ИИ разобрал 400 лет архивов и нашёл забытый метеорит и потерянных носорогов

Пост Jesse Waites «I pointed AI at 400 years of archives» набрал на Hacker News 95 очков и 47 комментариев. Автор пишет, что пропустил через ИИ материалы за четыре столетия и нашёл забытый метеорит, потерянных носорогов и ещё ряд сюжетов. Из анонса не видно, какие архивы он брал, какой моделью пользовался и сколько это стоило. Ниже разобрано, что заявлено, как такие проекты обычно устроены и где в них слабые места.

Что известно из заявки

Само по себе обещание понятно: большой корпус старых документов, который никто не читал целиком, и модель, способная прочитать его за разумное время. Четыре века материала — это рукописи, печатные издания, переписка, каталоги, возможно газеты. Такие коллекции обычно слабо индексированы. Человек находит в них то, что ищет по ключевому слову, а всё остальное лежит нетронутым.

Находки из заголовка выглядят как раз как результат такого чтения без заранее заданного запроса. Метеорит, который когда-то описали и забыли. Носороги, чьи следы в записях потерялись. Если автор не преувеличил, модель сработала как читатель, которому не нужно знать вопрос заранее.

Как это обычно устроено

Подобные проекты чаще всего строятся в несколько шагов. Это общая схема, а не описание конкретного поста.

• Распознавание: сканы превращаются в текст через OCR или распознавание рукописей, и именно здесь теряется больше всего качества на старых шрифтах и почерках.
• Разметка: LLM выделяет в каждом документе людей, места, предметы, даты и события.
• Сопоставление: записи из разных десятилетий связываются между собой, и всплывают сюжеты, которые в одиночку ни один документ не показывает.
• Проверка: человек сверяет найденное с первоисточником.

Последний шаг определяет, получилась ли находка или красивая выдумка. Модели склонны достраивать контекст, особенно когда текст плохо распознан. «Забытый метеорит» ценен, только если по ссылке на страницу архива можно увидеть реальную запись.

Где ловушки

Первая — ошибки распознавания. Если «носорог» в оригинале оказался другим словом, а OCR или модель подогнали его под яркий сюжет, находка исчезает. Вторая — отбор. В посте пишут о том, что нашлось. О том, сколько ложных срабатываний пришлось выбросить, в заголовке ничего нет. Третья — «забытое» не значит «неизвестное»: историки местных коллекций могли знать о метеорите всё это время, просто это не попало в широкий доступ.

Комментарии на Hacker News, судя по их количеству, скорее всего, крутятся вокруг тех же вопросов: как проверялось, сколько стоило и что из найденного действительно новое. Сами комментарии в источнике не приведены, так что это предположение, а не пересказ.

Ключевые параметры

• Горизонт материала: около 400 лет.
• Заявленные находки: забытый метеорит, потерянные носороги, «и другое».
• Реакция сообщества: 95 очков, 47 комментариев на Hacker News.
• Неизвестно из анонса: модель, объём корпуса, стоимость, доля ложных срабатываний.

Что с этим делать

Если у вас есть архив, будь то корпоративная переписка, техническая документация за десять лет или оцифрованная библиотека, схема из этого поста работает как рецепт: сначала прочитать всё моделью без заранее заданного вопроса, затем отобрать аномалии и проверить их вручную. Каждая находка должна иметь ссылку на конкретную страницу или файл. Без такой привязки результат нельзя ни использовать, ни защитить. Считайте отдельно стоимость распознавания и стоимость разметки: на плохих сканах первая часто дороже второй. Прежде чем ссылаться на пост как на доказательство возможностей ИИ, прочитайте оригинал и найдите в нём методику и примеры проверки. Анонс на Hacker News этих деталей не содержит.