сети. Они особенно хорошо справляются с поиском повторяющихся последовательностей и заполнением пробелов, используя как текстовые данные, так и изображения. Кроме того, такие модели способны искать соответствия между родственными языками, массово проверять предположения и предлагать датировку и географическую привязку. Например, Саймон Корвелл (Simon Cordwell) с помощью специальной программы проверил гипотезу о письменности линейного письма А, предложив прочтения для 40 знаков и составив словарь из 408 слов. Команда проекта Vesuvius Challenge применила томографию и нейронные сети, чтобы виртуально «развернуть» обугленный свиток, в результате чего был обнаружен философский трактат. Модель Aeneas от Google DeepMind, предназначенная для латинских надписей, достигает точности 73% при заполнении пробелов, 72% — при определении провинции происхождения и ошибается в среднем примерно на 13 лет при датировке. Модель Ithaca, разработанная для древнегреческого языка, восстанавливает тексты с точностью 62%, а при совместной работе с историками точность их собственных прогнозов выросла с 25% до 72%. Для китайских гадательных костей генеративно-состязательные сети (GAN) предлагают возможные варианты недостающих иероглифов. Однако нейронные сети не способны сделать вывод о том, чего нет в исходных данных: если сохранившихся текстов слишком мало, они могут предложить лишь правдоподобные, но непроверенные гипотезы. Они предсказывают вероятное продолжение текста, но не понимают его смысла. Поэтому подобные модели остаются лишь инструментом в руках исследователей, ускоряющим проверку гипотез и процесс открытий, но не способным самостоятельно полностью расшифровать забытый язык.