Jak AI odczytuje spalone zwoje: rewolucja w badaniu starożytnych tekstów

Dlaczego ten temat jest ważny?

Historia jest jak gigantyczna, poszarpana mozaika. Znamy tylko te fragmenty, które przetrwały próbę czasu i które potrafiliśmy odczytać. Niezliczone teksty – zwęglone zwoje, pokruszone tabliczki, zatarte inskrypcje – przez wieki milczały, skrywając bezcenną wiedzę o naszych przodkach. Wyobraźmy sobie, co by było, gdybyśmy nagle zyskali klucz do tych zamkniętych archiwów. Właśnie to dzieje się na naszych oczach. Dzięki sztucznej inteligencji, badacze zyskują potężne narzędzie, które pozwala im czytać to, co do tej pory było nieczytelne. To nie tylko szansa na uzupełnienie luk w naszej wiedzy, ale rewolucja, która może zmienić nie tylko odpowiedzi, jakich szukamy w przeszłości, ale same pytania, które odważymy się zadać.

AI jako klucz do spalonych zwojów z Herkulanum

Jednym z najbardziej spektakularnych przykładów jest projekt Vesuvius Challenge. Jego celem jest odczytanie setek papirusowych zwojów z rzymskiej willi w Herkulanum, zwęglonych podczas erupcji Wezuwiusza w 79 roku n.e. Przez ponad 250 lat próby ich rozwinięcia kończyły się zniszczeniem bezcennych artefaktów. Problem wydawał się nierozwiązywalny.

Dziś, dzięki technice zwanej „wirtualnym odwijaniem”, badacze pod kierownictwem Brenta Sealesa z University of Kentucky mogą zajrzeć do wnętrza zwojów bez ich fizycznego otwierania. Proces ten polega na:

1. Skanowaniu w wysokiej rozdzielczości: Zwoje są skanowane za pomocą tomografii komputerowej (CT), często w akceleratorach cząstek, co pozwala uzyskać trójwymiarowy obraz ich wewnętrznej struktury.

2. Mapowaniu powierzchni: Algorytmy śledzą każdą warstwę zwiniętego papirusu, tworząc cyfrową mapę.

3. Wirtualnym rozwinięciu: Komputerowo „rozwija się” mapę do postaci płaskiego obrazu.

Pozostał jednak kluczowy problem: atrament używany przez starożytnych skrybów był oparty na węglu, przez co miał tę samą gęstość co spalony papirus i był niewidoczny na skanach CT. Tu z pomocą przyszły sieci neuronowe. Uczestnicy Vesuvius Challenge wytrenowali modele AI, aby te potrafiły wykrywać subtelne różnice w teksturze powierzchni papirusu, niewidoczne dla ludzkiego oka, które wskazują na obecność atramentu.

Efekt? W lutym 2024 roku zespół studentów informatyki odczytał 16 kolumn nieznanego dotąd greckiego tekstu filozoficznego, prawdopodobnie autorstwa epikurejczyka Filodemosa. Jak ujęła to papirusolog Federica Nicolardi: „W tamtym momencie naprawdę myślisz: »teraz przeżywam coś, co będzie historycznym momentem dla mojej dziedziny«”.

Od cyfrowego asystenta do partnera w badaniach

Sztuczna inteligencja w badaniach nad starożytnymi tekstami ewoluowała od prostych zadań do niezwykle zaawansowanych zastosowań.

Początkowo AI miała jedynie przyspieszać żmudne zadania. Dziś staje się partnerem w badaniach, zdolnym do analizy połączeń w ogromnych archiwach, które przekraczają możliwości poznawcze jednego człowieka. Model Ithaca, stworzony przez naukowców z Google DeepMind i Uniwersytetu Oksfordzkiego, jest tego najlepszym dowodem. Łączy on wiedzę z tysięcy inskrypcji, aby sugerować najbardziej prawdopodobne uzupełnienia, datowanie i lokalizację nowych tekstów.

Odczytując oceany archiwów

Rewolucja AI dotyka nie tylko tekstów uszkodzonych, ale także tych, które są po prostu zbyt obszerne, by je przeczytać.

• Koreańskie Kroniki Królewskie: Archiwa dynastii Joseon to jedne z największych na świecie, zawierające szczegółowe zapiski z lat 1392-1910. Są one napisane w starożytnym systemie Hanja, który jest niezrozumiały dla większości współczesnych Koreańczyków. Zespół tłumaczy pracujący nad przekładem potrzebowałby dekad na ukończenie zadania. Naukowcy, w tym Kyunghyun Cho z New York University, wytrenowali model Transformer, który automatycznie tłumaczy te teksty na współczesny koreański z dokładnością, która w niektórych przypadkach przewyższa wcześniejsze, archaiczne przekłady.

• Babilońskie tabliczki klinowe: W muzeach na całym świecie leżą setki tysięcy nieodczytanych tabliczek. Projekt Fragmentarium na Uniwersytecie w Monachium ma na celu sfotografowanie i zdigitalizowanie 25 000 z nich. AI jest tu używana nie tylko do rozpoznawania pisma klinowego, ale także do łączenia rozproszonych fragmentów tych samych tekstów. Dzięki temu udało się już odnaleźć nowe fragmenty Eposu o Gilgameszu i nieznane wcześniej hymny.

Nowe pytania, nowa humanistyka

Zalew nowych danych zmusza humanistów do zmiany sposobu myślenia. Nie chodzi już tylko o analizę pojedynczego tekstu, ale o zadawanie pytań na skalę całych kultur i cywilizacji. Analizując koreańskie archiwa za pomocą AI, badacze byli w stanie śledzić style rządzenia poszczególnych królów, np. obserwując gwałtowny wzrost arbitralnych decyzji u schyłku panowania tyrana Yeonsanguna.

Co więcej, modele AI potrafią łączyć wiedzę z różnych języków i epok. Model wytrenowany na 104 współczesnych językach, w tym hebrajskim i arabskim, okazał się zaskakująco dobry w tłumaczeniu starożytnego akadyjskiego, z którego te języki się wywodzą. To otwiera drogę do stworzenia globalnego systemu, który będzie w stanie „wykorzystać wszystkie te połączenia w czasie i przestrzeni”.

Podsumowanie: przyszłość rozmowy z przeszłością

Stoimy na progu nowej ery w humanistyce. AI daje nam nie tylko więcej danych, ale także nowe sposoby ich analizy. To stawia przed nami wyzwania związane z dokładnością, dostępnością danych i potrzebą interdyscyplinarnej współpracy. Ale przede wszystkim daje obietnicę, że w przyszłości, aby dowiedzieć się, co myślał starożytny Grek, Koreańczyk czy Babilończyk, być może będziemy mogli po prostu zapytać.

Pomysł na doktorat

Tytuł projektu: Wykorzystanie transferu wiedzy (transfer learning) w modelach Transformer do dekodowania nierozszyfrowanych systemów pisma na przykładzie pisma linearnego A.

Hipoteza badawcza: Chociaż pismo linearne A pozostaje nierozszyfrowane, dzieli ono znaczną część symboli z rozszyfrowanym pismem linearnym B. Standardowe modele AI zawodzą z powodu braku wystarczającej ilości danych treningowych. Wykorzystanie techniki transfer learning, gdzie model jest najpierw pre-trenowany na ogromnym zbiorze danych pisma linearnego B, a następnie „dostrajany” na ograniczonym korpusie pisma linearnego A, pozwoli na przeniesienie wiedzy o strukturze, fonetyce i semantyce, co umożliwi wygenerowanie prawdopodobnych hipotez dotyczących znaczenia znaków i słów w piśmie linearnym A.

Cele badawcze:

1. Stworzenie ustandaryzowanego, cyfrowego korpusu inskrypcji w pismach linearnym A i B, zawierającego zarówno obrazy, jak i transkrypcje.

2. Wytrenowanie modelu bazowego (Transformer) na danych pisma linearnego B w celu nauczenia go relacji między znakami, słowami i kontekstem.

3. Zastosowanie techniki transfer learning do adaptacji wytrenowanego modelu do analizy pisma linearnego A.

4. Wygenerowanie i ocena (w oparciu o spójność wewnętrzną i kontekst archeologiczny) listy najbardziej prawdopodobnych wartości fonetycznych i semantycznych dla kluczowych, nierozszyfrowanych znaków pisma linearnego A.

Nowatorstwo projektu: Projekt bezpośrednio adresuje jeden z największych nierozwiązanych problemów w historii językoznawstwa, stosując najnowocześniejsze techniki AI w sytuacji skrajnego niedoboru danych. Sukces projektu mógłby nie tylko przybliżyć nas do odczytania języka cywilizacji minojskiej, ale także stworzyć uniwersalną metodykę dla prób deszyfracji innych zaginionych pism.

Prowadzisz badania w dziedzinie humanistyki cyfrowej? Potrzebujesz wsparcia w analizie tekstów, deszyfracji pism lub budowie modeli AI? Skontaktuj się z nami – pomożemy Ci wykorzystać najnowsze technologie do przełomowych odkryć.