大辛庄陶片拼合挑战赛以一个极具吸引力的大数字开场：近 20,000 件商代陶片，每件拍摄正反两面图像，面向全球参赛者开放。最终留下的数字更小，却更有用。详细结果公告记载，成绩最佳的团队交出了 78 对经实物确认的拼合；另一支团队有 2 对。赛事没有颁出一等奖和二等奖。[1]

这场 AI 实验的主体，正是这一结果。赛事共收到 94 份提交；组织者纳入审阅的 17 组团队结果中，只有两组提出了明确、可追溯的一对一拼合方案，并进入实物核验。线上相似度得分止于筛选环节，最终奖次的裁定发生在大辛庄遗址博物馆库房：考古人员把陶片原件放在一起，逐一检查接合处。[1]

由此得到的认识，比“人仍然重要”更具体。在这个案例里，实物本身参与推断。一张照片能让候选陶片进入检索范围；考古事实则须经实物确认。

储藏坑与拼图盒相去甚远

大辛庄位于今济南，是商代世界东部的重要中心。作为赛事核心的 H690 遗迹起初是储藏坑，后来成为一处有 14 层 堆积的废弃物坑。堆积中除了陶片，还有动物骨骼与金箔碎片。赛事组织方公开了近 20,000 件陶片的正反两面高清图像，以及唯一编号、发掘层位信息和考古记录。[1][2]

这些资料令这批藏品具有研究价值，也解释了拼合的难度。一盒成品拼图以一幅完整图像为原稿，经一次统一切割，所有拼片都装在盒中。H690 则经历了使用、破碎、丢弃、埋藏与发掘。组织方提醒参赛者，每件陶片未必都有可定位的对应碎片；留存的陶片还会出现风化、磨蚀、变色，或表面素净、缺少视觉特征。[2]

面对这一规模，穷举配对的代价极高。近 20,000 件藏品在依据地层、器型、陶胎或其他证据缩小范围之前，会产生约 2 亿个不计顺序的候选配对。其中绝大多数都是错误配对，真实拼合的数量事先未知。系统若把几乎所有配对都判为错误，表面准确率仍会很高，却会错过考古人员真正需要的结果：把数量有限、便于核查的真实拼合排在队列前端。

所谓“陶片识别”，其实包含多项任务。按胎质、年代或器物家族对陶片分类，可以收窄搜索范围；检索可信的相邻碎片，可以安排核查优先级；对齐断口边缘，可以估计姿态；复原一件器物需要一组彼此一致的陶片，单个看似漂亮的配对还不够。每一阶段都有各自的目标与容错范围。

排行榜给不出真值

最初的评估方案把 70% 的分数分配给匹配准确率，器物完整度占 15%，方案质量与创新性占 15%。赛事 FAQ 同时承认了基准的核心难题：组织方手中的拼合数据覆盖不了全部碎片，因此实时排行榜显示的分数不足以作为可靠依据。最终评审须在提交截止后举行。[1]

这条界线十分重要。标准视觉基准通常已有隐藏标签，平台据此比对预测结果。到了大辛庄，许多标签须在拿取文物逐一核查的过程中建立。赛事一面评测算法，一面生成自身的真值。

其他考古视觉项目表明，一个看似体面的分数很容易回答错问题。2026 年一项针对 1,864 张河姆渡陶片照片的研究发现，即便目标胎质类别的定义原本不含碎片形状，ResNet-50 仅凭二值化的陶片轮廓，也能得到约 74% 的分类准确率。全图模型达到约 95%；研究者据此把形状相关性视为应当抑制的捷径，拒绝将其当作可信证据。[4] 对于断口匹配，边缘形状却可以直接成为有效特征。同一个像素，对一项任务是信号，对另一项任务则是泄漏。

《人民日报》报道的另一个甲骨项目，在受评测的匹配设定中取得超过 90% 的准确率，并通过边缘对齐、拼接与纹理连续性找到 37 对新缀甲骨。[3] 这一结果有力证明，学习式检索能够发挥作用。若把同一百分比移到开放世界藏品，条件已经发生变化：其中有数以百万计的外观相近负样本、缺失的对应碎片和缺乏特征的表面。准确率的含义，始终由产生它的候选池和标注流程界定。

陶土拥有否决权

2025 年 12 月 27 日至 28 日，大辛庄赛事组织方把入围方案从屏幕带进库房。他们先核对文档：目录编号、数量和申报的拼合关系，均须与提交记录逐项对应。随后，考古人员在稳定光线下把陶片实物放在一起。[1]

这项检查有意把材料证据置于中心。考古人员观察断口形貌能否连续、接合是否自然，同时比较陶胎颜色、质地与羼和料，纹饰与表面处理，器壁厚度和曲率。核验结果分为确认、暂定支持与驳回三类；驳回原因包括断口不连续，以及胎质与器形不合。[1]

这些检查每一项都关乎结论。两面照片会压平厚度、断口深度和接触面的触感信息；光线会改变人眼所见的颜色，比例与拍摄角度会扭曲曲率，一层薄沉积物足以遮住连续的断裂纹路。不同陶胎的两块碎片之间，同样会出现极具说服力的边缘对齐。

早期三维复原研究把缺失的信息说明得很具体。一项已发表的方法采用陶片厚度剖面，因为厚度保存在陶胎内部，埋藏造成的损伤通常小于表面色彩或纹饰。[5] 大辛庄发布双面图像，是让庞大藏品可供广泛研究的务实办法，却无法呈现最终确认所需的全部测量信息。博物馆工作台承担着最终传感器的角色，在模型输出之后继续采集决定性信息。

更好的第二轮应衡量筛选漏斗

官方结果公告称，下一轮赛事正在筹划。[1] 最有用的基准会把完整复原问题拆成逐级收窄的筛选漏斗，分别衡量各环节，避免让一个分数概括全部任务。

第一层是候选检索：在一个经过实物核验、对外隐藏的子集中，对每件确有匹配陶片的碎片，系统能否把对应者排进前 10、50 或 100 条建议？固定复核预算下的召回率，可以告诉考古人员模型实际省去了多少搜寻工作。

第二层是相容性精确率：当系统断言某组拼合具有高置信度，其中多大比例能通过盲法实物核验？评估集应当纳入来自同一层位、胎质、器物类别与相近色系的困难负样本，因为简单负样本只会奖励粗略分类，难以检验细粒度辨别能力。

第三层是组合一致性。两项很高的两两匹配分数，无法保证三四块碎片能够严密拼成同一件器物。整个组合的曲率、器壁厚度、朝向与考古背景都须保持一致。评估还应允许系统暂缓判断；若强行把每片陶片归入某个簇，诚实的不确定性就会变成错误复原。

最后，基准还应记录每确认一组拼合所需的专家分钟数。一个检索模型即使从不自动“复原一只陶罐”，只要能把 2 亿次理论配对收窄至 200 个强候选，便足以彻底改变工作方式。反之，视觉上再亮眼的拼合，若审核用时长于人工操作，依然没有改善考古工作流程。

这些指标会延续赛事最有价值的设计选择：每项数字判断都与一件编有目录号的实物相连，并可回到实物核验。它们也能让每一轮的进展清楚可见。检索质量提高、暂缓判断更加准确、专家耗时减少，即使完整器物尚未出现，也都构成有意义的进步。

这则 AI-China 案例的信号在于核验链条

与前沿模型发布相比，这则 AI-China 故事呈现的是另一种形态。它的关键基础包括一处名称明确的发掘地点、一间博物馆库房、长期有效的目录编号、标准化摄影、愿意裁定存疑匹配的考古人员，以及一场公开竞赛；这场竞赛如实公布了不利于宣传的结果。[1][2]

一等奖和二等奖的空缺，反而是赛事的优势。它让宣传表述受实物证据约束。挑战赛证明，大规模二维语料能够吸引算法团队并发现真实拼合；它也标出了当前证据的止点：组织方审阅并送交现场核验的团队结果中，大多数都没有提出明确的一对一配对主张；即便最佳成果，也须经直接的材料判断。

大辛庄的有效分工已经清晰可见。模型负责在人力无法覆盖的规模上搜索，负责排序、记录，并在证据不足时暂缓判断；陶片连续性、胎质、厚度、曲率、出土背景和专家对实物的直接检视，则决定哪些拼合能够写入考古记录。博物馆工作台依旧居于流程之中，目标是让那张桌旁的每一个小时带回更多历史。

来源

1. BNBU 高等研究院与山东大学考古学院，“Great Daxinzhuang Pottery Puzzle Challenge”——赛事官方说明、规则、参赛总数、结果公告及 2025 年 12 月实物核验规程。
2. Yu Qinlin，《用 AI 拼合陶器碎片，头奖 1 万美元！这项考古大赛在珠启动》，观海融媒，2025 年 7 月 26 日——H690 背景、数据集说明、考古限制，以及上文采用的朱文照片。
3. Yang Qingyue，《当考古遇到人工智能》，人民日报，2025 年 1 月 6 日——考古 AI 概览及报道中的甲骨碎片匹配流程。
4. Xin Yu 等，《Mitigating spurious features by contrastive learning in pottery sherd recognition》，npj Heritage Science 14, 135，2026 年 3 月 4 日——河姆渡数据集设计、采集控制、捷径特征与评估边界。
5. Michail I. Stamatopoulos 与 Christos-Nikolaos Anagnostopoulos，《A totally new digital 3D approach for reassembling fractured archaeological potteries using thickness measurements》，Acta IMEKO 6(3)，2017 年——以陶片厚度剖面作为拼合实物证据。