AI som ny spårjägare i jakten på dinosauriefotspår

En internationell forskargrupp har tagit fram ett AI-system som blixtsnabbt jämför, sorterar och identifierar mönster i fossila avtryck – och upptäckterna avslöjar förvånande likheter med moderna fåglars fötter.

Varför korrekt tolkning av dinosauriespår spelar så stor roll

Formen på ett fotavtryck berättar om benets längd, tårnas position, djurets vikt och till och med hur det rörde sig. Men fossila spår är ofta ofullständiga, utslitna eller förvridna av lera, vatten och tidens tand.

Forskare från universitetet i Tübingen, University of Manchester och Museum für Naturkunde i Berlin har därför utvecklat ett nytt AI-system, inbyggt i mobilappen DinoTracker. Programmet använder sig av ett så kallat konvolutionellt neuralt nätverk – en typ av algoritm som är särskilt skicklig på att känna igen mönster i bilder.

Grunden utgörs av över 2 000 trefingriga dinosauriespår från en mängd olika länder, samtliga mellan 200 och 145 miljoner år gamla. Avtrycken har standardiserats till skarpa konturer, så att AI:n enbart fokuserar på den rena formen – utan störande färger, texturer eller bakgrunder.

Genom att bara analysera avtryckets geometri lämnar AI:n alla förutfattade meningar om vilken art det ”borde vara” åt sidan.

Systemet placerar därefter varje nytt spåravtryck i ett så kallat morfologiskt landskap med åtta dimensioner. AI:n mäter bland annat hälens längd, avståndet mellan tårna, avtryckets symmetri och den totala bredden. Alla dessa mått tillsammans bestämmer spårets plats i det åttadimensionella landskapet.

Så fungerar DinoTracker för forskare och tillfälliga upptäckare

DinoTracker är långt ifrån bara avsedd för akademiker. Alla med en smartphone kan delta – från hobbyfossiljägare till vandrare som stöter på märkliga avtryck i ett stenbrott eller vid en kustklippa.

Från foto till vetenskaplig datapunkt

Användaren fotograferar eller skissar ett möjligt dinosaurieavtryck.
Appen registrerar automatiskt centrala punkter: tårnas riktning, hälzonens längd, vinkeln mellan tårna och den totala omkretsen.
AI:n jämför konturerna med den befintliga databasen och beräknar en matchningspoäng.
Avtrycket tilldelas en plats i det morfologiska landskapet och läggs till – efter kontroll – i datasetet.

Denna process hjälper inte bara med den första bedömningen ute i fält, utan utökar löpande den centrala databasen. Därigenom växer ett allt större nätverk av spår från områden där en specialist kanske aldrig tidigare har satt sin fot.

I regioner med få paleontologer ger verktyget en första sortering: Vilket spår är intressant nog för närmare undersökning, och vilket är bara en slumpmässig klippformation eller ett nyare avtryck?

Oövervakad inlärning: AI utan förutbestämda etiketter

Ett anmärkningsvärt designbeslut är användningen av så kallad oövervakad inlärning (unsupervised learning). Här lär sig AI:n själv att känna igen grupper av former – utan att få etiketter som ”theropod” eller ”tidig jura” att arbeta med i förväg.

I många befintliga databaser är spår märkta av experter som arbetade för årtionden sedan. Dessa etiketter kan vara felaktiga eller alltför oprecisa, och traditionella AI-modeller tar okritiskt över sådana fel.

När AI:n inte påtvingas ett artnamn betraktar den formen neutralt – och det uppstår grupper som uteslutande baseras på likheter i avtrycket.

För att göra systemet mer robust gentemot dåligt bevarade spår har forskarna digitalt ”bearbetat” de ursprungliga 2 000 avtrycken och skapat över 10 000 varianter – med förtjockade eller utslitna tår, lätta rotationer, förvridna hälar och andra ofullkomligheter som lera och sand typiskt sett lämnar efter sig. På så sätt lär sig AI:n att hantera fältarbetets röriga verklighet.

Efter denna träning uppnår AI:n en överensstämmelse på cirka 90 procent med mänskliga specialisters bedömningar – främst vid välbevarade spår. Där experter sinsemellan är oeniga visar sig AI:n faktiskt mer konsekvent, eftersom den alltid tillämpar samma mätregler.

Fågellika fötter i urgamla dinosauriespår

Den mest uppmärksammade upptäckten handlar om fåglarnas möjliga ursprung. Den gängse uppfattningen är att fåglar härstammar från en grupp tvåbenta köttätande dinosaurier – theropoderna – och att den typiska fågelfoten gradvis utvecklades under sen jura och krita.

AI:n stötte emellertid i datasetet på åtskilliga spår som är mer än 210 miljoner år gamla. Dessa avtryck uppvisar en påfallande slank, trefingrig form med stark symmetri och litet avstånd mellan tårna – något som påminner anmärkningsvärt mycket om fötterna hos många nutida springfåglar.

Enligt forskarna pekar resultaten övergripande på två möjliga scenarion:

Fåglarnas förfäder uppstod långt tidigare än de flesta paleontologer hittills har antagit.
Eller så utvecklade vissa dinosaurier under triasperioden oberoende en fotform som starkt påminner om senare fåglars – en form av konvergent evolution.

Eftersom AI:n inte direkt kopplar spåren till bestämda arter är ”ägarna” av dessa fotavtryck fortfarande okända. Likväl tecknar mönstret en sammanhängande linje: från tidiga smala, trefingriga former över kända theropodavtryck till nutida fåglars fötter.

Denna kontinuitet ger ny näring till debatten om den exakta tidslinjen för övergången från dinosaurier till fåglar. Nya fynd, insamlade via appen, kan under kommande år skärpa bilden ytterligare.

Allmänheten som medaktör i digital paleontologi

DinoTracker-appen passar in i en bredare rörelse inom vetenskapen, där medborgare inte bara tittar på, utan aktivt bidrar med data. Från fågelräkningar till väder-appar: icke-yrkesverksamma hjälper i allt högre grad till att samla in stora datamängder.

För fossiler gäller en särskild utmaning: Man måste ofta ha specialiserad kunskap för att skilja ett äkta fynd från ”en fin sten.” Med en AI-driven första bedömning i handen vågar amatörer snabbare dela sina fynd med museer eller universitet – vilket kan leda till fler rapporter om sällsynta spår utanför de klassiska fyndplatserna.

Utvecklarna ser dessutom möjligheter att utvidga teknologin. Samma princip – att reducera former till konturer och automatiskt sortera dem – kan också tillämpas på andra fossiler, såsom:

Bladavtryck från uråldriga växter
Krypspår från ryggradslösa djur
Fragmentariska benfossiler med igenkännliga omriss

Det är här denna strategi skiljer sig från traditionell forskning

Där klassisk paleontologi i hög grad vilar på en liten grupp specialister med mångårig erfarenhet, satsar detta projekt på skala och standardisering. Varje nytt användbart foto tillför en datapunkt inom samma mätsystem – och det gör globala jämförelser långt enklare. Ett spår från ett tyskt stenbrott kan direkt jämföras med ett avtryck från en argentinsk öken.

För studerande och intresserade blir samtidigt ämnesområdet mer påtagligt. De kan på sin skärm se hur ett spårs formdrag påverkar dess placering i det morfologiska landskapet – och det hjälper till att lära in grundbegrepp som ”tridaktyl”, ”symmetrisk” eller ”bredstjälkad tåställning”.

För alla som själva vill prova på gäller en viktig poäng: kontext är oumbärlig. En AI kan säga mycket om formen, men inget om den exakta åldern eller det geologiska lagret. Foton av omgivningarna, stentypen och spårets placering i klippan är fortfarande nödvändiga för att göra ett fynd vetenskapligt värdefullt.

Likväl visar detta projekt tydligt hur AI och fältarbete rör sig mot varandra – inte som ersättning för paleontologen med hammare och lupp, utan som ett extra instrument som lyfter fram dolda mönster i gamla fotspår och då och då ger oss en glimt av de allra första stegen i riktning mot de fåglar som idag flyger över våra huvuden.