Ett nytt AI-system hjälper forskare att tolka antika texter. Hittills har det använts på romerska texter men skulle förmodligen kunna anpassas även till andra texter och inskriptioner (kanske också runinskrifter?).
Aeneas är ett nytt AI-system skapat av Google DeepMind för att hjälpa historiker att förstå antika romerska inskriptioner. Dessa inskriptioner är ofta skadade, ofullständiga eller svåra att placera i tid och rum. Traditionellt sett lägger historiker enorma mängder tid på att jämföra fragment med tusentals andra texter för att hitta likheter. Aeneas ändrar detta genom att göra samma arbete på några sekunder.
Modellen kan läsa både texten i en inskription och bilder av stenen eller föremålet den är skriven på. Den söker sedan i en massiv databas med mer än 176 000 latinska inskriptioner och hittar andra texter som har liknande formuleringar, formler eller historiskt sammanhang. Dessa andra texter hjälper historiker att tolka hur en skadad inskription ursprungligen löd, när den skrevs och var den kom ifrån.
Aeneas kan till och med återställa saknade delar av en text när längden på den saknade delen är okänd, något som ingen tidigare modell kunde göra. Den kan också beräkna det sannolika datumet för en inskription med hög noggrannhet och kan identifiera vilken romersk provins den kommer ifrån genom att kombinera text och visuella ledtrådar.
Systemet ersätter inte historiker – istället arbetar det med dem. I tester presterade historiker bättre när de använde Aeneas förslag tillsammans med sin egen expertis. Modellen hjälpte dem att upptäcka kopplingar som de annars skulle ha missat och ökade deras självförtroende när de arbetade med svårt material.
DeepMind har gjort en interaktiv version av Aeneas fritt tillgänglig, tillsammans med koden och datasetet, så att forskare, studenter och museer kan använda den. Projektet visar hur AI kan öppna nya möjligheter att förstå den antika världen genom att koppla samman fragment av det förflutna på sätt som tidigare var omöjliga.
Artikel om systemet:
Contextualizing ancient texts with generative neural networks (Nature 2025)
https://www.nature.com/articles/s41586-025-09292-5