Künstliche Intelligenz enthüllt die Geheimnisse des antiken Roms

Stellen Sie sich ein Werkzeug vor, das Tausende antike römische Inschriften durchsucht, sie miteinander vergleicht und ihre Geheimnisse schneller aufdeckt als ein Team von Historikern. Genau das ist Aeneas, ein multimodales generatives neuronales Netz, das von Google DeepMind in Zusammenarbeit mit Forschenden wie Yannis Assael, Thea Sommerschield und Alison Cooley entwickelt wurde. Dieses Modell wurde mit dem Latin Epigraphic Dataset (LED) trainiert, das 176 861 lateinische Inschriften aus Datenbanken wie der Epigraphic Database Roma (EDR), der Epigraphic Database Heidelberg (EDH) und der Epigraphik-Datenbank Clauss-Slaby (EDCS_ETL) umfasst. Aeneas verarbeitet sowohl Texte als auch Bilder, um Inschriften zu kontextualisieren, beschädigte Teile zu rekonstruieren und ihren geografischen sowie chronologischen Ursprung zu bestimmen.

Laut einer in der Zeitschrift Nature veröffentlichten Studie erreicht Aeneas bei der Textrekonstruktion eine Zeichenfehlerrate (CER) von 40,5 % bei bekannter Länge und 55,5 % bei unbekannter Länge, bei der geografischen Zuordnung eine Genauigkeit von 72 % für die korrekte römische Provinz und bei der Datierung eine durchschnittliche Abweichung von 13 Jahren von den tatsächlichen Zeitspannen. Das Modell ahmt die Arbeitsweise von Historikern nach, indem es nach Parallelen sucht – Inschriften mit gemeinsamen Formulierungen, Funktionen oder kulturellen Kontexten – und diese zusammen mit Metadaten bereitstellt. Bei einer Evaluierung mit 23 Historikern, von Studierenden bis hin zu Professoren, steigerte Aeneas deren Vertrauen bei den Aufgaben um 44 % und war in 90 % der Fälle hilfreich.

Wie Aeneas in der Praxis funktioniert

Aeneas verwendet als Eingabe ein Bild der Inschrift und ihre Texttranskription und verarbeitet diese mithilfe einer auf dem T5-Modell basierenden Transformer-Architektur mit relativen Positions-Embeddings. Sonderzeichen wie „-“ für eine bekannte Länge der Beschädigung oder „#“ für eine unbekannte Länge ermöglichen die Rekonstruktion von Texten beliebiger Länge, was eine Neuerung auf diesem Gebiet darstellt. Das Modell generiert Hypothesen für die Rekonstruktion, die geografische Zuordnung zu einer von 62 römischen Provinzen und die chronologische Zuordnung nach Jahrzehnten, ergänzt durch Saliency-Maps, die zeigen, welche Elemente die Entscheidungen beeinflusst haben.

Bei der Analyse des Textes „Res Gestae Divi Augusti“ (RGDA), der die Taten des Kaisers Augustus beschreibt, bestimmte Aeneas beispielsweise eine Datierung um 10–20 n. Chr., mit Spitzen um 10–1 v. Chr. und 10–20 n. Chr. Dies spiegelt eine bimodale Verteilung wider, die wissenschaftlichen Hypothesen entspricht. Die Saliency-Maps hoben chronologisch bedeutsame Elemente hervor, etwa die archaisierende Schreibweise „aheneis“, den Titel „princeps iuventutis“ aus dem Jahr 5 v. Chr. oder den Altar des Augustusfriedens aus dem Jahr 13 v. Chr. Zu den wichtigsten Parallelen gehörten Inschriften wie TM 262102 (ein Gesetz aus dem Jahr 19 n. Chr. über Germanicus) und TM 558342, die eine imperiale Ideologie und archaisierende Elemente gemeinsam haben, obwohl sie aus unterschiedlichen Orten wie Rom, Trient oder Baetica stammen.

Forschende wie Thea Sommerschield vergleichen das Studium von Inschriften mit einem riesigen Puzzle, bei dem Aeneas hilft, die fehlenden Teile schneller zu finden. Das Modell ist quelloffen, hier verfügbar und kann an andere antike Sprachen angepasst werden.

Welche Möglichkeiten bietet Aeneas?

Obwohl Aeneas große Veränderungen in der Epigrafik bewirkt, hat das Modell seine Grenzen. Bei extrem stark beschädigten Inschriften ist weiterhin menschliche Expertise erforderlich, da sich das Modell „alle Möglichkeiten offenhält“ und mehrere Optionen statt einer einzigen Vorhersage anbietet. Bei der Evaluierung bezogen die Historiker durchschnittlich 1,5 von Aeneas vorgeschlagene Parallelen in ihre Forschungen ein, wodurch sich ihre Leistung verbesserte: Die Fehlerrate bei der Rekonstruktion sank von 39 % auf 21 %, die geografische Genauigkeit stieg auf 68 % und die Datierung näherte sich bis auf 14,1 Jahre dem tatsächlichen Wert an.

Alison Cooley betonte, dass Aeneas die Epigrafik zu einem hochmodernen Forschungsgebiet macht, während Thea Sommerschield auf seine Rolle bei der Beschleunigung der Forschung hinwies. Die an der Evaluierung beteiligten Historiker schätzten, wie Aeneas ihre Wahrnehmung von Inschriften verändert – einer von ihnen erklärte beispielsweise, dass die Parallelen seine Sicht auf den Text verändert und ihm tagelange Arbeit erspart hätten. Das Modell übertrifft den Vorgänger Ithaca bei der Rekonstruktion um 15 %, bei der geografischen Zuordnung um 20 % und bei der Datierung um 17 Jahre.

KI in der historischen Forschung

Aeneas zeigt, wie KI für Fachleute zu einem wertvollen Partner werden kann. In einer Fallstudie zu einem Votivaltar aus Mogontiacum (Mainz, CIL XIII, 6665, TM 211813) aus dem Jahr 211 n. Chr., der von Lucius Maiorius Cogitatus der Göttin Aufaniae gewidmet wurde, datierte Aeneas ihn korrekt auf 214 n. Chr. und ordnete ihn Germania Superior zu. Dabei fand das Modell Parallelen wie einen Altar aus dem Jahr 197 n. Chr. (FM 07-055 Nr. 16), der ähnliche Formeln und ikonografische Merkmale aufweist. Dies verdeutlicht die Verbindungen zwischen den epigrafischen Traditionen in Provinzen wie Germanien und Pannonien.

Durch seinen offenen Zugang öffnet Aeneas die Tür zu neuen Erkenntnissen über die römische Gesellschaft, Sprache und Lebensweise. Die Zusammenarbeit zwischen KI und Historikern wie Yannis Assael und Alison Cooley verdeutlicht, wie Technologie die Forschung beschleunigt, unterstreicht aber zugleich die Notwendigkeit menschlicher Urteilskraft. Wenn Sie sich für die antike Geschichte begeistern, könnte Aeneas schon bald noch mehr faszinierende Details über unsere Vergangenheit ans Licht bringen.