La IA aborda lenguas antiguas olvidadas: qué pueden hacer las redes neuronales

Las inscripciones antiguas consisten a menudo en símbolos misteriosos sobre piedra o arcilla, representando culturas que han desaparecido. Descifrarlas es un desafío sin una Piedra de Rosetta o lenguas relacionadas. Recientemente, se han aplicado redes neuronales para restaurar porciones faltantes de textos, identificar patrones en miles de inscripciones, probar hipótesis y estimar la edad y el origen. Son particularmente buenas para encontrar secuencias repetidas y llenar vacíos, utilizando tanto texto como imagen. También pueden buscar correspondencias entre lenguas relacionadas, verificar masivamente suposiciones y proporcionar datación y atribución geográfica. Por ejemplo, Simon Cordwell utilizó un programa para probar una hipótesis sobre el Lineal A, proponiendo lecturas para 40 signos y un diccionario de 408 palabras. El equipo del Desafío Vesubio utilizó tomografía y redes neuronales para desenrollar virtualmente un pergamino carbonizado, revelando un tratado filosófico. El modelo Aeneas de Google DeepMind para inscripciones latinas logra un 73% de precisión al llenar vacíos, un 72% en la atribución de provincia y errores de aproximadamente 13 años en la datación. Ithaca, para el griego antiguo, restaura textos con un 62% de precisión, y cuando lo utilizan historiadores, su precisión mejora del 25% al 72%. Para los huesos oraculares chinos, las redes generativas adversarias sugieren posibles caracteres faltantes. Sin embargo, las redes neuronales no pueden deducir lo que no está en los datos; si hay muy pocos textos, solo pueden ofrecer hipótesis plausibles pero no verificadas. Predicen continuaciones probables pero no comprenden el significado. Por lo tanto, siguen siendo herramientas para los investigadores, acelerando la prueba de hipótesis y el descubrimiento, pero no pueden descifrar completamente una lengua olvidada por sí solas.