AI az ókori nyelvi megfejtésben
A mesterséges intelligencia segít a tudósoknak elolvasni az elveszett szkripteket és a sérült szövegeket azáltal, hogy statisztikai mintákat észlel a szimbólumokban, helyreállítja a hiányzó karaktereket, és fordításokat javasol.
Áttekintés
It turns decipherment from decades of manual guesswork into a faster, data-driven collaboration.
Mély merülés
Egy ősi nyelv megfejtése azt jelenti, hogy ki kell találni, hogyan illeszkednek a szimbólumai a hangokhoz és jelentésekhez, gyakran kevés fennmaradt szöveggel és kétnyelvű kulcs nélkül. A gépi tanulás több szempontból is segít. A neurális hálózatok ismétlődő szimbólumokat csoportosíthatnak a valószínű szavak, utótagok és nyelvtan azonosítása érdekében. Ha egy szöveg törött vagy kopott, a korpuszon betanított sorozatmodellek megjósolhatják a legvalószínűbb hiányzó karaktereket, akárcsak a telefon automatikusan kiegészíti a szavakat. A DeepMind Ithaca-modellje, amelyet több tízezer görög feliraton dolgoztak ki, helyreállítja a sérült szöveget, megbecsüli, hol és mikor írták a feliratot, és rangsorolt értékelési javaslatokat ad a történészeknek. Más projektek statisztikai igazítást alkalmaztak az ismeretlen szkriptek, például a Linear B és az Ugaritic összekapcsolására az ismert rokon nyelvekkel, és felgyorsították a fordítást.
Technikai betekintés
A modellek a szkripteket tokenek sorozataként kezelik, és megtanulják annak valószínűségét, hogy mely szimbólumok követik a többi szimbólumot. A helyreállításhoz egy transzformátort vagy visszatérő hálózatot betanítanak az érintetlen szakaszokra, majd megkérik, hogy töltsék ki a maszkolt hézagokat, és a rangsorolt jelölt karaktereket megbízhatósági pontszámokkal adják ki. A nyelvek közötti igazítás úgy működik, hogy az ismeretlen nyelv szimbólummintáit leképezi egy feltételezett rokon ismert szerkezetére, és pontozza, hogy a leképezés milyen jól hoz létre valódi szavakat.
Stratégiai hatás
Építési lehetőségek
Az alkalmazásszintű tervezés határozza meg, hogy az AI javítja-e a valós eredményeket.
Csapat és munkafolyamat
A jó munkafolyamat-integráció olyan termelékenységnövekedést eredményez, amelyben a felhasználók megbízhatnak.
Kockázat és biztonság
A jól körülhatárolt felhasználási esetek csökkentik a változtatások fáradtságát és a végrehajtás kockázatát.
A mesterséges intelligencia jövője az ókori nyelvi megfejtésben
A fennmaradó legnehezebb célpontok a megfejtetlen szkriptek apró korpuszokkal és ismeretlen rokonokkal, mint például az Indus Valley szkript és a Linear A, ahol az adathiány korlátozza azt, amit a statisztikák bizonyítani tudnak. A jövőbeli rendszerek a nyelvi modelleket képelemzéssel kombinálják, hogy az erodált táblákat és pecséteket közvetlenül a fényképekről olvassák le. A kutatók hangsúlyozzák, hogy a mesterséges intelligencia erőteljes asszisztens marad, nem pedig helyettesítő, olyan hipotéziseket generálva, amelyeket az emberi epigráfusoknak ellenőrizniük kell a történelem és a kontextus alapján.
Valós megvalósítás
A DeepMind Ithaca-modellje helyreállítja a sérült ókori görög feliratok hiányzó szavait, és megbecsüli azok keletkezési idejét és helyét, így együtt használva javítja a történészek pontosságát.
A gépi tanulást a Lineáris B-re és a kapcsolódó Lineáris A-ra alkalmazták, hogy teszteljék a fonetikai és szókincs-leképezéseket az ismert mükénéi görög nyelven.
Statisztikai megfejtési módszereket alkalmaztak az ugarit nyelv fordítására úgy, hogy automatikusan hozzáigazítják közeli rokonához, a héberhez.
A kutatók mesterséges intelligenciát használnak töredékes ékírásos táblák rekonstruálására és olvasására, előre jelezve az akkád és sumér szövegben a törött jeleket.
Kockázatok és védőkorlátok
Egy megszakadt folyamat automatizálása felerősítheti a meglévő problémákat.
A csapatok túlautomatizálhatják és eltávolíthatják a szükséges emberi ítélőképességet.
A minőség sodródhat, ha a kimeneteket nem értékelik folyamatosan.
Végrehajtási ütemterv
Térképezze fel az aktuális munkafolyamatot, és határozza meg a legnagyobb súrlódású lépést.
Emberi ellenőrzőpontok meghatározása a teljes automatizálás előtt.
Tanítsa meg a felhasználókat az utasításokról, az eszkalációs utakról és a minőségi szabványokról.
Kövesse nyomon a feladat szintű eredményeket a tartós érték megerősítéséhez.
Folytassa a felfedezést
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Ancient Language Decipherment quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Következő útmutató
AI a jelnyelvi fordításban
Gyakran ismételt kérdések
What is AI in Ancient Language Decipherment?
A mesterséges intelligencia segít a tudósoknak elolvasni az elveszett szkripteket és a sérült szövegeket azáltal, hogy statisztikai mintákat észlel a szimbólumokban, helyreállítja a hiányzó karaktereket, és fordításokat javasol. A több évtizedes manuális találgatások megfejtését gyorsabb, adatvezérelt együttműködéssé változtatja.
Mit csinál a DeepMind Ithaca modellje az ókori görög feliratokkal?
Ithakát több tízezer görög feliratra képezték ki, hogy helyreállítsák a sérült részeket, és megjósolják, mikor és hol írták őket, ezzel segítve a történészeket.
Hogyan segítenek a sorozatmodellek, ha egy ősi szöveg eltörik vagy elhasználódott?
Az érintetlen szövegre oktatott modell az automatikus kiegészítéshez hasonlóan kitölti a maszkolt hézagokat a valószínű karakterek előrejelzésével, és rangsorolt jelölteket kínál.
Miért olyan nehéz az AI számára megfejteni az olyan szkripteket, mint a Linear A és az Indus Valley szkript?
A statisztikai módszerekhez adatokra és ideális esetben ismert rokonra van szükség; Az apró korpuszok és az elszigetelt szkriptek túl kevés jelet hagynak a megfejtés megerősítéséhez.
Mit jelent a nyelvek közötti igazítás a megfejtés kontextusában?
Az ismeretlen nyelv feltérképezésével egy feltételezett rokonra, és pontozással, hogy valódi szavak merülnek-e fel, a kutatók tesztelhetik a kapcsolatokat, ahogy az ugariti és héber nyelv esetében is történt.
Ezek a modellek általában hogyan reprezentálnak belsőleg egy szkriptet?
A szkripteket szövegsorozatként kezeljük; a modell megtanulja, hogy mely szimbólumok melyiket követik, lehetővé téve a helyreállítást és a minták felfedezését.