“现代版罗塞塔石碑”,MIT&谷歌大脑用AI破解失传的古代文字

漫漫尘埃下，掩藏了许多曾经辉煌灿烂古代文明，但我们现在却无法清晰地知道，这些地方究竟发生了什么。

搞懂这些历史的最佳方式，就是找到他们的文字记载。However，记载文字的石碑可以被考古学家们挖出来，但这些古文字究竟啥意思，现代的人们看不懂，需要语言学家们耗尽青春来推测。

现在，MIT CSAIL和谷歌大脑的研究者出手了，他们用机器学习破译了乌加里特文和线性文字B。

△ 乌加里特王宫

乌加里特文，Ugaritic，是一种楔形文字，属于闪米特语族。从字面上来看，就知道它是一个叫做乌加里特（Ugarit）的文明使用的语言，这个文明位于当今地中海沿岸的叙利亚，在公元前6000年前后就初现踪迹，在公元前1190年前后灭亡。

△ 乌加里特文

线性文字B，Linear B，由一种人类还没有破译出来的线性文字A演化而来，主要存活于公元前1500年到公元前1200年的克里特岛和希腊南部，是希腊语的一种古代书写形式。

△ 线性文字B

研究者们利用同一语族内不同语言之间的联系，用机器学习的方法来破译这两种失传的语言，这是破译古代语言的新方法，也将对罗曼语族的语言学研究有巨大的影响和提升。

这个方法让许多人惊叹：

简直是现代版的罗塞塔石碑！

PS，罗塞塔石碑是一块用3种语言写了同一个内容的石碑，帮助语言学家们读懂古文字。

希望能先把动物和植物的语言破译了，可以发现打开新世界的大门。

人类语言总相通

这项研究的核心方法，是借助人类语言的相似性。

比如，知乎用户@拉队短 在介绍欧洲语言相似性的时候，举了这么个栗子：

句子“那是六月末潮湿阴沉的一个夏日。”

英语：It was a humid, grey summer day at the end of June.

丹麦语：Det var en fugtig, grå sommerdag i slutningen af juni.

瑞典语：Det var en fuktig, grå sommardag i slutet av juni.

挪威语：Det var en fuktig, grå sommerdag i slutten av juni.

冰岛语：Það var rakur, grár sumardagur í lok júní.

看，长得差不多嘛，毕竟同属印欧语系日耳曼语族，单词的分布位置、句子的结构都很相似，如果你能看懂一种语言，就能大致猜测和它“血缘”关系近的另一种语言。

模型训练

为了破解这两种文字，研究者们提出了一个基于字符的seq2seq模型。

模型主要包含通用字符嵌入、剩余连接、单调排列正则化几个部分。

其中，线性文字B的字母和希腊文需要进行对应。

之后，借助神经解密算法，在具有不同语言特征的多种语言中提供强大的性能。

你懂的语言，和你不懂的语言

在算法模型的基础之下，需要的语料库除了待破解的乌加里特文和线性文字B，还需要一些现在的人类能看懂的语言。

研究团队选择了罗曼语族的数据库，包含意大利语、西班牙语和葡萄牙语三种语言的同源语音转录，需要对它们进行同源检测。

因此，数据集就用到上面这些，Symbols指的是语言中的字符，Token则是语言学中类似于单词的存在。

准确率

运行成果还不错，乌加里特文在无噪声条件下优于现有方法3.1％，在有噪声条件下优于现在的贝叶斯方法5.5％。

而线性文字B，在无噪声条件下准确率高达84.7％，在更具挑战性的LinearB名称数据集中达到67.3％的准确度。

在罗曼语族同源识别任务中，西班牙语准确度提升3.4%，葡萄牙语提升1.6%。

线性文字B的祖先，线性文字A还没有被人类破译，它被誉为考古界圣杯。

未来，在这项研究起作用的情况下，或许可以像借助罗曼语族三种语言的数据库一样，直接用机器借助其他已知的人类语言，实现暴力破解。

想破脑壳的语言学家们，可以把工作重心放到别的事情上了。