Mitä AI opettaa meille muinaisista sivilisaatioista

Vaikka ihmisten opettaminen heidän muinaisista sivilisaatioistaan saattaa tuntua outolta tehtävältä tekoälylle, sillä on potentiaalia. Perinteisesti arkeologiset tutkimukset ja selvittäminen ovat olleet raskaita ja hidastempoisia. Tämä teknologia voisi automatisoida tai suoristaa suurimman osan prosessista, auttaen ihmisiä paljastamaan enemmän menneisyydestä eksponentiaalisella nopeudella.

Miksi AI:ta tarvitaan opettamaan muinaisista sivilisaatioista

Puhuttu kieli on enimmäkseen yleispätevä. Kirjoitettu kieli on ollut historian aikana paljon harvinaisempi. Varhaisin tunnettu kirjoitusjärjestelmä on nuolenpääkirjoitus, joka keksittiin noin 3100 eaa. sumerien toimesta. Esikirjoitukselliset veistokuvat ovat peräisin jopa 4400 eaa., joten akateemikkojen on tutkittava ja käännetty tuhansia vuosia vanhat kirjalliset muistot.

On olemassa myös glyfejä, keramiikkaa, hautoja, rakenteita ja patsaita, joista kussakin on oma tarinansa. Vuosisatojen ajan ihmiset ovat tarkoin tunnistaneet, selvittäneet ja tutkineet näitä esineitä. Pyrkimys, löytäminen ja menestys ovat palkitsevia – jopa jännittäviä. Kuitenkin edistyminen on hidasta. Joskus aihealue on hyvin suppea, mikä aiheuttaa pullonkauloja.

Mitä jos tutkijat eivät joutuisi odottamaan? Mitä jos he voivat kiihdyttää edistymistään kymmenkertaiseksi? Tekoälyllä tämä saattaa olla mahdollista. Edistynyt, tarkoitukseen suunniteltu malli voisi paljastaa salaisuuksia, jotka ovat olleet piilossa tuhansia vuosia.

Koneoppimismallin voima perustuu automaatioon ja evoluutioon. Koska se oppii käsitellessään uutta tietoa, se voi kehittyä tutkimuksen tai arkeologisten projektien edetessä, tehden siitä tehokkaan ja tulevaisuuden näköisen. Lisäksi se vaatii vähän ihmisen valvontaa ja voi toimia itsenäisesti, mahdollistaen sen suorittamisen monimutkaisia monivaiheisia tehtäviä itsenäisesti.

Mitä historioitsijat ovat oppineet esihistoriallisista kulttuureista tekoälyn avulla

Vaikka moderni tekoäly on suhteellisen uusi, tutkijat ja arkeologit ovat jo käyttäneet sitä oppiakseen enemmän siitä, missä esihistorialliset ihmiset asuivat ja miten he viestivät.

Sanat kuolleissa kielissä

Yksi sana voi tarkoittaa lukemattomia asioita riippuen kirjoittajan aikomuksesta ja yhteydestä. Tämä monimutkaistaa selvittämisen. Jopa yksinkertaiset, merkityksettömät lauseet muuttuvat monimutkaisiksi arvoituksiksi. Vitsi “Mitä kello tekee, kun se on nälkäinen? Se menee takaisin sekunteja” on hyvä esimerkki, koska se on sanaa pelkistävä. Toisessa kielessä se saattaa olla merkityksetön.

Aikaisemmin tietokoneohjelmat törmäsivät näihin nuansseihin. Luonnollisen kielen prosessointiteknologia käyttää osan tunnistamista, tokenisointia ja lemmatisointia yksittäisten morfeemien tunnistamiseen. Tämän viitekehyksen avulla algoritmi voisi ymmärtää kontekstin ja merkityksen hienoudet, jopa kuolleissa kielissä.

Tyypillisesti muinaisten kielten selvittäminen on ollut raskas ja virhealtis tehtävä. Nyt malli, jolla on NLP-ominaisuudet, voisi koodata kirjoitetun kielen murto-osaan siinä ajassa, joka on ihmisten suorittavissa.

Otan esimerkiksi kuvioituja geoglyfejä – esikolumbiaanisia suunnittelua, joka on kaiverrettu aavikkojen hiekaan. Se kesti lähes sata vuotta löytää 430 Nazca-geoglyfiä Nazca-pampalla. Tekoälyn avulla tutkimusryhmä löysi 303 uutta, melkein kaksinkertaisten kaikkiaan tunnettuja geoglyfejä vain kuuden kuukauden kenttätyön aikana.

Missä arkeologiset kohteet sijaitsevat

Äskettäin Khalifa-yliopiston tutkimusryhmä Abu Dhabissa käytti tekoälyä havaitsemaan merkkejä 5000 vuoden vanhasta sivilisaatiosta Rub al-Khalin aavikon hiekkadyyneillä, maailman suurimmalla aavikolla. Koska se levittäytyy yli 250 000 neliökilometrin alueelle, se on mainittavan hankala tutkia. Liikkuvat hiekkadyynit ja karut olosuhteet vaikeuttavat arkeologisia tutkimuksia.

Tutkimusryhmä käytti korkearesoluutioista satelliittikuvaa ja synteettistä aukkoradioteknologiaa havaitsemaan haudattuja esineitä avaruudesta. Nämä tulokset syötettiin koneoppimismalliin kuvan prosessointiin ja geospaatialiseen analyysiin, automatisoiden tutkimuksen. Tämä lähestymistapa oli tarkin 50 senttimetriin, osoittaen sen potentiaalia.

Tavat, joilla tekoäly parantaa ymmärrystä menneistä ajoista

Tekoäly auttaa myös tutkijoita ymmärtämään enemmän siitä, miten muinaiset sivilisaatiot toimivat, antaen heille selkeämmän näyn menneisyyteen.

Simuloimalla muinaisia kulttuurillisia asenteita

Michael Varnum, sosiaalipsykologian johtaja ja apulaisprofessori Arizonan osavaltionyliopistossa, kirjoitti äskettäin mielipidekirjoituksen, jossa hän ehdotti tekoälyn käyttämistä muinaisten kulttuurillisten asenteiden simuloimiseen.

Olemassa olevat menetelmät kamppailevat paljastamaan kuolleiden kulttuurien mentaliteetin tai käyttäytymisen. Varnum sanoo, että hänen alallaan olevat ihmiset käyttävät yleensä epäsuoria välittäjiä kuten arkistotietoja rikosluvuista tai avioeroluvuista arvioidakseen ihmisten arvoja ja tunteita. Kuitenkin tämä lähestymistapa on epäsuora ja epätarkka. Hänen ratkaisunsa on kouluttaa tekoäly analysoimaan historiallisia tekstejä.

Kuitenkin, vaikka tekoäly voisi päätellä ihmisten mielipiteitä ja tunteita kirjallisten tallenteiden perusteella, sen havainnot ovat vääristyneitä. Historiallisesti lukemisen ja kirjoittamisen kyky on ollut harvinainen. Varnum myöntää, että tekoälyllä tuotetut havainnot tulisivat todennäköisesti koulutetuilta, yläluokan yksilöiltä. Koska sosiaaliluokka vaikuttaa psykologiaan, analyysi ei antaisi täysin tarkkaa näkemystä menneisyydestä.

Rekonstruoimalla esihistoriallisia tapoja

Aina, kun arkeologit löytävät esineitä muinaisista haudoista tai puolihautautuneista kaupungeista, arvaamista on kyse. Vaikka he tietävät tarkalleen, mitä jotain asiaa käytettiin, he saattavat olla kykenemättömiä määrittämään, miten se toimii.

1970-luvulla tutkijat löysivät haudan pronssikauden hautausmaalla Iranissa. He löysivät vanhimman säilyneen lautapelin, joka on peräisin 4500 vuoden takaa. Se koostui 27 geometrisesta palasta, 20 ympyrästä ja neljästä noppaa. Sääntökirjaa ei haudattu, joten he voivat vain arvailla, miten pelata.

Tekoäly voi luoda säännöt uudelleen, tuoden takaisin unohdetut lautapelit. Digital Ludeme -projekti tekee juuri sitä. Jo nyt se on kattanut kolme aikakautta ja yhdeksän aluetta, tehden lähes 1000 peliä pelattaviksi uudelleen. Nämä rekonstruktioita ovat saatavilla verkossa kenen tahansa pelattaviksi.

Mitä muuta voidaan oppia näistä muinaisista kulttuureista?

On vielä paljon enemmän opittavaa tekoälystä. Nuolenpääkirjoitus on yksi mielenkiintoisimmista. Tänään akateemikkojen on käytettävissään noin 5 miljoonaa sumerilaista sanaa, miljoonia enemmän kuin roomalaiset jättivät latinaksi. Monet alueella löydetyistä savitauluista ovat yhä selvittämättömiä, ja lisää löydetään melkein päivittäin.

Tutkimusryhmä käyttää tekoälyä yhdistämään savitaulujen paloja, kootakseen osia nopeuttamaan selvittämistä. He myös kouluttavat sitä selvittämään nuolenpääkirjoitusta, jota vain muutama asiantuntija osaa. Algoritmin prosessoinnin nopeus voisi tehdä tästä teknologiasta ihmistä rajatusti nopeamman.

Tämä uusi tieto voisi täyttää aukot historian kirjoissa. Vaikka ihmisillä on laaja kulttuurinen historia, monet alueet ovat jääneet tutkimatta, koska niillä ei ole ollut tarvittavaa teknologiaa. Koneoppimismenetelmien ja generatiivisten mallien avulla he voivat saada syvemmän ymmärryksen maailmasta, saavuttaen uuden näkökulman historiaan.

Tekoälyn avulla arkeologisten kohteiden paljastamisessa, kuolleiden kielten selvittämisessä ja muinaisten tekstien kääntämisessä alan ammattilaiset voivat löytää uusia kirjoja, historiallisia kuvauskohtia, taideteoksia ja aarteita. Nämä löydöt voivat olla esillä museossa tai auttaa jälkeläisiä yhdistämään itsensä esi-isiinsä.

Teckoälyratkaisujen tulevaisuuden näkymät arkeologisina työkaluina

Tekoäly voi selvittää kuolleita kieliä, paikantaa muinaisia hautausmaa-alueita ja simuloida muinaisia käytäntöjä. Sen löydöt voivat päätyä historiaan tai museoihin. Tietenkin akateemikkojen on käytettävä varovaisuutta. Vaikka tämä teknologia on voimakasta, viat, epätarkkuudet ja harhat ovat yleisiä. Ihmisen valvonta lähestymistapa voisi auttaa heitä lieventämään näitä ongelmia.