Sztuczna inteligencja w służbie zapomnianych języków: Asystent czy tłumacz?

Sztuczna inteligencja, dzięki swojej zdolności do wykrywania wzorców, staje się coraz ważniejszym narzędziem w próbach rozszyfrowania starożytnych języków, które od wieków opierają się lingwistom. Mimo że AI nie zastępuje ludzkiej intuicji, znacząco wspomaga badania, przyspieszając procesy, które wcześniej wymagałyby miesięcy, a nawet lat pracy. Jej rola jako „asystenta badawczego” jest kluczowa w postępach w tej dziedzinie, choć nadal istnieją fundamentalne ograniczenia w jej możliwościach interpretacyjnych.

Wyzwania starożytnych języków: Linearne A i etruski

Rozszyfrowanie każdego starożytnego języka zawsze wymagało kotwicy – zazwyczaj tekstu dwujęzycznego, jak Kamień z Rosetty, lub znanego języka pokrewnego do porównania. Języki takie jak linearne A, system pisma minojskiej cywilizacji z epoki brązu na Krecie, nie posiadają żadnej z tych pomocy. Linearne A jest określane jako „izolat językowy”, ponieważ nie ma potwierdzonego związku z żadnym znanym językiem, żywym ani martwym, co stanowiło ogromne wyzwanie dla lingwistów przez ostatnie stulecie.

Podobnie, język etruski, używany we Włoszech przed powstaniem Cesarstwa Rzymskiego, ma jedynie częściowo zebrany słownik z krótkich inskrypcji nagrobnych, ale jego gramatyka i głębsze znaczenie wciąż pozostają nieuchwytne. To właśnie takie zagadki przyciągnęły uwagę badaczy AI, którzy widzą w niej potencjał do wspierania lingwistów, a nie ich zastępowania.

AI jako asystent badawczy: Przykład linearnego A

Niedawny przypadek z czerwca 2026 roku pokazuje zarówno obietnice, jak i ograniczenia AI. Samouk inżynier AI i lingwista-amator ogłosił przełom w badaniach nad linearnym A. Jego praca rozpoczęła się od hipotezy, że jedno nieznane słowo w inskrypcji modlitewnej pochodzi z semickiego rdzenia oznaczającego „mieszkać” lub „zamieszkiwać”. Wykorzystał on następnie skrypty programistyczne oparte na AI do przetestowania tego wzorca dźwiękowego w całym zebranym korpusie linearnego A. Udało mu się przypisać wartości do 40 znaków i skompilować 408-słowowy leksykon, co, jego zdaniem, wskazuje, że linearne A jest wymarłym członkiem semickiej grupy językowej, do której należą hebrajski i aramejski.

Kluczowe jest zrozumienie, co AI w tym przypadku zrobiła, a czego nie. To inżynier wysunął pierwotną ideę. AI natomiast działała jako asystent badawczy, błyskawicznie weryfikując ludzką hipotezę w tysiącach znaków – zadanie, które człowiekowi zajęłoby miesiące. Ten podział pracy jest obecnie wart uwagi, bardziej niż sama, wciąż weryfikowana, hipoteza.

Gdzie AI pomaga, a gdzie napotyka bariery?

AI jest niezwykle skuteczna w testowaniu wzorców na dużą skalę. Może sprawdzić, czy hipoteza dotycząca jednego znaku lub słowa jest spójna w całym archiwum w ciągu minut, a nie lat. Potrafi wykrywać powtarzające się sekwencje, które ludzkie oko mogłoby przeoczyć, oraz rekonstruować uszkodzone lub fragmentaryczne inskrypcje, przewidując prawdopodobne brakujące znaki.

Inną unikalną zdolnością AI jest „transfer międzyjęzykowy”, gdzie model wytrenowany na znanym języku może wnioskować o wzorcach w blisko spokrewnionym, nieznanym języku. Podejście to zostało z powodzeniem zastosowane w przypadku pism takich jak ugaryckie (wymarły język semicki z epoki brązu), gdzie rodzina językowa jest znana.

Jednak istnieje twardy limit: statystyczne dopasowywanie wzorców nie jest w stanie stworzyć znaczenia z niczego. Potrzebuje kotwicy – znanej rodziny językowej lub tekstu dwujęzycznego – aby odróżnić znaczące wzorce od przypadkowych zbiegów okoliczności. Linearne A i etruski są trudne właśnie dlatego, że ta kotwica jest brakująca lub niekompletna, a żadna moc obliczeniowa nie jest w stanie jej stworzyć od podstaw.

Nawet jeśli model AI, dysponując wystarczająco dużym korpusem, stałby się na tyle „biegły”, by statystycznie „rozmawiać” z użytkownikiem minojskim czy etruskim (rozpoznając powtarzające się wzorce słów i jednostek strukturalnych), nie byłby w stanie dostarczyć człowiekowi tłumaczenia. Płynność i znaczenie to w tym kontekście nie to samo. Model może nauczyć się, które znaki następują po sobie i które słowa grupują się razem, nie wiedząc, do czego faktycznie się odnoszą.

To również sprawia, że weryfikacja wszelkich twierdzeń wspomaganych przez AI dotyczących tych języków jest niezwykle trudna. W przypadku języków nierozszyfrowanych brakuje możliwości sprawdzenia tłumaczenia z rodzimymi użytkownikami, innymi tekstami czy konsensusem ekspertów. Małe, zachowane korpusy, takie jak 7500 znaków linearnego A, dodatkowo komplikują sprawę, ponieważ niemal każda hipoteza może znaleźć w nich rozproszone potwierdzenia.

Przyszłość AI w lingwistyce starożytnej

Żadne z powyższych nie oznacza, że AI jest ślepym zaułkiem dla badań nad tymi językami. Wręcz przeciwnie, jest to potężny akcelerator, zdolny do skompresowania lat ręcznego porównywania do zaledwie minut. Umożliwia to większej liczbie osób zajęcie się tymi problemami, niż kiedykolwiek pozwalały na to zasoby instytucjonalne.

Jednak AI nie eliminuje dwóch kluczowych składników, które zawsze były niezbędne do rozszyfrowania: prawdziwej kotwicy porównawczej oraz rygorystycznej ludzkiej weryfikacji, która odróżnia prawdziwy przełom od kuszącej zbieżności. Dopóki te elementy nie pojawią się dla linearnego A czy etruskiego, rola AI w rozszyfrowywaniu języków pozostanie taka, jaka jest dzisiaj: bardzo szybki asystent w rozwiązywaniu bardzo starej, bardzo ludzkiej zagadki. W kontekście badań nad starożytnymi językami, sztuczna inteligencja stanowi potężne narzędzie, które zmienia dynamikę pracy lingwistów, umożliwiając im eksplorację danych na niespotykaną dotąd skalę. Jednakże, ostateczne zrozumienie i interpretacja znaczenia wciąż pozostają domeną ludzkiego intelektu i krytycznej analizy, co podkreśla symbiotyczny charakter współpracy człowieka i maszyny w tej fascynującej dziedzinie.

Źródło: arstechnica.com