Google DeepMind Aeneas：古代銘文情境化的 AI

Google DeepMind 推出了 Aeneas，這是首個旨在透過多模態分析與平行文本檢索，協助歷史學家詮釋、歸屬與修復斷裂拉丁銘文的 AI 模型。

先進的銘文分析能力

Aeneas 在先前模型之上提供了多項關鍵技術進步，包括其前身 Ithaca（專注於古希臘銘文）。其主要功能包括：

  • Parallels Search: 模型為每段文字建立「歷史指紋」（嵌入向量），以辨識大量拉丁銘文之間的深層關聯，讓歷史學家能將斷片置於更廣闊的語境中。
  • Multimodal Provenance Determination: Aeneas 是首個透過分析文字資料與視覺資訊（如銘文圖像）來判定地理來源的模型。
  • Flexible Text Restoration: 模型能在缺失長度未知的情況下修復文字缺口，這對於處理嚴重受損的資料是一項重大改進。
  • State-of-the-Art Performance: Aeneas 為預測銘文的年代與位置以及修復受損文字設定了全新基準。

技術架構與訓練

Aeneas 是一種多模態生成式神經網路，使用基於 transformer 的解碼器處理文字與圖像輸入。

資料來源與拉丁銘文資料集（LED）

為了訓練模型，研究人員整理了拉丁銘文資料集（LED），該資料集統合了來自三大數位收藏的超過 176,000 件拉丁銘文：

  1. Epigraphic Database Roma（EDR）
  2. Epigraphic Database Heidelberg（EDH）
  3. Epigraphic Database Clauss Slaby（EDCS-ELT）

模型機制

模型利用專門的網路進行基於文字的字元修復與年代推斷，而地理歸屬則結合圖像資料。情境化機制使用嵌入向量編碼語言、內容、來源與銘文之間的關係，使解碼器能從 LED 中檢索並排序相似的平行文本。

效能基準與驗證

相較於通用拉丁語大型語言模型（LLM），Aeneas 在年代分組上展現出卓越的效能。關鍵指標包括：

  • Restoration Accuracy: 在長度不超過十個字元的缺口中，Top-20 正確率為 73%；當缺口長度未知時，正確率為 58%。
  • Geographical Attribution: 使用視覺資料將銘文歸屬於 62 個古羅馬省份之一的正確率為 72%。
  • Dating Precision: 模型通常能將文本的年代定位在歷史學家提供的時間範圍內 ±13 年。
  • Interpretability: 模型提供顯著性圖（saliency maps），以突顯哪些具體輸入影響了其預測。

歷史辯論的應用：Res Gestae

為了在實際研究辯論中測試模型，Aeneas 被應用於 Res Gestae Divi Augusti（奧古斯都皇帝的功績敘述）。Aeneas 並未給出單一日期，而是產生了兩個峰值的機率分布：一個較小的峰值位於公元前 10–1 年左右，另一個較大的峰值位於公元 10–20 年之間。此量化方法捕捉了學界基於文本中細微語言特徵與官方稱號的主流假說。

合作影響與可及性

在一項包含 23 位歷史學家的研究中，當專家同時使用 Aeneas 的情境平行、修復與歸屬預測時，取得了最有效的成果。歷史學家表示，此工具加速了他們的工作，並協助發現改變對特定銘文認知的新平行。

可用性與教育整合

Google DeepMind 透過以下管道提供 Aeneas：

  • Interactive Tool: 可於 predictingthepast.com 免費使用。
  • Open Source: 程式碼與資料集已於 GitHub 開放。
  • Ithaca Upgrade: 古希臘模型 Ithaca 已升級為由 Aeneas 驅動，加入情境化功能與改進的修復能力。
  • Education: 已共同設計全新教學大綱，以銜接技術 AI 能力與歷史思考，並符合歐洲委員會、聯合國教科文組織與經濟合作與發展組織（OECD）的框架。

Sources