+ Tags
IDstory /The Conversation/

AI kan hjälpa forskare att tolka urgamla texter

(2026.07) Cracking the code: can AI help us decipher ancient languages?

Referenser | Skribent | Kommentarer (0)

Varje forntida språk som någonsin har dechiffrerats har behövt en förankringspunkt. Vanligtvis är det en tvåspråkig text, som Rosettastenen, eller ett känt besläktat språk att jämföra med. Linear A, skriftsystemet från den minoiska bronsålderscivilisationen på den grekiska ön Kreta, har inget av detta.

Linear A beskrivs som ett ”isolerat språk” eftersom det saknar en bekräftad koppling till något känt språk, levande eller utdött. Som sådant har det utgjort en betydande utmaning för lingvister under det senaste århundradet.

Från media- och forskarsajten The Conversation
Lista och Ämneskatalog ( 242 )
AI-relaterat Historia

Etruskiskan, ett språk i Italien som användes före det romerska rikets framväxt, har klarat sig något bättre. En begränsad vokabulär har sammanställts från korta gravinskrifter, men dess grammatik och djupare innebörd undgår fortfarande lingvister.

Båda språken är exakt den typ av gåta som AI nyligen har börjat användas för – inte genom att ersätta lingvisterna, utan genom att förstärka deras hypoteser. Frågan är om AI faktiskt har en chans att slutföra det som ett sekel av mänskliga ansträngningar inte har lyckats med.

Ett nyligen uppmärksammat fall visar både lockelsen och begränsningarna. I juni 2026 hävdade en självlärd AI-ingenjör och amatörlingvist att han gjort ett genombrott kring Linear A. Utgångspunkten var en enda hypotes: att ett okänt ord i en böneinskrift härstammar från en semitisk rot med betydelsen ”att bo” eller ”att uppehålla sig”.

Han använde därefter AI-baserade programskript för att testa detta ljudmönster mot resten av en insamlad korpus av Linear A. Enligt uppgifter lyckades han tilldela värden till 40 tecken och sammanställde ett lexikon på 408 ord, vilket – enligt honom – visar att Linear A är en utdöd medlem av den semitiska språkfamiljen, där språk som hebreiska och arameiska ingår.

Behovet av kreativitet

Det är viktigt att vara tydlig med vad AI gjorde och inte gjorde i detta fall. Idén kom inte från AI, utan från ingenjören.

AI fungerade som forskningsassistent. Den korsgranskade snabbt en mänsklig hypotes mot tusentals tecken – ett arbete som hade tagit månader att utföra manuellt. Denna arbetsfördelning är det som förtjänar uppmärksamhet, snarare än enskilda påståenden som fortfarande granskas.

lertavla

Foto: en Linear A-inskrift på en lertavla från Hagia Triada på Kreta, troligen daterad till 1400-talet f.Kr. Från det arkeologiska museet i Heraklion.

Så var hjälper AI faktiskt till, och var når den sina gränser? Den är särskilt stark när det gäller storskalig mönsteranalys. Den kan på några minuter testa om en hypotes om ett tecken eller ord håller genom ett helt arkiv, i stället för att det tar år. Den kan upptäcka upprepade sekvenser som ett mänskligt öga lätt missar och rekonstruera skadade eller fragmentariska inskrifter genom att förutsäga sannolika saknade tecken.

AI kan också använda så kallad ”tvärspråklig överföring”, där en modell tränad på ett känt språk ibland kan identifiera mönster i ett närbesläktat okänt språk. Det liknar hur kunskaper i spanska kan hjälpa dig att förstå portugisiska.

Forskare har redan använt denna metod framgångsrikt på skriftsystem som ugaritiska, där språkfamiljen är känd. Ugaritiska är ett utdött semitiskt språk som talades under den sena bronsåldern (cirka 1300–1190 f.Kr.) i den antika kuststaden Ugarit (i nuvarande Syrien).

Men det finns en tydlig begränsning: statistisk mönsterigenkänning kan inte skapa betydelse ur tomma intet. Den behöver en förankringspunkt – en känd språkfamilj eller en tvåspråkig text – för att avgöra vilka mönster som är meningsfulla och vilka som är tillfälligheter.

Linear A och etruskiskan är svåra just eftersom denna förankring saknas eller är ofullständig, och ingen mängd beräkningskraft kan ersätta den från grunden.

Den minoiska civilisationen är känd för sin monumentala arkitektur och avancerade konst. Jim Zuckerman

Begränsat källmaterial

Med en tillräckligt stor textkorpus skulle en AI-modell hypotetiskt kunna bli så ”flytande” att den kan föra en konversation med en minoisk eller etruskisk talare på sina egna statistiska villkor. Det innebär att den kan känna igen återkommande mönster av ord och andra språkliga strukturer och använda dem i nya sammanhang, vilket på ytan skulle kunna likna en enkel konversation.

Men AI-systemet skulle ändå inte kunna ge en människa en faktisk översättning, eftersom flyt och betydelse inte är samma sak i detta sammanhang. Modellen kan lära sig vilka tecken som följer på varandra och vilka ord som ofta förekommer tillsammans, utan att förstå vad de faktiskt syftar på.

Detta är också skälet till att det är så svårt att verifiera AI-stödda påståenden om dessa språk, och problemet är större än enskilda fall. Normalt skulle man kontrollera en föreslagen tolkning mot modersmålstalare, andra texter eller en etablerad expertkonsensus. Inget av detta finns för ett genuint odechiffrerat språk. Utan en tidsmaskin finns det inget sätt att kontrollera.

Små bevarade textkorpusar förvärrar problemet: hela den bevarade mängden Linear A omfattar cirka 7 500 tecken, vilket ryms på en enda skärm. Med så lite data kan nästan vilken hypotes som helst hitta spridda belägg som tycks stödja den.

Detta är varför påståenden inom detta område i hög grad bygger på oberoende expertgranskning och peer review snarare än statistiska sannolikhetsmått. Det är också därför ”AI hittade ett mönster” och ”AI hittade den korrekta betydelsen” är två helt olika påståenden som lätt blandas ihop.

Inget av detta innebär att AI är en återvändsgränd för dessa språk. Tvärtom är det en kraftfull accelerator som kan komprimera år av manuellt jämförande arbete till minuter och göra det möjligt för fler att arbeta med dessa problem än vad institutionella resurser tidigare tillåtit.

Men det ersätter inte de två faktorer som alltid har krävts för dechiffrering. Den ena är en verklig jämförande förankring. Den andra är rigorös mänsklig granskning, som kan skilja ett verkligt genombrott från en tilltalande tillfällighet.

Tills någon av dessa faktorer finns för Linear A eller etruskiskan kommer AI:s roll i dechiffreringen av språk att förbli densamma som i dag: en mycket snabb assistent i ett mycket gammalt och djupt mänskligt pussel.

Referenser

Skribent

Jane Adkins, PhD candidate, School of Computing, Dublin City University

The Conversation: 2026.07.27 Publicerades på BiBB: 2026.08.01



SMS:a en kommentar
genom att klicka här [ öppnar din app ] SMS:a en kommentar till 076 034 32 20 eller mejla.

Kategorier 25 The Conversation 242 2 flags

QR-code

Kommentarer - info

  1. Din kommentar // Namn, titel (Datum ....)


Vad skulle du vilja läsa om på BiBB? Hör av dig.



You know a lot, we may add a little®