En ny slags spordetektiv
De lavvandede mærker i sten – næsten usynlige medmindre lyset rammer dem i den rette vinkel – bliver ikke længere fortolket udelukkende af en ensom paleontolog med et målebånd. I dag er det et neuralt netværk, der "læser" disse urgamle skridt. Og hvad algoritmen opdager i tusindvis af forstenet dinosaurspor er stille og roligt ved at ændre vores forståelse af, hvornår fuglene opstod, og hvordan dinosaurer egentlig bevægede sig.
Et nyt redskab til at tyde dinosaurspor
I årtier har spor efterladt af dinosaurer været både en skattekiste og en kilde til frustration inden for forskningen. Sporene kan afsløre hastighed, kropsholdning og adfærd – men erosion, lerdeformation og tidens tand gør tolkningen usikker. Det er langtfra ualmindeligt, at to eksperter ser på det samme aftryk og når frem til helt forskellige konklusioner.
For at reducere denne usikkerhed gik et hold fra Universitetet i Tübingen, i samarbejde med Universitetet i Manchester og Museet für Naturkunde i Berlin, til kunstig intelligens for at finde en løsning. Resultatet blev et system integreret i en mobilapp kaldet DinoTracker, der anvender maskinlæring til at sortere og sammenligne dinosaurspor med minimal menneskelig indblanding.
AI'en vurderer sporene udelukkende på grundlag af form og grupperer dem i et morfologisk rum med otte dimensioner – frem for at tage udgangspunkt i forudbestemte artsbetegnelser.
I hjertet af DinoTracker sidder et konvolutionelt neuralt netværk trænet på mere end 2.000 tredactyle spor – det vil sige tre-tåede aftryk – indsamlet fra forskellige egne af verden. Disse spor, der dateres til ca. 200 til 145 millioner år siden, blev omdannet til rene silhuetter og konturer, inden algoritmen fik dem at se.
I stedet for at instruere systemet med klassifikationer som "dette er en theropod" eller "dette ligner en fugl", lod forskerne AI'en selv finde mønstre. Denne tilgang – uovervåget læring – hjælper med at forhindre, at modellen arver fejl og skævheder fra ældre klassifikationssystemer.
Sådan tyder DinoTracker og kunstig intelligens et enkelt skridt
Når nogen uploader et foto eller en kontur-tegning til DinoTracker, sammenligner appen det ikke blot med billeder fra et katalog. Først identificerer den geometriske "ankerpunkter": vinklen mellem tæerne, den midterste tås relative længde, hælens form og krumningen af hvert klomærke.
Ud fra denne geometri beregner algoritmen otte morfometriske variabler – tal der komprimerer sporets struktur, nærmest som et "DNA" for konturen. Herefter placeres hvert aftryk i et abstrakt morfologisk rum med otte dimensioner, tæt på andre spor med lignende geometri.
I testforsøg med velbevarede spor stemte systemet overens med ekspertvurderinger i cirka ni ud af ti tilfælde – og anvendte altid de samme kriterier.
Denne "form-først"-tilgang er særligt værdifuld, når fossilerne er udviskede, revnede eller delvist begravet. I stedet for at afvise et beskadiget aftryk sammenligner softwaren den stadig synlige kontur med den globale database og fremhæver sandsynlige ligheder.
Træning med falske – og bevidst beskadigede – spor
Holdet nøjedes ikke med rigtige spor. For at gøre AI'en mere robust genererede de over 10.000 simulerede spor med udgangspunkt i de originale former. Disse syntetiske versioner blev strakt, roteret, komprimeret, sløret og delvist visket ud for at efterligne, hvad der sker, når et tungt dyr træder i fugtig sediment, der siden tørrer, krakelerer og eroderer.
Ved at udsætte modellen for disse "worst case"-variationer søgte forskerne et system, der kan håndtere feltbetingelser – ikke kun perfekte museumseksemplarer. På den måde bliver algoritmen bedre til at skelne reelle anatomiske forskelle fra vejr-, jord- og nedbrydningsrelaterede skader.
- Rigtige fossile silhuetter: det primære træningsgrundlag fra udgravningssteder på flere kontinenter
- Simulerede forvrængninger: strakte, roterede og eroderede spor til at efterligne nedbrydning
- Otte morfometriske variabler: kompakt numerisk beskrivelse af hver kontur
- Uovervåget læring: gruppering uden faste artsbetegnelser
Fugle-lignende spor langt ældre end forventet
Det mest opsigtsvækkende resultat handler ikke om teknologien i sig selv, men om hvad den har bragt frem i lyset. Blandt de poster som DinoTracker analyserede, identificerede AI'en en særskilt gruppe af meget gamle spor med et overraskende fugle-lignende udseende.
Nogle af disse spor menes at være over 210 millioner år gamle og stammer fra den sene Trias-periode. Ifølge algoritmen deler de karakteristika, som vi i dag forbinder med moderne fugle: smalle tre-tåede konturer, stærk symmetri langs midteraksen og tæer tæt samlet frem for bredt spredt.
Disse Trias-spor udviser en fodbygning, der er bemærkelsesværdigt lig den hos nulevende fugle – på trods af at de bredt anerkendte fossiler af de første fugle dukker op langt senere, i Jura-perioden.
Dette mønster fik forskerne til at overveje to hovedhypoteser. Den første er, at fuglenes stamtræ måske rækker længere tilbage i tiden end de tilgængelige knoglefossiler antyder. Den anden er, at visse primitive kødædende dinosaurer uafhængigt kan have udviklet fugle-lignende fødder lang tid før, der fandtes egentlige fugle – et klassisk eksempel på konvergent evolution.
Uanset hvilket scenarie der holder, tyder dataene på en mere gradvis overgang til fuglenes kropsplan frem for et brat spring. Når AI'en sammenligner gamle spor med nyere, tegner den et kontinuum af former, der gradvist nærmer sig, hvad vi i dag ville genkende hos en måge eller en hejre.
Hvorfor spor kan komplicere stamtræet
Traditionelt har fossiliserede knogler domineret debatten om fuglenes oprindelse, med ikoniske skeletter som Archaeopteryx i centrum. Men knogler opstår kun, når død og fossilisering finder sted under meget specifikke betingelser – og fordelingen af disse fund er uensartet både i tid og rum.
Spor registrerer en anden dimension: bevægelse og adfærd, bevaret langs forhistoriske kystlinjer, oversvømmelsessletter og ørkenlandskaber. De kan også fange dyr, der sjældent fossiliserer som skeletter – eller måske endda linjer, der endnu ikke er anerkendt i knogleregistret.
Fordi AI'en grupperer konturer uden at starte med spørgsmålet "hvilken dinosaur lavede dette?", omgår den en del af den skævhed, der opstår, når hvert fund skal presses ind i en eksisterende taksonomi. Det åbner et alternativt perspektiv på, hvordan lignende bevægelsesstile og fodbygninger kan have opstået parallelt.
Fra laboratorium til mobiltelefon: borgerforskning med dinosaurspor
DinoTracker er ikke tænkt udelukkende til specialiserede laboratorier. Projektet positionerer sig som en borgerforskningsplatform, der inviterer vandrere, amatørfossilsamlere og lokale guider til at dele feltfund.
Enhver med appen kan fotografere et spor eller tegne konturen på skærmen. Softwaren returnerer herefter to resultater: et lighedsindeks i forhold til eksisterende spor i databasen og en visuel indikation af, hvor det nye aftryk placerer sig i det otte-dimensionelle morfologiske rum.
Ved at forvandle mobiltelefoner til bærbare sporscannere udvider systemet eftersøgningen langt ud over den lille gruppe af professionelle ichnologer.
Hvert nyt bidrag – efter verifikation mod eksisterende data – kan vende tilbage til træningssættet. Over tid har denne feedbackloop potentiale til at øge AI'ens præcision og samtidig udvide den geografiske dækning af kendte lokaliteter.
I regioner med få specialister fungerer appen desuden som et screeningsværktøj: lodsejere, parkvagter eller undervisere kan få en første vurdering af sandsynligheden for, at et mærke er et ægte dinosaurspor, der retfærdiggør en videnskabelig undersøgelse på stedet.
Et afgørende punkt for at forbedre kvaliteten af feltregistreringer er dokumentationsmetoden. Fotos med målestok, angivelse af retning og skrålys for at fremhæve relieffet kan gøre forskellen mellem et brugbart datapunkt og et billede, der er umuligt at sammenligne med andre.
Det er også vigtigt at tænke på beskyttelsen af kulturarven. Mange steder kan fjernelse af sten, påføring af produkter for at "fremhæve" spor eller indgreb i brudfladen ødelægge uerstattelig information og overtræde lokale regler. Bedste praksis er at dokumentere, georeferencere når det er muligt, og indberette til relevante myndigheder eller videnskabelige teams.
Ud over spor: en model for digitale fossiler
De samme mønstergenkendelsestekniker kan tilpasses andre fossiler med karakteristiske konturer. Holdet bag DinoTracker overvejer allerede fremtidige anvendelser inden for planteaftryk, hvirvelløse dyrs spor og delvise knoglefragmenter.
Ved at standardisere den måde, silhuetter registreres og sammenlignes på, kan AI-værktøjer lette opbygningen af samlede digitale samlinger på tværs af museer, universiteter og private fund. Det kan afsløre evolutionære mønstre og klimamønstre, der er svære at identificere, når dataene er spredt i lokale arkiver.
Nøglebegreber bag teknologien
To termer bærer dette projekt og fortjener en forklaring: uovervåget læring og morfometriske variabler.
Uovervåget læring betyder, at algoritmen ikke får det "rigtige svar" for hvert eksempel. I stedet søger den naturlige grupperinger i dataene – sæt af lignende former – og markerer dem til videnskabelig fortolkning. På den måde reduceres risikoen for at videreføre arvede mærkningsfejl.
Morfometriske variabler er numeriske værdier, der beskriver form. I dette tilfælde kan de inkludere forholdsmål som "midterste tås længde i forhold til hælens bredde" eller vinkelmålinger mellem tæerne. Ved at oversætte konturer til tal kan AI'en konsekvent sammenligne tusindvis af spor og opdage subtile tendenser, som det menneskelige øje kan overse efter hundredvis af målinger.
Hvad dette kan ændre i fremtidens fossilopdagelse
For professionelle forskere tilbyder denne tilgang en måde at teste evolutionære idéer uden at hænge fast i allerede etablerede kategorier. Opstår der en ny gruppering i det morfologiske rum, kan det pege på en adfærd eller et kropsplan, der mangler i knogleregistret.
For entusiaster og familier, der besøger lokaliteter med dinosaurspor, bringer teknologien opdagelsen tættere på en fælles forskningsoplevelse. En weekendtur langs en sandstensklippe kan bidrage til avanceret videnskabeligt arbejde – forudsat at folk dokumenterer og indsender deres fund omhyggeligt og præcist.
Der er naturligvis grænser. Ikke ethvert mærke i en sten er et dinosaurskridt, og uanset hvor veluddannet en AI er, afhænger den stadig af de data, den har set. Sjældne eller virkelig unikke fodtyper kan blive grupperet upræcist, indtil der findes tilstrækkeligt mange eksempler. Derfor forbliver ekspertgennemgang og feltverifikation uundværlige.
Alligevel åbner kombinationen af beregningspræcision, massedeltagelse og tidsmæssig dybde for et fascinerende perspektiv: et levende, konstant opdateret kort over oldtidens bevægelse i planetarisk skala – bygget spor for spor. Og i det kort tegner sig et diskret tre-tået mønster fra noget, der allerede gik som en fugl, lang tid før fuglene angiveligt eksisterede.
