AIエージェントがNASA Lidarデータでマヤ遺跡を特定

AIエージェントが未登録のマヤ遺跡を発見、NASAライダーデータ解析で72時間以内のイメージ画像

個人開発者のピエトロ・ミオッティ氏が、AIエージェントを用いてメキシコ国内の未登録マヤ遺跡を「再発見」したと発表しました。この発見は、NASAのLidarデータを分析することでわずか72時間以内に達成されたとのことです(Hacker News)。

AIエージェントが、広大なLidarデータの中から未発見の考古学的構造物を特定するという、驚くべき効率性を示しました。

ミオッティ氏は、ペルー旅行中にマチュピチュの発見者であるハイラム・ビンガムの逸話に触発され、「もしビンガムが現代のツールを持っていたらどうしただろうか」と考えたことが発端だったそうです。彼はGemini、ChatGPT、Claude、Grokといった複数のAIエージェントとブレインストーミングを行い、Lidarデータが有効な手段だと結論付けました。Lidarはレーザーパルスを使って樹木の隙間から地面の地形をマッピングできるため、ジャングルに隠された遺跡の発見に非常に適しています。

48体のAIエージェントが広範囲のLidar画像を解析

AIエージェントが未登録のマヤ遺跡を発見、NASAライダーデータ解析で72時間以内のイメージ画像

ミオッティ氏は、ペルーのLidarデータは入手が困難だったため、公開データが豊富に存在するマヤ文明の地域に焦点を移しました。10月18日の夜にAIエージェントに分析を依頼し、翌朝には「村や構造物に見える規則的な形状」が多数報告されたといいます。

AIエージェントはどのように発見に至ったのでしょうか。約1,200 km²に及ぶジャングルのLidarデータを画像に変換し、48体のAIエージェントが「非常に忍耐強い考古学者」のように一つずつ画像を分析しました。

ピラミッド、プラットフォーム、広場を探し、自然の丘、シンクホール、道路などをフィルタリングしていったそうです。特定の高度なモデルや分類器は使われず、エージェントは文字通り画像を見て、精密なガイドラインに従って探索を行いました。

項目 従来の考古学調査 AIエージェントによる調査
調査範囲 限られた地上調査、空中写真 広範囲のLidarデータ画像解析
時間 数週間〜数ヶ月/年単位 72時間以内(データ分析のみ)
識別方法 人間の目、経験 ガイドラインに基づいた画像認識
課題 ジャングルによる視認性の低さ Lidarデータの解釈、既存文献との照合

数時間後、エージェントは主要な村の一つがまだ登録されていないと報告しました。それは崖の端に位置し、直線的なエッジと鋭い角を持つ地形でした。自然界では直線はめったに存在しないため、人工物である可能性が高いと判断されたのです。

メキシコ政府への報告書作成もAIが支援

AIが特定した遺跡は、少なくとも8〜12mの高さの楕円形ピラミッド、それに付随する高台の中庭、そして水貯水池だった可能性のある平底の窪みなど、具体的な構造物であることが確認されました。AIエージェントはさらに、この発見についてメキシコの国立人類学歴史研究所(INAH)に連絡し、報告書を作成し、既存の登録簿を確認するよう助言しました。

ミオッティ氏は、エージェントの指示に従い、スペイン語に翻訳された報告書をINAHに送付しました。翻訳もClaudeの提案に基づきAIエージェントが行ったとのことです。また、AIエージェントは生の点群データもチェックし、形状が樹木ではなく実際に地面にあることを確認したそうです。

AIエージェントは、発見から報告書作成、さらには多言語翻訳まで、一連のプロセスをシームレスに支援しました。

当初は「発見」とされていましたが、後日この遺跡はEstrada-Belli et al. 2025によって既にマッピングされていたことが判明しました。INAHの登録簿にはまだなかったものの、厳密には「再発見」という形になったようです。それでも、Lidarデータから未登録の遺跡を短時間で特定したAIエージェントの能力は非常に注目に値します。

エンジニア目線で見ると:AIエージェントの応用可能性と課題

今回の事例は、AIエージェントが単なる情報収集だけでなく、複雑なタスクの計画・実行、そして具体的なアウトプット生成までを担えることを示しています。Lidarデータから地形を画像化し、それを複数のエージェントで分担して解析するアプローチは、私自身の個人プロダクトやスクリプトでのデータ処理にも応用できると感じました。

特に、特定のパターンを大量の画像データから効率的に抽出するような場面では、まさにうってつけではないでしょうか。私が普段触れているGCPのCloud Runで画像処理バッチを動かし、BigQueryに結果を格納するようなシステムを、AIエージェントが全体設計から実行までできる可能性も秘めていると考えます。

一方で、既存文献との照合漏れという課題も浮き彫りになりました。AIエージェントが最新情報や網羅的な文献レビューを行う際には、情報源の信頼性や鮮度、検索クエリの最適化が重要だと考えます。

また、InfoQの記事でも指摘されている「Agent Distraction(エージェントの注意散漫)」、つまり古い技術的負債や関連性の低い情報にAIが囚われてしまうリスクも考慮する必要があるでしょう。AIエージェントの利用には、常にその出力結果を人間が適切に検証するプロセスが不可欠だと感じます。