本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

最新一期的Nature封面，AI再度來到舞臺(tái)中央，這一次是在破譯古文字方面立功了。

這是一種基于Transformer架構(gòu)的方法，由DeepMind、谷歌、牛津大學(xué)等多家研究機(jī)構(gòu)聯(lián)合開發(fā)。

在單獨(dú)修復(fù)受損文本時(shí)，這種方法能達(dá)到62%的準(zhǔn)確率。

在實(shí)際應(yīng)用中，歷史學(xué)家單獨(dú)破譯某塊古希臘石碑的準(zhǔn)確率本來只有25%，但在使用這一方法后一舉提升了近乎3倍，達(dá)到了72%。

不僅能修復(fù)文字，這一方法在地理歸屬的任務(wù)上也有71%的準(zhǔn)確率，還能將古文字的書寫日期精確到30年以內(nèi)。

目前，這一方法已經(jīng)引起了不小的討論熱度：

現(xiàn)在已經(jīng)有可以在線解析古希臘文字的網(wǎng)頁版，架構(gòu)方法也已開源。

Transformer破譯古文字

這是一個(gè)叫做Ithaca的架構(gòu)，以荷馬史詩《奧德賽》中的希臘島嶼命名。

Ithaca架構(gòu)中的注意力機(jī)制能夠通過串聯(lián)輸入的單個(gè)字符、完整單詞的表征與順序位置來了解輸入文本的每一部分的位置，最終權(quán)衡不同的輸入對模型決策過程的影響。

完整架構(gòu)由多個(gè)Transformer塊組成，每個(gè)Transformer塊都輸出一個(gè)經(jīng)過處理的表征序列（Sequence of Processed Representations），其長度即輸入字符的數(shù)量。

其輸入隨后被傳遞給三個(gè)分別負(fù)責(zé)文字修復(fù)、地理歸屬、時(shí)間歸屬的任務(wù)頭，每個(gè)頭都由一個(gè)前饋的神經(jīng)網(wǎng)絡(luò)組成，專門負(fù)責(zé)各自任務(wù)的訓(xùn)練。

在文字修復(fù)任務(wù)中，Ithaca會(huì)提供20個(gè)按概率排列的解析結(jié)果預(yù)測：

地理歸屬的確定上，則會(huì)依據(jù)古歷史學(xué)中的84個(gè)區(qū)域中對輸入文本進(jìn)行分類，將可能的區(qū)域預(yù)測類別通過地圖和柱狀圖展現(xiàn)：

日期歸屬任務(wù)同樣也通過分布預(yù)測的柱狀圖來展示。

如下圖所示，公元前300-250年的日期10年一組，被表示為5個(gè)概率相同的范圍，而公元前305年的銘文將以100%的概率被分配到公元前300-310年的十年組：

歷史學(xué)家的AI助手

研究人員分別將Ithaca與歷史學(xué)家、同類AI方法Pythia、以及Ithaca與歷史學(xué)家合作等不同破解古文字的方法做了對比。

字錯(cuò)率（CER）總是越低越好，在文字修復(fù)任務(wù)上，Ithaca的字錯(cuò)率和準(zhǔn)確率都最好，如果與歷史學(xué)家合作時(shí)，效果還將再次提升。

在論文的最后，研究人員表示，研究方法適用于手稿學(xué)、錢幣學(xué)和紙草學(xué)等所有與古代文本相關(guān)的學(xué)科，也適用于古代、現(xiàn)代的任何語言。

目前，這一方法已經(jīng)投入了實(shí)際使用，比如在雅典時(shí)期頒布的某個(gè)重要法令的碑文的日期確認(rèn)上，歷史學(xué)家們之前認(rèn)為是在公元前446/5年之前書寫的。

而Ithaca與歷史學(xué)家一起，將這一日期更新到了公元前424/3 年：

Ithaca現(xiàn)在提供了在線試用的途徑，登錄官網(wǎng)，在方框中中輸入古希臘銘文，將缺少的字符標(biāo)記為破折號(hào)（-)），將預(yù)測的字符標(biāo)記為問號(hào)（?）。

每次查詢最多可以預(yù)測10個(gè)連續(xù)或非連續(xù)的問號(hào)，點(diǎn)擊查詢后將在下方顯示文本缺失的字符，并將其歸屬到原來的地點(diǎn)和時(shí)間：

作者介紹

研究由DeepMind、威尼斯卡福斯卡里大學(xué)（Ca’ Foscari University of Venice）、哈佛大學(xué)、雅典經(jīng)商大學(xué) (Athens University of Economics and Business)、谷歌幾家AI團(tuán)隊(duì)合作開發(fā)。

論文有兩位共同一作，其中annis Assael為DeepMind的AI部門的研究員，碩博都畢業(yè)于牛津大學(xué)，同時(shí)也是福布斯“30歲以下30名歐洲杰出科學(xué)家”之一：

共同一作Thea Sommerschield則是一位歷史學(xué)家，目前任威尼斯佛斯卡里大學(xué)的人文科學(xué)院，以及哈佛大學(xué)希臘研究中心的研究員，主要研究領(lǐng)域是將機(jī)器學(xué)習(xí)應(yīng)用于研究古代地中海的書面文化。

論文：

??https://www.nature.com/articles/s41586-022-04448-z

開源鏈接：

??https://github.com/DeepMind/ithaca

在線試用：

??https://ithaca.DeepMind.com/?job=eyJyZXF1ZXN0SUQiOiJmYzUwNGY0NWNhZjJjZWMxZjIxZDA4YWVjNTdkMjEzMSIsImF0dHJpYnV0aW9uIjp0cnVlLCJyZXN0b3JhdGlvbiI6dHJ1ZX0%3D