Determinative Detection in Egyptian Hieroglyphic Sequences: A Sequence-Labelling Benchmark and Multi-Agent LLM Baseline

Per oltre tremila anni, gli antichi egizi hanno scritto la loro storia, le loro preghiere e le loro leggi utilizzando un sistema di immagini che, all'occhio moderno, appare come una galleria di uccelli, gambe e forme geometriche. Ma questo sistema di scrittura era molto più di un semplice elenco di suoni. Era un codice ibrido dove una singola immagine poteva svolgere tre compiti diversi contemporaneamente: poteva rappresentare un suono, poteva stare per un'intera parola, oppure poteva agire come un'etichetta silenziosa. Questo terzo compito, svolto da un segno chiamato determinante, è la chiave per comprendere il testo. Un determinante è un marcatore silenzioso posto alla fine di una parola per comunicare al lettore di che tipo di cosa si tratti. Potrebbe segnalare che la parola si riferisce a una persona, un animale, un dio o un tipo di azione. Poiché questi segni sono silenziosi e spesso somigliano alle altre immagini nella frase, capire quali siano solo suoni e quali siano le etichette silenziose è un puzzle difficile. Senza risolvere questo puzzle, i computer non possono tradurre correttamente l'antico egizio, perché non riescono a capire dove finisce una parola e dove inizia la successiva, né possono comprendere il significato delle parole che trovano.

Per decenni, gli studiosi hanno studiato queste etichette silenziose a mano, ma l'enorme volume di testi rende impossibile per gli esseri umani elaborare tutto da soli. Recentemente, i ricercatori hanno cercato di insegnare ai computer come leggere questi antichi script, ma gran parte di questo lavoro si è concentrato semplicemente sul riconoscimento delle immagini stesse, come identificare il disegno di un uccello o di una gamba. Pochissima attenzione è stata dedicata al compito più difficile di capire quali immagini stiano agendo come etichette silenziose. Un nuovo studio condotto da ricercatori in Brasile e Spagna affronta direttamente questo vuoto. Hanno creato un sistema informatico progettato specificamente per trovare queste etichette silenziose nelle sequenze di scrittura dell'antico egizio. Invece di limitarsi a indovinare, il sistema utilizza un team di agenti di intelligenza artificiale che lavorano insieme, controllando il testo da diverse angolazioni per raggiungere una conclusione che sia intelligente e affidabile.

I ricercatori hanno iniziato costruendo una biblioteca specializzata di conoscenze. Hanno raccolto informazioni su più di ottanta diversi segni che possono agire come etichette silenziose, organizzandoli in categorie come persone, animali, dei e natura. Hanno poi creato un set di test di novantanove brevi sequenze di scrittura antica, che erano state accuratamente controllate e etichettate da esperti umani. Questo set funge da benchmark, un test standard per vedere quanto bene un programma per computer possa eseguire il compito. L'obiettivo era vedere se una macchina potesse guardare una stringa di simboli e indicare correttamente quali fossero le etichette silenziose e quali fossero solo suoni o parti della parola stessa.

Per risolvere questo problema, il team ha costruito un sistema che agisce come un piccolo comitato di esperti. Hanno utilizzato modelli linguistici di grandi dimensioni, che sono potenti programmi informatici addestrati su enormi quantità di testo, ma non hanno lasciato che lavorassero da soli. Invece, hanno impostato due agenti indipendenti per analizzare ogni sequenza di scrittura. Un agente guardava il significato dei segni, ponendosi domande come: "Questa immagine si adatta all'idea di un dio o di una persona?". L'altro agente guardava strettamente alla struttura e alla posizione dei segni, chiedendosi: "Questo segno si trova alla fine della parola, dove solitamente si trovano le etichette silenziose?". Fondamentalmente, questi due agenti non si parlavano mentre lavoravano. Dovevano formare le proprie opinioni indipendentemente. Questo design assicura che se entrambi gli agenti concordano su un'etichetta, sia un segno forte che abbiano ragione, piuttosto che limitarsi a copiare gli errori l'uno dell'altro.

Una volta che i due agenti avevano terminato la loro analisi, un terzo agente agiva da sintetizzatore, unendo i loro risultati. Esaminava dove concordavano e dove discordavano. Infine, un insieme di regole rigide e immutabili agiva da arbitro. Questo arbitro controllava i suggerimenti rispetto alla base di conoscenza costruita dai ricercatori. Applicava regole specifiche, come: "Un segno che significa un vaso può essere un'etichetta silenziosa solo se il testo riguarda liquidi o offerte". Se il contesto non era coerente, la regola rifiutava il suggerimento, anche se gli agenti di intelligenza artificiale lo ritenevano corretto. Questa combinazione tra il pensiero flessibile dell'IA e le regole rigide dell'arbitro ha creato un sistema in grado di gestire la complessità dell'antico linguaggio senza fare ipotesi selvagge.

I ricercatori hanno testato il loro sistema utilizzando un metodo rigoroso progettato per garantire che i risultati non fossero solo un colpo di fortuna. Hanno diviso le loro novantanove sequenze di test in cinque gruppi differenti. In ogni round di test, utilizzavano quattro gruppi per addestrare il sistema e il quinto gruppo per testarlo, ripetendo questo processo finché ogni singola sequenza non fosse stata testata esattamente una volta. Questo approccio ha dato loro un quadro chiaro di come il sistema si sarebbe comportato su nuovi testi non visti. I risultati hanno mostrato che il sistema era altamente efficace. Identificava correttamente le etichette silenziose nella stragrande maggioranza dei casi, raggiungendo un tasso di successo di circa l'ottantadue per cento quando considerava tutti i tipi di etichette equamente, e circa l'ottantotto per cento quando considerava il numero totale di etichette trovate. La coerenza di questi risultati attraverso i diversi gruppi di test ha dimostrato che il sistema era robusto e non dipendente da un set specifico di esempi.

Uno dei risultati più interessanti è stato come il sistema gestisse i casi difficili. I ricercatori hanno scoperto che il sistema funzionava meglio quando il testo era ricco di informazioni, contenendo tre o più etichette silenziose. In queste sequenze complesse, gli indizi provenienti dal significato e dalla struttura si rafforzavano a vicenda, rendendo la risposta corretta ovvia. Tuttavia, il sistema faticava di più con le sequenze molto brevi che non presentavano affatto etichette silenziose, o ne avevano solo una. In questi casi scarsi, la mancanza di indizi circostanti rendeva più difficile per il sistema essere sicuro, portando a qualche errore in più. Ciò suggerisce che il sistema è molto bravo a trovare schemi quando c'è molta evidenza, ma ha bisogno di più aiuto quando il testo è molto semplice.

Un'altra grande innovazione di questo lavoro è il modo in cui presenta le sue risposte. Invece di dare una singola risposta finale come una scatola nera, il sistema fornisce un elenco classificato di possibilità. Offre un'interpretazione principale, che è la risposta più probabile, ma elenca anche fino a tre interpretazioni alternative. Per ogni alternativa, il sistema spiega esattamente quale ulteriore evidenza sarebbe necessaria per rendere quell'alternativa quella corretta. Ad esempio, potrebbe dire: "Pensiamo che questo segno sia un'etichetta per un dio, ma se il testo riguardasse un tempio, potrebbe anche essere un'etichetta per un edificio". Questa trasparenza trasforma il computer in uno strumento collaborativo per gli studiosi umani. Non sostituisce l'esperto; al contrario, espone le opzioni e il ragionamento, permettendo all'umano di prendere la decisione finale basata sulla propria conoscenza più profonda.

Lo studio ha anche evidenziato sfide specifiche che rimangono aperte. Il sistema a volte confondeva segni che hanno due funzioni molto diverse, come un'immagine di gambe che camminano, che può significare "camminare" o agire come un'etichetta silenziosa per "azione". Poiché il computer si affida al contesto per decidere quale compito svolge il segno, occasionalmente commetteva errori quando il contesto era ambiguo. I ricercatori hanno notato che questi errori non erano dovuti a un difetto nella logica del sistema, bensì a una limitazione nell'attuale base di conoscenza. Aggiungendo più esempi e perfezionando le regole per questi segni complicati, il sistema potrebbe probabilmente migliorare ulteriormente.

In definitiva, questo lavoro stabilisce un nuovo standard per il modo in cui i computer possono interagire con i sistemi di scrittura antichi. Dimostra che un approccio ibrido, che combina il ragionamento flessibile della moderna intelligenza artificiale con le rigide regole della dottrina accademica, può risolvere problemi che nessuno dei due potrebbe risolvere da solo. Il sistema non produce solo una traduzione; produce un argomento strutturato che può essere controllato, messo in discussione e migliorato. Rendendo visibile il ragionamento e chiare le alternative, i ricercatori hanno creato uno strumento che rispetta la complessità dell'antico linguaggio pur aprendo la porta a un'analisi più rapida e accurata dei migliaia di testi che restano ancora da leggere. Questa non è una soluzione magica che risolve tutto istantaneamente, ma è un passo avanti significativo, fornendo una base affidabile per la ricerca futura e un nuovo modo per far sì che macchine e umani lavorino insieme per comprendere il passato.