Vesuvius Challenge 頒出 2 萬美元：AI 如何幫忙追蹤古卷紙莎草纖維？
Vesuvius Challenge 九月進展獎把兩萬美元頒給自動纖維擷取工作，作者分享 Astra 如何協助探索 CT 資料。本文解析虛擬展卷、纖維追蹤與讀字的差別，看懂 AI 考古的實際進展。
古卷燒成炭後，打開可能讓材料碎裂。研究者因此先掃描內部，再在電腦裡找出一層層紙面，嘗試讀回被保存下來的文字。
Vesuvius Challenge 的 2026 年 9 月進展獎，把 2 萬美元頒給自動纖維擷取工作。得獎者 Samir Lerognon 在 10 月 20 日分享成果，也談到 Astra 如何協助探索資料。
這項消息的重點，是把虛擬展卷的上游工具往前推一步。得獎項目針對紙莎草纖維，沒有表示 AI 已經直接讀完一整卷古文。
纖維看似離文字很遠，卻能替研究者提供紙面方向的線索。因為找不到正確表面，就算有辨識墨跡的方法，也很難知道文字應該排在哪裡。
這是值得追蹤的科學工具進展，但理解它，得把掃描、找表面、攤平與讀字分開。先看官方到底獎勵了什麼，就能避免把不同階段混成同一個突破。
Vesuvius Challenge 這次獎勵哪個進展？
這次獎項針對自動擷取紙莎草纖維，目的是改善讀取古卷所需的工具與訓練方法。它屬於持續進展的獎勵，和宣布整卷文字全部解讀不同。
依官方得獎名單，2026 年 9 月的 2 萬美元項目列為 Automated fiber extraction，得獎者是 Samir Lerognon，社群名稱為 qualzz。
官方描述的工作包含以更多卷軸資料微調既有纖維模型，將預測結果擬合成曲線，再整合進 VC3D 與螺旋擬合工具。每一部分都圍繞同一個問題：如何追蹤材料結構。
九月獎項和十月貼文有什麼關係？
九月是官方獎項對應的月份，10 月 20 日則是作者分享的時間。把兩個日期分開，可以避免讓讀者誤以為所有工具都是貼文當天才出現。
作者在原始貼文中表示，Astra 等前沿模型幫助他更快理解資料的規模與複雜性，並把想法變成可執行的實驗。
這份描述提供研究過程的線索，但沒有把得獎成果歸為模型單獨完成。公開可核對的成品，仍包含作者的程式、資料處理與工具整合。
所以，這則新聞同時有兩個層次。官方獎項確認工具貢獻，作者分享補充 AI 如何參與探索，兩者應相互對照，不能互相取代。
要理解工具為何有用，得先看 CT 掃描之後，研究者為什麼仍難以找到一張完整的紙。
CT 掃描如何把古卷變成三維資料？
掃描可以取得古卷內部的結構，讓研究者不必先用手打開材料。CT 是電腦斷層掃描，透過不同位置的量測重建內部資料，在這裡用來觀察卷軸的層次。
但取得三維資料不等於已經得到一張平整紙面。古卷裡可能有緊貼、彎曲與變形的層，研究者要先辨認哪些地方屬於同一張材料。
為什麼不能沿著亮暗直接切開？
如果材料層層黏連，局部畫面可能難以分出邊界。即使某一小段看起來清楚，沿著它往前追，仍可能在折曲或破損處走到另一層。
這也是虛擬展卷需要多種線索的原因。幾何位置告訴研究者結構在哪裡，纖維方向則可能幫忙判斷延伸關係，兩種資訊一起看，比只看單一切片更有依據。
紙莎草纖維是材料的一部分，具有可追蹤的延伸方向。因此，自動把纖維找出來，有機會讓研究者在龐大資料裡更快理解局部結構。
但方向線索仍需要驗證。如果模型把相鄰材料混在一起，後續曲線即使看起來平順，也可能對不上正確紙層，所以自動化結果仍要能被查看與修正。
為什麼三維資料特別容易讓人迷失？
一張影像只有平面位置，三維掃描則還有深度。當研究者切換方向，同一條結構在不同切片會呈現不同樣子，因此需要工具維持它們之間的對應。
如果資料量又很大，光是把全部內容載入和顯示，就可能讓操作變慢。這使資料格式、載入方式與互動介面，也會直接影響研究者能否有效探索。
所以，科學成果有時來自看似平常的工具改善。讓人更快看到正確資料，就可能縮短找錯層、重複等待或難以核對的時間。
得獎工作的公開貢獻，正好讓這個價值變得具體。它把自動纖維集合接進研究者已經使用的檢視環境，讓預測不只停在一份輸出檔。
自動纖維擷取如何接進展卷流程？
官方描述的流程從模型預測開始，再把纖維結果整理成連續曲線，最後接到既有工具。這樣才能讓演算法找到的內容，進入研究者可以查看的工作空間。
微調指的是在既有模型基礎上，以新的相關資料繼續訓練。這裡的用途是讓纖維模型接觸更多卷軸資料，不能理解成只靠一句提示就產生可靠結果。
曲線擬合則是用連續路徑整理離散的預測點。這有助於沿著纖維看延伸方向，但曲線本身仍需要和原始掃描互相對照，避免把錯誤接成看似完整的線。
為什麼把纖維放進 VC3D 很重要？
VC3D 是用來檢視與標註卷軸三維資料的工具。作者公開的原始程式貢獻，讓大型自動纖維集合可以在其中開啟與瀏覽。
這項貢獻描述了工作前後的差異。過去把集合匯入成原生標註，會產生大量可編輯項目，也要等待載入，研究者還沒開始看內容，就先承受資料處理負擔。
新的方式以單一唯讀集合保存資料，先讀取必要資訊，再顯示和目前切片相交的纖維。因為不必一開始把每條都變成編輯項目，檢視工作可以更集中。
這裡的唯讀不代表永遠無法修正。作者說明，使用者可挑選一條纖維，把它帶進線段標註，再處理需要檢查的部分，因此整體瀏覽與個別編輯被分開。
為什麼先檢視，再挑一條修改？
大型自動集合裡，研究者未必想同時修改每條結果。先保留整體唯讀瀏覽，再把需要處理的一條拉進標註，可以把探索與修正分成不同工作，降低介面負擔。
原始貢獻也指出，這讓沒有特定既有資料集的情況，仍能把選定纖維帶進線段工具。它解決的是工作流程能否接續的問題，而不只是讓畫面顯示更多彩色線。
這對研究協作同樣有意義。一份自動集合可以先供大家查看，個別修正則有明確的選取對象，研究者比較容易知道自己改的是哪條結構，而非混在大量匯入標註裡。
但唯讀瀏覽不會替結果保證正確。它改善的是看見與操作資料的方式，曲線是否沿著實際纖維，仍要回原始掃描核對，才能成為展卷判斷的依據。
公開例子呈現多大規模？
原始貢獻以一份包含 61,486 條纖維、大小約 3.9 GB 的集合示範，說明在 CT 旁顯示目前切片穿過哪些纖維。這是作者提供的工具案例，本文沒有自行重跑。
這個數字的用途，在於讓讀者理解為什麼載入方式會影響研究。數萬條纖維若都變成獨立編輯物件，和按需顯示，會帶來不同的互動負擔。
作者也提供按長度排序、篩選與點選纖維等功能。這些看似介面細節，卻讓研究者能從大量結果裡找到想檢查的一條，再回到掃描確認它的位置。
因此，這項成果的深度來自把預測接進工作流程。自動模型負責找到候選結構，工具負責讓人看得懂、追得到，再把需要處理的部分拉出來。
這也說明為何「多做一張漂亮圖」不足以概括貢獻。研究者需要的，是能反覆探索與修正的環境，才能把模型結果變成後續展卷的依據。
Astra 幫了什麼？作者說法和得獎成果要分開
作者把 Astra 描述成理解資料與試驗想法的助手。依原貼文，它幫助他在不熟悉的問題中探索方法，並加快把想法轉成可運行實驗的過程。
這和直接叫模型「讀出古卷內容」有明顯差別。前者是輔助研究與寫程式，後者則要求影像到文字的結果，而公開分享沒有提供這種整卷解讀的證據。
為什麼研究助手的價值仍值得報導？
陌生領域常需要先理解資料結構，才能寫出第一個可檢驗的方法。若工具能縮短探索與實作之間的距離，就可能讓研究者更快發現哪條路值得繼續。
但能更快嘗試，不代表每個想法都對。實驗仍需要有原始資料、可檢查輸出與比較方法，否則只是更快產生一份看起來合理的結果。
這也是原始程式貢獻比轉述更有用的原因。它讓其他人能看見介面、格式與具體用途，而不是只能接受一段對 AI 能力的稱讚。
相關 AI 科學工具也在探索相同分工：模型協助產生與執行想法，研究者則建立能判斷結果的方法。
延伸閱讀：Sakana Agentic Scientist 開源：讓程式代理做實驗，為何科學研究仍要先訂標準？
為什麼不能替 Astra 補上更多能力？
原貼文沒有公開足夠細節，讓外界重建作者使用的全部設定與過程。因此，本文只保留作者已描述的協助範圍，不把它擴寫成一套已驗證的自動考古流程。
這也避免把合作成果歸到單一模型。官方得獎名單提到既有纖維模型與工具整合，顯示這項進展接在社群累積的工作上，並非從空白開始。
對讀者而言，分清參與者並不會降低故事的價值。相反地，它讓人看見 AI 能在研究哪一段幫上忙，也知道最後為什麼仍需要領域知識與可檢查工具。
從展卷到讀字，還要走多遠？
找到表面、攤平與辨識墨跡，是相連但不同的工作。纖維追蹤提供結構線索，只有和後面的流程接好，才有機會把局部材料上的文字排成可閱讀內容。
如果表面追到另一層，後面的墨跡即使辨識得很清楚，也可能落在錯誤位置。因此，上游工具改善會影響整段流程，但不能直接等同最後讀字結果。
同一份九月名單為何也有墨跡模型？
官方得獎名單同時列出表面處理、墨跡模型、資料壓縮與其他工具。這說明挑戰需要多個環節一起推進，不會由單一演算法包辦所有工作。
以墨跡辨識而言，它關心的是表面上哪些訊號可能對應文字。纖維工作則先協助理解材料結構，兩者使用的資訊有關，但回答的問題不同。
這種分工也讓進展獎有實用意義。一個能減少資料載入等待的改動，可能不會直接增加一段古文，卻會幫助更多人做後續研究。
因此，追蹤這項計畫時，可以把每次成果放回它負責的環節。哪一步更快、哪一步更容易核對，比一律使用「破解古卷」更能反映實際進展。
延伸閱讀：EurekaBench 是什麼？AI 預測接近人類，科學洞見仍有落差
對關注 AI 科學的人，這次最值得留下的觀察，是模型協助探索之後，成果如何進入可使用、可檢視的工具。這條路比單次答案更接近研究累積。
Vesuvius Challenge 常見問題
這次已經讀完整卷古文嗎？
這次 2 萬美元獎項對應自動纖維擷取與工具整合。
它沒有直接代表完整古卷文字已解讀。
Astra 是負責辨識古文字的模型嗎？
作者描述的是協助理解資料與建立實驗。
公開分享不足以把 Astra 寫成自動讀完整卷文字的系統。
為什麼追纖維可以幫助讀字？
纖維提供材料方向與結構線索，有助於追蹤紙面。
找到正確表面後，才比較容易把後續攤平與墨跡辨識接上。
看懂工具貢獻，才看得見 AI 考古怎麼往前走
這次得獎值得報導，因為它讓自動纖維預測更容易進入研究者的檢視環境。Astra 的角色則依作者分享，放在理解資料與試驗想法的輔助位置。
如果你想追蹤下一步，可以從官方得獎名單和原始程式貢獻看起，觀察工具如何連到新的展卷結果。訂閱免費 AI 郵報，持續看清模型、研究者與資料各自帶來的進展。
