztuczna inteligencja rysuje kontinuum kształtów, które stopniowo przybliżają się do tego, co dziś rozpoznalibyśmy u mewy czy czapli.
Dlaczego tropy mogą pomieszać drzewo genealogiczne
Tradycyjnie w debacie o pochodzeniu ptaków dominowały skamieniałe kości, ze szczególnym uwzględnieniem ikonicznych szkieletów takich jak Archaeopteryx. Jednak kości zachowują się jedynie wtedy, gdy śmierć i fosylizacja nastąpią w bardzo specyficznych warunkach — a rozkład tych znalezisk w czasie i przestrzeni jest nierówny.
Tropy rejestrują inny wymiar: zachowanie w ruchu, utrwalone na dawnych liniach brzegowych, równinach zalewowych i środowiskach pustynnych. Mogą też dokumentować zwierzęta, które rzadko skamieniały jako szkielety — a nawet linie ewolucyjne, których jeszcze nie rozpoznajemy w zapisie kostnym.
Ponieważ sztuczna inteligencja grupuje kontury bez wstępnego pytania „jaki dinozaur to zrobił?", omija część uprzedzenia związanego z dopasowywaniem każdego odkrycia do istniejącej taksonomii. Otwiera to alternatywną perspektywę na to, jak zbliżone style lokomocji i kształty stóp mogły pojawiać się równolegle.
Z laboratorium do telefonu: nauka obywatelska z tropami dinozaurów
DinoTracker nie został zaprojektowany wyłącznie dla specjalistycznych laboratoriów. Projekt zakłada funkcjonowanie jako platforma nauki obywatelskiej, zapraszając turystów pieszych, amatorów skamieniałości i lokalnych przewodników do dzielenia się terenowymi odkryciami.
Każdy, kto ma aplikację, może sfotografować trop lub narysować jego kontur na ekranie. Następnie oprogramowanie zwraca dwa wyniki: wskaźnik podobieństwa do tropów już istniejących w bazie danych oraz wizualną wskazówkę, gdzie nowy ślad lokuje się w przestrzeni morfologicznej ośmiu wymiarów.
Zamieniając telefony w przenośne skanery tropów, system rozszerza zasięg poszukiwań daleko poza wąskie grono zawodowych ichnologów.
Każdy nowy wpis, po weryfikacji z istniejącymi danymi, może trafić z powrotem do zestawu treningowego. Z czasem ten cykl zwrotny poprawia dokładność sztucznej inteligencji, a jednocześnie poszerza geograficzny zasięg znanych stanowisk.
W regionach o nielicznych specjalistach aplikacja pełni rolę narzędzia wstępnej selekcji: właściciele gruntów, strażnicy parków lub nauczyciele mogą uzyskać pierwszą ocenę dotyczącą prawdopodobieństwa, że dany ślad jest rzeczywistym tropem dinozaura wymagającym naukowej analizy na miejscu.
Kluczowym czynnikiem poprawiającym jakość danych zbieranych w terenie jest sposób dokumentowania tropu. Zdjęcia ze skalą (np. z linijką), informacja o orientacji i boczne oświetlenie uwydatniające relief mogą decydować o tym, czy dane będą użyteczne, czy niemożliwe do porównania.
Warto też pamiętać o ochronie dziedzictwa. W wielu miejscach usuwanie skał, nakładanie preparatów w celu „uwydatnienia" tropów lub ingerowanie w odsłonięcie może nieodwracalnie zniszczyć informacje i naruszać lokalne przepisy. Najlepsza praktyka to rejestrowanie, geolokalizacja gdy to możliwe, oraz zgłaszanie kompetentnym instytucjom lub zespołom naukowym.
Poza tropami: model dla cyfrowych skamieniałości
Te same techniki rozpoznawania wzorców można dostosować do innych skamieniałości o charakterystycznych konturach. Zespół stojący za DinoTrackerem rozważa już przyszłe zastosowania dla odcisków roślin, śladów bezkręgowców i częściowych fragmentów kostnych.
Ustandaryzowanie sposobu rejestrowania i porównywania sylwetek może ułatwić tworzenie ujednoliconych kolekcji cyfrowych łączących muzea, uczelnie i odkrycia prywatne. To z kolei może ujawnić wzorce ewolucji i klimatu, trudne do dostrzeżenia, gdy dane rozproszone są w lokalnych archiwach.
Kluczowe pojęcia stojące za technologią
Dwa terminy stanowią fundament tego projektu i wymagają wyjaśnienia: uczenie nienadzorowane i zmienne morfometryczne.
Uczenie nienadzorowane oznacza, że algorytm nie otrzymuje dla każdego przykładu „właściwej odpowiedzi". Zamiast tego szuka naturalnych skupień w danych — zestawów podobnych kształtów — i sygnalizuje je do naukowej interpretacji. W ten sposób zmniejsza się ryzyko powielania błędów z odziedziczonych etykiet.
Zmienne morfometryczne to wartości liczbowe opisujące kształt. W tym przypadku mogą obejmować proporcje, jak „długość środkowego palca w stosunku do szerokości pięty", czy pomiary kątów między palcami. Przekładając kontury na liczby, sztuczna inteligencja potrafi konsekwentnie porównywać tysiące tropów i wykrywać subtelne tendencje, które ludzkie oko może przeoczyć po setkach pomiarów.
Co to może zmienić w poszukiwaniu skamieniałości w przyszłości
Dla zawodowych badaczy to podejście oferuje sposób testowania hipotez ewolucyjnych bez nadmiernego przywiązywania się do już ustalonych kategorii. Jeśli w przestrzeni morfologicznej wyłoni się nowe skupisko, może to wskazywać na zachowanie lub plan ciała nieobecny w zapisie kostnym.
Dla entuzjastów i rodzin odwiedzających stanowiska z tropami technologia przybliża odkrywanie do wspólnego doświadczenia badawczego. Weekend spędzony na wędrówce po piaskowcowej skarpie może przyczynić się do zaawansowanych badań naukowych — o ile ludzie będą rejestrować i zgłaszać swoje znaleziska z należytą starannością i rzetelnością.
Istnieją oczywiście ograniczenia. Nie każdy odcisk na skale to krok dinozaura, a nawet najlepiej wytrenowana sztuczna inteligencja pozostaje zależna od danych, na których się uczyła. Rzadkie lub naprawdę unikatowe typy stóp mogą być błędnie grupowane, dopóki nie pojawi się wystarczająca liczba przykładów. Dlatego weryfikacja przez ekspertów i terenowe potwierdzenie pozostają niezbędne.
Mimo to połączenie precyzji obliczeniowej, masowego uczestnictwa i głębokości czasowej otwiera fascynującą perspektywę: żywą, stale aktualizowaną mapę dawnego ruchu w skali całej planety, budowaną krok po kroku. I na tej mapie — dyskretny, trójpalczasty ślad czegoś, co chodziło jak ptak na długo przed tym, zanim ptaki, zgodnie z przyjętą wiedzą, w ogóle istniały.
