|
| 2019年，研究人员利用英国钻石光源同步加速器扫描赫库兰尼姆古卷残片。图片来源：英国《自然》杂志（图片来源：科技日报） |
那么，神经网络能否在历史的残片中找出人类专家难以发现的联系？2017年，英国牛津大学的一项合作开启了探索之旅，当时，两名研究人员正面临破解西西里希腊铭文的难题。
古典学者通常依赖对现存文本的理解来诠释新材料，但难以全面掌握所有相关资料。牛津大学研究人员认为，这正是机器学习可发挥作用的领域。他们使用基于RNN的Pythia模型，并用数万份希腊铭文来训练它，最终成功预测了文本中缺失的单词和字符。
2022年，他们又推出Ithaca模型，不仅能预测缺失内容，还能为未知文本提供日期和来源地建议。Ithaca利用了Transformer模型的突破，能捕捉更复杂的语言模式。当前风靡全球的聊天机器人，如OpenAI的ChatGPT就是基于Transformer模型。
翻译复原浩瀚历史档案
韩国研究人员有一项棘手的任务：整理世界上规模最大的历史档案之一。该档案详细记录了27位朝鲜王国国王自14世纪至20世纪初统治时期的日常，涵盖数十万篇文章。美国纽约大学机器翻译专家金亨俊表示，这些文本数据量极为庞大。
将这些文本人工译成现代韩文，预计需耗时数十年。金亨俊携手韩国同行，利用Transformer网络训练自动翻译系统。结果显示，AI译文在准确性和可读性上远超古韩文，有时甚至优于现代韩文。
对于仅存少量文本的古代语言，研究人员也会采用神经网络进行破解。希腊帕特拉斯大学的卡特里娜·帕帕瓦西里欧及其团队，利用RNN恢复了克里特岛诺索斯迈锡尼泥板中缺失的线性文字B文本。测试显示，模型预测准确性高，且常与人类专家建议相符。 |
