解碼古文字，AI助力古代歷史研究

。神經(jīng)網(wǎng)絡由相互連接的節(jié)點組成的分層結(jié)構(gòu)組成，尤其是具有多個內(nèi)部層的“深層”神經(jīng)網(wǎng)絡。

卷積神經(jīng)網(wǎng)絡（CNN）模型能夠從這些圖像中精準捕捉網(wǎng)格狀數(shù)據(jù)結(jié)構(gòu)

。CNN模型在光學字符識別領域大放異彩的同時，也開辟了其他多元化的應用途徑。例如，中國研究團隊在探索甲骨文時，巧妙地運用這些模型來復原遭受嚴重侵蝕的文字圖案，深入分析甲骨文隨時間的演變軌跡，并將破碎的文物碎片重新拼湊起來，重現(xiàn)歷史原貌。

與此同時

，循環(huán)神經(jīng)網(wǎng)絡（RNN）作為一種專為處理線性序列數(shù)據(jù)設計的模型，開始展現(xiàn)出在搜索、翻譯以及填補已轉(zhuǎn)錄古代文本缺失內(nèi)容方面的巨大潛力。RNN已被用于為古巴比倫時期數(shù)百份格式嚴謹?shù)男姓头晌谋咎峁┤笔ё址闹悄芑ㄗh。

那么，神經(jīng)網(wǎng)絡能否在歷史的殘片中找出人類專家難以發(fā)現(xiàn)的聯(lián)系

？2017年，英國牛津大學的一項合作開啟了探索之旅，當時，兩名研究人員正面臨破解西西里希臘銘文的難題。

古典學者通常依賴對現(xiàn)存文本的理解來詮釋新材料，但難以全面掌握所有相關資料

。牛津大學研究人員認為，這正是機器學習可發(fā)揮作用的領域。他們使用基于RNN的Pythia模型，并用數(shù)萬份希臘銘文來訓練它，最終成功預測了文本中缺失的單詞和字符。

2022年

，他們又推出Ithaca模型，不僅能預測缺失內(nèi)容，還能為未知文本提供日期和來源地建議