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

Durante mais de três mil anos, os antigos egípcios escreveram sua história, suas preces e suas leis usando um sistema de imagens que, para o olhar moderno, parece uma galeria de pássaros, pernas e formas geométricas. Mas este sistema de escrita era muito mais do que apenas uma lista de sons. Era um código híbrido onde uma única imagem podia realizar três trabalhos diferentes ao mesmo tempo: podia representar um som, podia significar uma palavra inteira ou podia atuar como um rótulo silencioso. Este terceiro trabalho, realizado por um sinal chamado determinante, é a chave para compreender o texto. Um determinante é um marcador silencioso colocado ao final de uma palavra para dizer ao leitor que tipo de coisa a palavra é. Pode sinalizar que a palavra se refere a uma pessoa, um animal, um deus ou um tipo de ação. Como esses sinais são silenciosos e frequentemente se parecem com as outras imagens na frase, descobrir quais deles são apenas sons e quais são os rótulos silenciosos é um quebra-cabeça difícil. Sem resolver esse quebra-cabeça, os computadores não conseguem traduzir adequadamente o egípcio antigo, pois não conseguem distinguir onde uma palavra termina e a próxima começa, nem podem compreender o significado das palavras que encontram.

Por décadas, estudiosos estudaram esses rótulos silenciosos manualmente, mas o volume de texto torna impossível que os humanos processem tudo sozinhos. Recentemente, pesquisadores tentaram ensinar computadores a ler essas escritas antigas, mas a maior parte desse trabalho focou simplesmente no reconhecimento das próprias imagens, como identificar o desenho de um pássaro ou de uma perna. Pouquíssima atenção foi dada à tarefa mais difícil de descobrir quais imagens estão atuando como os rótulos silenciosos. Um novo estudo de pesquisadores do Brasil e da Espanha aborda essa lacuna diretamente. Eles criaram um sistema de computador projetado especificamente para encontrar esses rótulos silenciosos em sequências de escrita do antigo Egito. Em vez de apenas adivinhar, o sistema utiliza uma equipe de agentes de inteligência artificial que trabalham juntos, verificando o texto de diferentes ângulos para chegar a uma conclusão que seja inteligente e confiável.

Os pesquisadores começaram construindo uma biblioteca especializada de conhecimento. Eles reuniram informações sobre mais de oitenta sinais diferentes que podem atuar como rótulos silenciosos, organizando-os em categorias como pessoas, animais, deuses e natureza. Em seguida, criaram um conjunto de teste de noventa e nove sequências curtas de escrita antiga, que haviam sido cuidadosamente verificadas e rotuladas por especialistas humanos. Este conjunto serve como um padrão de referência, um teste padrão para ver quão bem um programa de computador pode desempenhar a tarefa. O objetivo era ver se uma máquina poderia olhar para uma sequência de símbolos e apontar corretamente quais deles eram os rótulos silenciosos e quais eram apenas sons ou partes da própria palavra.

Para resolver isso, a equipe construiu um sistema que atua como um pequeno comitê de especialistas. Eles utilizaram modelos de linguagem de grande escala, que são programas de computador poderosos treinados em vastas quantidades de texto, mas não os deixaram trabalhar sozinhos. Em vez disso, estabeleceram dois agentes independentes para analisar cada sequência de escrita. Um agente olhava para o significado dos sinais, fazendo perguntas como: "Esta imagem se encaixa na ideia de um deus ou de uma pessoa?". O outro agente olhava estritamente para a estrutura e a posição dos sinais, perguntando: "Este sinal está no final da palavra, onde os rótulos silenciosos costumam ficar?". Crucialmente, esses dois agentes não conversavam entre si enquanto trabalhavam. Eles tinham que formar suas próprias opiniões de forma independente. Esse design garante que, se ambos os agentes concordarem com um rótulo, é um forte indício de que estão certos, em vez de apenas copiarem os erros um do outro.

Assim que os dois agentes terminavam sua análise, um terceiro agente atuava como um sintetizador, unindo seus achados. Ele buscava onde os dois concordavam e onde discordavam. Finalmente, um conjunto de regras rígidas e imutáveis atuava como um árbitro. Este árbitro verificava as sugestões contra a base de conhecimento que os pesquisadores haviam construído. Ele aplicava regras específicas, tais como: "um sinal que significa um vaso só pode ser um rótulo silencioso se o texto for sobre líquidos ou oferendas". Se o contexto não fosse compatível, a regra rejeitava a sugestão, mesmo que os agentes de inteligência artificial achassem que ela estava correta. Essa combinação da flexibilidade de pensamento da IA com a rigidez das regras do árbitro criou um sistema que podia lidar com a complexidade da língua antiga sem fazer palpites descabidos.

Os pesquisadores testaram seu sistema usando um método rigoroso, desenhado para garantir que os resultados não fossem apenas uma sorte passageira. Eles dividiram suas noventa e nove sequências de teste em cinco grupos diferentes. Em cada rodada de testes, utilizavam quatro grupos para treinar o sistema e o quinto grupo para testá-lo, repetindo esse processo até que cada sequência tivesse sido testada exatamente uma vez. Essa abordagem deu a eles uma visão clara de como o sistema se comportaria diante de textos novos e não vistos. Os resultados mostraram que o sistema era altamente eficaz. Ele identificava corretamente os rótulos silenciosos na vasta maioria dos casos, alcançando uma taxa de sucesso de cerca de oitenta e dois por cento ao observar todos os tipos de rótulos igualmente, e cerca de oitenta e oito por cento ao observar o número total de rótulos encontrados. A consistência desses resultados entre os diferentes grupos de teste mostrou que o sistema era robusto e não dependente de um conjunto específico de exemplos.

Uma das descobertas mais interessantes foi como o sistema lidava com casos difíceis. Os pesquisadores descobriram que o sistema funcionava melhor quando o texto era rico em informações, contendo três ou mais rótulos silenciosos. Nessas sequências complexas, as diferentes pistas do significado e da estrutura se reforçavam mutuamente, tornando a resposta correta óbvia. No entanto, o sistema tinha mais dificuldade com sequências muito curtas que não possuíam nenhum rótulo silencioso, ou possuíam apenas um. Nesses casos esparsos, a falta de pistas ao redor dificultava para o sistema ter certeza, levando a alguns erros a mais. Isso sugere que o sistema é muito bom em encontrar padrões quando há abundância de evidências, mas precisa de mais ajuda quando o texto é muito simples.

Outra grande inovação deste trabalho é a forma como ele apresenta suas respostas. Em vez de dar uma única resposta final como uma caixa preta, o sistema fornece uma lista classificada de possibilidades. Ele oferece uma interpretação principal, que é a resposta mais provável, mas também lista até três interpretações alternativas. Para cada alternativa, o sistema explica exatamente qual evidência adicional seria necessária para tornar aquela alternativa a correta. Por exemplo, ele pode dizer: "Acreditamos que este sinal é um rótulo para um deus, mas se o texto fosse sobre um templo, ele também poderia ser um rótulo para um edifício". Essa transparência transforma o computador em uma ferramenta colaborativa para estudiosos humanos. Ele não substitui o especialista; em vez disso, apresenta as opções e o raciocínio, permitindo que o humano tome a decisão final baseada em seu conhecimento mais profundo.

O estudo também destacou desafios específicos que permanecem. O sistema às vezes confundia sinais que possuem dois trabalhos muito diferentes, como o desenho de pernas caminhando, que pode significar "caminhar" ou atuar como um rótulo silencioso para "ação". Como o computador depende do contexto para decidir qual função o sinal está exercendo, ele ocasionalmente cometia erros quando o contexto era ambíguo. Os pesquisadores observaram que esses erros não se deviam a uma falha na lógica do sistema, mas sim a uma limitação na base de conhecimento atual. Ao adicionar mais exemplos e refinar as regras para esses sinais complicados, o sistema provavelmente poderia melhorar ainda mais.

Em última análise, este trabalho estabelece um novo padrão para como computadores podem interagir com sistemas de escrita antigos. Ele prova que uma abordagem híbrida, combinando o raciocínio flexível da inteligência artificial moderna com as regras estritas da erudição humana, pode resolver problemas que nenhum dos dois resolveria sozinho. O sistema não produz apenas uma tradução; ele produz um argumento estruturado que pode ser checado, questionado e melhorado. Ao tornar o raciocínio visível e as alternativas claras, os pesquisadores criaram uma ferramenta que respeita a complexidade da língua antiga enquanto abre as portas para uma análise mais rápida e precisa dos milhares de textos que ainda precisam ser lidos. Esta não é uma solução mágica que resolve tudo instantaneamente, mas é um passo significativo à frente, fornecendo uma base confiável para pesquisas futuras e uma nova maneira de máquinas e humanos trabalharem juntos para compreender o passado.