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 陶俑上的指紋 一尊兵馬俑的頭像,側臉上壓著一枚放大的指紋,一條測量線橫跨幾條嵴;左邊寫著 79 枚指紋,以及成年男 45.0%、成年女 32.7%、未成年 22.3% 三條比例條。 79 枚指紋 一號坑 T23 · 36 件俑 成年男45.0% 成年女32.7% 未成年22.3%

2026 年秋天,《Journal of Cultural Heritage》登了一篇論文,題目直接是一個問題:秦始皇的兵馬俑是誰做的?1 作者來自秦始皇帝陵博物院和山東大學,他們沒有去找工匠的名字,而是去看陶俑身上留下的指紋。一號坑 T23 方里,36 件陶俑的手臂、甲片和頭部一共找到 79 枚清晰的指紋2,最後得出的結論是:

45.0% 來自成年男性,32.7% 來自成年女性,22.3% 來自不滿 15 歲的孩子。

這個結論本身已經夠有意思了:一直以來人們預設兵馬俑是成年男性工匠和刑徒做的。但讀到這裡,更讓人好奇的是方法。指紋不是一輩子不變的嗎?公安靠它認人,靠的就是它從小到老都一樣。那麼,一枚兩千兩百年前按在泥上的指紋,憑什麼能看出按它的人是男是女、多大年紀?

這篇文章就從這個疑問出發,先看指紋裡到底有什麼東西是會變的,再看這個“會變的東西”能判斷到什麼程度,最後回到兵馬俑這三個數字上。

一、指紋裡會變的東西

嵴的條數一輩子不變

指紋是手指皮膚上一條條凸起的“嵴”(ridge)和嵴之間的“溝”。這些嵴在胎兒期就長好了:大約在胎齡 10 周半開始出現,到 16 周左右,花紋的樣子、每一處分叉和斷點都已經定下來3。從那以後,嵴不會再多一條,也不會少一條。這就是指紋能用來認人的原因。

手指在長大

可是手指本身在長大。一個 5 歲孩子的指尖和一個成年人的指尖,面積差了好幾倍,上面的嵴卻是同樣那麼多條。多出來的面積去哪了?答案是:已經長好的、條數固定的嵴被一點點拉開了4。就像在一個沒吹起來的氣球上畫幾道平行線,吹大以後線還是那幾條,線和線之間的距離變寬了。

所以,花紋認人,間距看個子。考古學家測的就是這個間距,叫平均嵴寬(mean ridge breadth,MRB):在指紋上垂直於嵴畫一條測量線,量出線的長度,除以它跨過的嵴的條數(一條嵴加一條溝算一個),得到每條嵴平均佔多寬,單位是毫米/嵴。

同一根手指,5 歲和 25 歲 兩枚同一花紋的指紋:測量線上都跨過 8 條嵴,5 歲時這 8 條嵴擠在 2.3 毫米里,25 歲成年男性時鋪開到 4.2 毫米,平均嵴寬從 0.29 毫米變成 0.52 毫米。 5 歲 · 手指小 25 歲男性 · 手指長大了 指紋右手食指 年齡5 歲 測量線跨過的嵴8 條 測量線長度2.32 mm 平均嵴寬 MRB0.29 mm/嵴 指紋右手食指 年齡25 歲 測量線跨過的嵴8 條 測量線長度4.16 mm 平均嵴寬 MRB0.52 mm/嵴 花紋和嵴數在胎兒期就定了 手指長大,同樣 8 條嵴被拉開
圖 1 · 嵴的條數一輩子不變,變的是間距:平均嵴寬(MRB)= 測量線長度 ÷ 跨過的嵴數,它跟著手指大小走。數值取自本文示意參考曲線。

另一種常見的量法叫嵴密度(ridge density,RD):在 5×5 毫米的方框裡沿對角線數有幾條嵴。嵴越寬,同樣長度裡數到的嵴就越少,所以 RD 和 MRB 其實是同一個間距的兩種寫法,一個是另一個的倒數。兵馬俑這篇論文在摘要裡專門批評了以往把 MRB 和 RD 當成兩個獨立證據一起用的做法1:兩個量說的是同一件事,疊在一起用,等於把同一條證據算了兩遍,結論會顯得比實際更有把握。

既然嵴寬跟著手指大小走,那它跟年齡、性別又是什麼關係?

二、嵴寬怎樣隨年齡和性別變化

兒童期:只跟年齡走

從兩三歲到青春期,孩子的身高和嵴寬幾乎是一起線性增長的,這段時間男孩和女孩之間沒有明顯差別4。也就是說,在兒童期,嵴寬能估年齡,但估不出性別。最早把這個關係用到考古上的是 Kamp 等人 1999 年的研究:他們先在現代人身上量出嵴寬和年齡的關係,再拿去套美國西南部 Sinagua 文化的陶塑,發現小動物陶塑的作者平均只有十一二歲,而技術更難的繩紋陶器作者在 18 歲以上5。

成年後:只跟性別走

到了青春期,男女分開了。女孩大約比男孩早兩年停止長個子4,成年男性的手指整體更大,嵴也就更寬。法醫學上很早就注意到這一點:女性的嵴更細更密,同樣的方框裡能數出更多條6。成年以後手指不再變長,嵴寬也基本停住,於是它能區分性別,卻看不出一個成年人是 20 歲還是 50 歲。

把這兩段畫在一起,就是下面這張圖。為了讓圖上的關係看得清楚,這裡的曲線是按文獻裡的幾個錨點拼出來的示意曲線:成年女性約 0.45 毫米4,成年男性大於 0.52 毫米、青春期前的孩子小於 0.37 毫米7。它不是論文實際用的參考資料。

平均嵴寬隨年齡的變化 男女在 13 歲前共用一條上升曲線;之後女性很快停在約 0.455 毫米,男性繼續長到約 0.525 毫米。0.45 毫米這條水平線同時穿過成年女性和 13 到 14 歲的男孩。 0.2 0.3 0.4 0.5 0 5 10 15 20 30 40 年齡(歲) MRB(mm/嵴) 15 歲:秦律成年線 成年男性 ≈ 0.525 成年女性 ≈ 0.455 兒童:男女同一條線 0.45 同一個 0.45:可能是 13 歲的男孩, 也可能是任何年紀的成年女性
圖 2 · 嵴寬在兒童期跟年齡走、成年後跟性別走,兩段在 0.45 附近撞在一起。曲線是按文獻錨點拼的示意曲線,不是真實參考資料。

圖上那條 0.45 的水平線已經把麻煩擺出來了:它先在十三四歲穿過兒童曲線,再在成年女性那條線上一直走下去。那麼,拿到一枚 0.45 毫米的指紋,我們能說出它是誰嗎?

三、一枚指紋為什麼判不準

第一次嘗試:一枚一枚地判

最直覺的做法是,像 Kamp 那樣,用現代人的資料擬合一條“嵴寬 → 年齡”的公式,再拿每一枚古代指紋去套。後來在以色列青銅時代遺址 Tell eṣ-Ṣâfi/Gath 的研究裡,用的就是 Kamp 公式的修改版:年齡(月)= 614 × MRB(毫米)− 1127。這樣每枚指紋都能得到一個年齡,嵴寬大於某個值的再歸為男性,最後數一數各類有多少枚。

不足:三個繞不開的問題

第一,分不開的重疊。 圖 2 已經說明,成年女性和十三四歲的男孩在嵴寬上幾乎一樣。研究美國西南部古普韋布洛陶器的 Kantner 說得很直白:個頭大的男孩和個子小的成年女性,留下的指紋差不多大8。這不是測量不夠準的問題,是兩類人本來就長得一樣。

第二,陶土會縮。 泥坯晾乾、入窯燒製,線長會縮小大約 2% 到 12%9,指紋也跟著變小。不同的泥料、不同的燒法縮得不一樣,而我們通常不知道某件陶器具體縮了多少。

第三,人和人群不一樣。 同一個年齡、同一個性別,個體之間本來就有差異;不同人群因為遺傳和營養,成年人的平均手指大小也不同。把這些疊起來,Burchill 等人估計,一枚測出來 0.45 毫米的指紋,對應的真實嵴寬可能在 0.3 到 0.6 毫米之間,幾乎可以來自 4 歲以上的任何人4。

為了看清楚單枚判斷能錯到什麼程度,我們用圖 2 的示意曲線做了一個模擬:按每個人 7.5% 的個體差異生成兩萬枚指紋,再把每一枚判給最可能的那一類。結果如下。

單枚判斷:真實是誰 × 判成了誰(模擬,兩萬枚)
真實判成成年男判成成年女判成未成年
成年男79%20%0.4%
成年女16%69%16%
未成年(8–14 歲)6%36%58%

總體判對 71%。未成年人的指紋有三分之一被當成了成年女性。

表 1 · 一枚一枚地判,成年女性這一類會同時吸進男孩和小個子男人,各類的數量都會被系統性地搬動。

單枚判斷會錯,這本身不奇怪。麻煩在於它錯得有方向:每一類都往別的類裡漏,而且漏的比例取決於這批人裡各類本來有多少。數完以後得到的比例,混著“真實比例”和“誤判比例”兩樣東西,分不開。Burchill 等人的模擬裡,基於 Kamp 公式的方法在“年齡 + 性別”這個指標上,甚至比隨機亂猜還差4。

既然一枚指紋說不清是誰,有沒有別的問法?

四、換一個問法:一批指紋裡各佔多少

從“這一枚是誰”到“這一批是什麼比例”

回到圖 2。單看一個點,0.45 落在好幾條曲線上;但如果手裡有幾十上百枚指紋,它們在嵴寬軸上會排成一個有形狀的分佈:成年男性那一類會在 0.52 附近堆出一個峰,成年女性在 0.45 附近,孩子散在更窄的那一邊。各類佔多少,決定了這幾個峰的高矮。

於是問題可以換成:要按什麼比例把這幾類人的嵴寬分佈疊起來,才最像我們手上這一批指紋? 這就是混合模型(mixture model)。它不給每一枚指紋下結論,只估整批的比例。

三類人的嵴寬分佈與一批 79 枚指紋 三條曲線分別是成年男性、成年女性和未成年人的嵴寬分佈,按 45%、32.7%、22.3% 加權;灰色柱子是一批模擬的 79 枚指紋。0.45 毫米處三條曲線都有相當高度。 按 45 : 32.7 : 22.3 混合的一批指紋(模擬) 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 MRB(mm/嵴) 成年男 45% 成年女 32.7% 未成年 22.3% 一枚 0.45:男 16% · 女 64% · 未成年 20%
圖 3 · 單看一枚 0.45,三類都說得通;但一整批指紋的柱狀圖形狀,只有按一定比例把三條曲線疊起來才拼得出。混合模型估的就是這個比例。

圖 3 裡那條豎線就是單枚判斷的困境:在 0.45 處,即使已經知道整批的比例,這一枚是成年女性的可能也只有 64%,是孩子的 20%,是成年男性的 16%。但柱子整體的輪廓是另一回事:男性多一點,右邊的峰就高一點;孩子多一點,左邊的肩就鼓一點。幾十枚指紋合在一起,輪廓就能把比例“約束”住。

貝葉斯的那部分

兵馬俑論文用的方法來自 Burchill、Sanders 和 Morgan 2023 年發表的一套貝葉斯混合模型4。Kantner 評價說,這是第一次有人把貝葉斯建模用在真實的考古指紋資料上10。它的結構可以這樣理解:

  • 每枚指紋背後都有一個看不見的年齡和性別。
  • 給定年齡和性別,期望的嵴寬由一條按性別分開的生長曲線給出,曲線的形狀從現代參考資料裡擬合出來。實際測到的嵴寬在這個期望值附近有一定的隨機波動。
  • 這一批人裡男性佔多少,用一個不偏向任何一方的先驗;每個性別的年齡分佈用一個 gamma 分佈描述,均值先放在 20 歲左右,但允許在 5 到 45 歲之間變動。
  • 用 MCMC 取樣,把“這批人裡男性佔多少、各自年齡怎麼分佈”這些引數和每枚指紋的潛在身份一起推出來。

“貝葉斯”帶來的最大好處,是結果不是一個數,而是一個分佈:比例最可能是多少,可能的範圍有多寬,都一起給出來。

收縮怎麼辦

第三節的第二個問題,陶土收縮和人群差異,混合模型也沒法憑空知道。Burchill 等人的處理辦法是縮放:假設這批指紋裡最寬的那 5% 來自成年男性,把它的第 95 百分位對齊參考資料裡成年男性的第 95 百分位,整批一起放大或縮小4。這一步的前提是這批人裡確實有成年男性。兵馬俑這篇論文是不是用了同樣的縮放,從摘要和報道里看不出來。

有了這套方法,兵馬俑那 79 枚指紋是怎麼走到三個百分比的?

五、兵馬俑論文做了什麼

論文的樣本來自一號坑 T23 方。這個方里共有 227 件陶俑,大約佔一號坑已出土陶俑的十分之一9。研究者在其中 36 件上找到了足夠清晰、能測量的指紋,共 79 枚,大多在手臂、甲片和頭部2,也就是捏合、抹平、拼接各部件時手會按到的地方。他們只保留了最清楚的指紋,看起來像同一個人留下的成對指紋也剔掉了9。

兵馬俑指紋論文的資料流 一號坑 T23 方 227 件俑裡,36 件留有清晰指紋,共 79 枚;逐枚測平均嵴寬,對齊現代歐洲參考曲線,進貝葉斯混合模型,得出成年男 45.0%、成年女 32.7%、未成年 22.3%,其中 15 歲的界線來自秦律。 秦始皇帝陵 · 一號坑 測量與比對 輸出 T23 方 · 227 件陶俑 約佔一號坑已出土的十分之一 36 件俑 留有清晰、可測的指紋 79 枚指紋 手臂 · 甲片 · 頭部 逐枚測量 MRB 測量線長 ÷ 跨過的嵴數 對齊參考曲線 現代歐洲人群 · 收縮校正 貝葉斯混合模型 估一批裡的比例,不逐枚定人 指紋佔比按枚數,不按人數 成年男45.0% 成年女32.7% 未成年(<15 歲)22.3% 秦律 15 歲起擔刑責、服徭役 虛線:年齡界線是從史料借來的
圖 4 · 論文從 79 枚指紋走到三個百分比:測的是嵴寬,比的是現代參考人群,估的是這一批指紋裡各類的佔比。

接下來的步驟就是第四節講的那一套:逐枚量出平均嵴寬,和現代參考人群的生長曲線比對,交給貝葉斯混合模型估比例。參考資料來自現代歐洲人群1,原因很簡單:目前沒有覆蓋各年齡段的古代或現代東亞人指紋嵴寬資料集9。

結果把這批指紋分成三類:成年男性 45.0%,成年女性 32.7%,15 歲以下 22.3%。“15 歲”這條線不是從指紋裡來的,而是從秦律裡借來的:秦代法律以 15 歲左右作為承擔刑事責任、服徭役的起點9,作者據此把 15 歲以下算作“未成年”。報道里還提到,模型估出的典型成年工匠年齡,男性在 20 歲左右,女性在 18 歲左右9。

這個結果和其他史料也對得上。秦律裡有女性刑徒和男性一起幹土方活的記載;同時期官營作坊的漆器銘文裡出現過成年女性、女孩和男孩的工名;睡虎地秦簡把年幼的隸臣的勞動折算成產量,嶽麓秦簡裡有官營作坊收學徒的規定9。指紋給這些文字記載補上了一份“身體證據”。

但這三個數字到底有多準?

六、這三個數字能信到什麼程度

論文作者自己在摘要裡寫了三條保留意見1:比例是指紋的枚數,不是人數;行為上的偏差會影響誰留下指紋;依賴現代歐洲參考資料,可能高估了女性和未成年人的比例。前兩條比較好理解,第三條需要一點解釋。我們把第四節的方法簡化以後做了一個小實驗來看。

實驗:79 枚指紋能估多準

實驗用的還是圖 2 的示意曲線。為了簡單,我們把三類人的嵴寬分佈固定下來(成年人 15 到 50 歲,未成年人 8 到 14 歲、男女各半),只讓模型估三類的比例,用 Gibbs 取樣求後驗,比論文的模型簡單得多。每次按 45 : 32.7 : 22.3 的真實比例生成 79 枚指紋,重複 30 次。

平均下來,模型估出的比例是 45.2%、35.9%、18.9%,和真實值相當接近。但每一次的 90% 可信區間,寬度平均是 25、34、23 個百分點。也就是說,79 枚指紋的精度大約是正負十幾個百分點。論文給出的 32.7% 精確到小數點後一位,實際的不確定性要大得多;可信區間在摘要和報道里都沒有給出。

另外,如果模型裡假設未成年人是 5 到 14 歲(實際生成的是 8 到 14 歲),估出來的未成年比例會掉到 11.5%,成年女性漲到 45%。年齡分佈的假設不同,比例就會在“女性”和“孩子”之間搬家。這正是圖 2 裡那段重疊造成的。

尺度偏一點會怎樣

第三條保留意見可以直接做成實驗:生成 79 枚全部來自成年男性的指紋,然後把它們整體縮小 3% 或 6%,模擬“收縮估少了”,或者“這群人的手本來就比參考人群小”。

同一批 79 枚指紋,尺度偏一點(模擬)
情形估成年男估成年女估未成年
真實:79 枚全部是成年男性
尺度準確90.5%6.7%2.8%
整體小 3%78.0%18.5%3.5%
整體小 6%55.8%40.2%4.0%
真實:45 : 32.7 : 22.3(這一批實際 42 : 23 : 14 枚)
尺度準確55.8%29.3%14.9%
整體小 4%38.5%38.9%22.6%

表裡是後驗均值。陶土收縮的範圍是 2%–12%,幾個百分點的尺度誤差並不罕見。

表 2 · 尺度只偏 6%,一群全是男人的工匠就會被估出四成“女性”:混合模型對整體尺度非常敏感。

原因不難理解:整體縮小以後,成年男性的峰從 0.52 往 0.49 挪,模型只能用“更多女性”去解釋這些偏窄的指紋。如果秦代人的手平均比現代歐洲人小,而尺度又沒有完全校正過來,結果就會往“女性多、孩子多”的方向偏,這正是論文自己說的“可能高估”。反過來也要看到:尺度準確時,全男的一批被估成了九成男性,模型並沒有憑空造出大量女性和孩子。

枚數不等於人數

還有兩條偏差,實驗模擬不了,但同樣重要9:

  • 一個人可以留很多枚,也可以一枚不留。 79 枚指紋背後可能是二三十個人,比例是按枚數算的,一個特別“手重”的學徒就能拉高一類的佔比。
  • 誰會留下指紋,本身有偏向。 熟練工匠會把表面抹平,把自己的指紋抹掉;留下來的,更可能是做粗活、做拼接的幫手和學徒。

再加上樣本只來自 T23 一個方,而兵馬俑的製作前後持續十多年,這三個數字更像是“某個時段、某個作坊、某些工序裡留下的指紋的構成”,而不是整個兵馬俑工程的人員構成。

七、回到開頭

現在可以回答開頭的問題了。指紋的花紋一輩子不變,所以能認人;但花紋上嵴與嵴的間距會隨著手指長大被拉開,所以能看出手有多大。手的大小在兒童期跟年齡走,成年後跟性別走,這就是指紋能看出年齡和性別的全部原理。

它的侷限也正出在這裡:嵴寬只是“手有多大”的代理量,十三四歲的男孩和成年女性的手一樣大,一枚指紋永遠分不開他們。兵馬俑這篇論文的做法,是不再追問每一枚是誰,而是估一整批裡各類的比例,並用貝葉斯方法把不確定性一起帶出來。它給出的“45.0%、32.7%、22.3%”,最可靠的部分是方向:這批指紋裡,有相當一部分來自成年男性以外的人。至於具體的百分比,受樣本量、參考人群和收縮校正的影響,可能上下浮動十幾個百分點。

小結

  1. 指紋為什麼能看出年齡?嵴的條數在胎兒期定下,手指長大時嵴被拉開,平均嵴寬跟著手的大小走。
  2. 嵴寬和年齡、性別是什麼關係?兒童期隨年齡近似線性增長、男女不分;成年後停住,男性比女性寬。
  3. 一枚指紋為什麼判不準?成年女性和十三四歲男孩嵴寬重疊,再加上陶土收縮 2%–12% 和人群差異,單枚判斷會系統性地搬動各類的數量。
  4. 論文怎麼繞過去?用貝葉斯混合模型估一整批指紋的比例,而不是給每一枚定人。
  5. 兵馬俑的結果是什麼?一號坑 T23 方 36 件俑上的 79 枚指紋:成年男 45.0%、成年女 32.7%、15 歲以下 22.3%。
  6. 能信到什麼程度?79 枚的精度大約正負十幾個百分點;整體尺度只偏 6%,全男的一批就會被估出四成女性;比例是枚數不是人數。方向可信,具體數字要打折扣。

參考資料

參考資料

  1. Who produced Emperor Qin Shihuang's Terracotta Army, China? A Bayesian mixture model approach to fingerprint age and sex determinationXiaoxi Li, Jingyi Shen 等 · Journal of Cultural Heritage · 2026sciencedirect.com ↗82: 274–281,doi:10.1016/j.culher.2026.09.014。全文付費,本文只用到摘要和新聞報道里的資訊。https://www.sciencedirect.com/science/article/abs/pii/S1296207426002062 ↩ ↩2 ↩3 ↩4

  2. Who really made China's Terracotta Army? Fingerprints reveal new cluesPhys.org · 2026-10phys.org ↗36 件俑、79 枚指紋,位置在手臂、甲片、頭部;作者提醒 T23 只是一號坑的區域性。https://phys.org/news/2026-10-china-terracotta-army-fingerprints-reveal.html ↩ ↩2

  3. The Fingerprint Sourcebook, Chapter 3: Embryology and Morphology of Friction Ridge SkinKasey Wertheim · NIJojp.gov ↗摩擦嵴在胎齡約 10.5 周開始形成,約 16 周時特徵定型。https://ojp.gov/ncjrs/virtual-library/abstracts/fingerprint-sourcebook-chapter-3-embryology-physiology-and ↩

  4. Inferring the age and sex of ancient potters from fingerprint ridge densities: A data-driven, Bayesian mixture modelling approachAndrew T. Burchill, Akiva Sanders, Thomas J. H. Morgan · MethodsX · 2023pmc.ncbi.nlm.nih.gov ↗11: 102292。嵴數固定、生長把嵴拉開;女性早約兩年停止生長;成年女性 MRB 約 0.45 mm;95 分位縮放;gamma 年齡分佈;JAGS 實現;540 組模擬。https://pmc.ncbi.nlm.nih.gov/articles/PMC10428107/ ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7 ↩8

  5. Discovering childhood: Using fingerprints to find children in the archaeological recordKathryn A. Kamp 等 · American Antiquity · 199964(2): 309–315。未能聯網核對原文,資訊來自後續論文的轉述。 ↩

  6. Is there a gender difference in fingerprint ridge density?Mark A. Acree · Forensic Science International · 1999102(1): 35–44。未能聯網核對原文。 ↩

  7. Fingerprint evidence for the division of labour and learning pottery-making at Early Bronze Age Tell eṣ-Ṣâfi/Gath, IsraelKent D. Fowler 等 · PLOS ONE · 2020pmc.ncbi.nlm.nih.gov ↗15(4): e0231046。引 Králík & Novotný:MRB < 0.37 mm 為青春期前兒童,> 0.52 mm 為成年男性;修改版 Kamp 公式 年齡(月) = 614·MRB − 112。https://pmc.ncbi.nlm.nih.gov/articles/PMC7164663/ ↩ ↩2

  8. Reconstructing sexual divisions of labor from fingerprints on Ancestral Puebloan potteryJohn Kantner 等 · PNAS · 2019doi.org ↗116(25): 12220–12225,985 片陶片。https://doi.org/10.1073/pnas.1901367116 ↩

  9. Fingerprints in the Terracotta Army's clay show women and children helped build itArchaeology Magazine · 2026-10archaeologymag.com ↗T23 共 227 件俑;參考資料來自歐洲裔現代人;陶土收縮 2%–12%;秦律、漆器銘文、秦簡等旁證;熟練工匠抹平表面會抹掉自己的指紋。https://archaeologymag.com/2026/10/fingerprints-in-the-terracotta-armys-clay/ ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7 ↩8

  10. Ancient Fingerprints Reveal Women and Children May Have Helped Build China's Terracotta ArmyZME Science · 2026-10zmescience.com ↗Kantner 評價這是首次把貝葉斯建模用於考古指紋資料。https://www.zmescience.com/science/archaeology/ancient-fingerprints-reveal-women-and-children-may-have-helped-build-chinas-terracotta-army/ ↩