一句话看懂：研究人员利用AI分析早期人类祖先牙齿表面的3D微磨损纹理，实现了对古人类饮食结构的高精度重建。这项技术将传统需要大量人工判读的形态学分析，转变为可量化的AI分类任务，为古人类学提供了一种新的非破坏性研究工具。
事件核心：发生了什么
根据phys.org报道，一支国际研究团队训练了一种AI模型，用于分析早期人类祖先牙齿化石的3D微磨损痕迹。牙齿表面在咀嚼不同食物（如硬壳坚果、纤维植物或肉类）时会形成特定的微观划痕与坑洞，这些痕迹的3D形态组合构成了饮食的“指纹”。传统方法依赖专家肉眼比对微观照片，主观性强且耗时。该AI模型通过对大量已知饮食的灵长类动物牙齿表面3D扫描数据进行训练，能够自动识别并分类不同饮食模式下的微磨损特征。研究团队已将该方法应用于南方古猿等早期人科化石，重建结果与同位素分析等传统证据吻合，验证了模型的可靠性。该研究发表于学术期刊，具体发布时间为2026年6月。
为什么重要
这一成果展示了AI在“非标准图像数据”上的迁移能力——牙齿微磨损是复杂的3D表面纹理，而非常规的RGB图像。传统计算机视觉模型难以直接处理这类高维几何数据，而研究团队通过将3D点云或网格数据转化为模型可学习的特征向量，解决了这一难题。对AI行业而言，这意味着模型在材料科学、地质学、古生物学等需要分析微观表面形貌的领域具备更大的通用潜力。对古人类学而言，这项工具大幅降低了分析门槛：过去一个专家可能需要数周才能完成一个标本的微磨损判读，而AI可以在数分钟内给出定量结果，且结果可重复、可审计。这为大规模标本筛查和进化生态学研究提供了基础设施级别的工具。
对用户/开发者/开发者的影响
对AI开发者而言，这是一个极好的案例，说明如何将3D几何数据（而非图像或文本）接入现有分类模型。研究团队在论文中详细描述了数据预处理流程（如点云对齐、归一化、局部特征提取），这些方法可以直接复用到其他微观形貌分析任务中。对博物馆和化石研究者而言，这一工具可以直接替代部分人工鉴定环节，降低研究成本。对科普和教育工作者而言，AI生成的饮食重建结果可以被直接用于制作更加准确的古人类演化教育内容。需要注意的是，目前该模型仍需要高质量的微磨损3D扫描数据，这意味着用户的设备门槛（如显微CT或激光共聚焦显微镜）较高。
值得关注的后续
一是模型的泛化能力：目前训练数据主要来自现生灵长类和有限古人类标本，能否无缝迁移到更古老的古猿或早期人类之外的其他哺乳动物化石上，需要更多验证。二是模型是否会被集成到公共数据库或开源工具链中：如果研究团队放出预训练权重和数据处理脚本，将显著加速古生物学领域的AI应用。三是是否会出现商业化的化石分析服务：一旦技术被验证稳定，古生物鉴定公司或博物馆可能购买这类AI分析服务，改变目前完全依赖专家人工的行业格局。
来源：phys.org
