古代文本作为人类文明的重要载体，不仅记录了历史事件，更承载着丰富的文化和语言信息。尤其是铭文，作为最早期的书写形式之一，为研究古代社会的语言、思想和历史提供了宝贵的第一手资料。然而，这些文献常因时间、环境等原因遭受损毁，内容缺失严重，令历史学家面临巨大挑战。如何科学、高效地恢复和解读这些残损文本，成为推动古文明研究进展的关键课题。随着人工智能技术，尤其是生成式神经网络的飞速发展，研究人员开始尝试利用这些技术辅助甚至革新传统的古代文本研究。生成式神经网络不仅能够填补缺失的文本内容，还能结合文本和图像等多模态信息，提供更加精准的历史背景与地理年代归属。
本文将深入探讨生成式神经网络在古代文本，特别是拉丁铭文的修复与语境重建中的应用，剖析新兴模型Aeneas如何赋能历史学家打造跨时代对话，为历史研究注入智能动力。 铭文研究中的挑战与需求 古罗马帝国时期铭文数量庞大，每年约有上千条新铭文被发现。这些铭文涵盖帝王诏令、军队文书、墓志铭等多种文体，分布遍及从不列颠到埃及再至中东的广阔地域。铭文作为文化传播的媒介，其文本不仅反映了法律制度、社会结构，也揭示了不同地区语言书写的演变。尽管铭文极具研究价值，但其面临的众多问题亟需解决。铭文经年累月的风化使得部分字母、单词甚至句段流失，有时候丢失部分长度也难以准确判断。
此外，铭文中普遍使用的大量缩写和平行文字结构，加之缺乏准确书写时间和地点标识，都使得文本的恢复、年代和地域归属定位极为复杂，严重制约了传统考古学和历史学家的精细分析。 传统方法侧重于通过对比类似铭文寻找语言或功能上的平行句，依靠专家的阅历和丰富的知识库手工检索。这一过程繁琐耗时，对区域和年代知识高度依赖，且跨地域跨时间的广泛连接难以被充分识别。人工智能的引入为破解这一瓶颈带来了崭新可能。 AI与生成式神经网络的兴起 生成式神经网络属于深度学习范畴，通过大规模训练能够自主生成和推测缺失或未见内容。相较于传统的字符串匹配和统计语言模型，这类网络可以捕获文本后隐藏的语境和文化逻辑，更能结合视觉信息提升整体理解能力。
借助Transformer架构及最新的多模态学习策略，模型能同时处理文本和铭文图片，模拟专家对铭文整体感知的能力。 在此背景下，Aeneas模型应运而生。它以跨学科团队丰富的拉丁铭文大数据为基底，从数十万条铭文中学习语言模式、时空特征和视觉特征，实现文本修复、地理归属以及年代判定三重关键目标。相比此前仅能恢复特定长度丢失文本的模型，Aeneas支持任意长度缺损的填补，且配备预测文本合理性的机制。其独特的“上下文感知”嵌入策略，使得它不仅找到文本层面相似铭文，更能挖掘功能、社会文化层面的紧密关联，突破传统模糊匹配的局限，极大提升文本的历史定位准确度。 Aeneas工作流程详解 输入端，Aeneas接收铭文的文本转录和相应的碑文图像。
文本部分以字符为单位，重点处理损失字符的未知长度的“缺口”标注。图像处理通过浅层卷积网络提取符号、字体、排版和石质信息，给地理归属提供辅助线索。核心为改造后T5 Transformer解码器的“躯干”，生成文本的深层表示。随后，“头部”神经网络完成恢复、地理归属和年代判定三项任务。模型输出恢复文本的多个候选序列，并以概率和长度综合排序。地理与年代归属则输出概率分布，辅助专家进一步判断。
此外，通过显著性映射技术，Aeneas能展示哪些文本或图像特征影响了模型的决定，增强解释性和专家信任度。 通过集成文本和视觉信息，Aeneas不仅定位字面上的缺字，更关注铭文的文化语境与历史背景，从而推断出更符合实际历史情况的修复结果。其生成的“历史嵌入”能够在多维空间中量化铭文之间的异同，检索出最具关联的平行文本，为学者提供强有力的研究起点。 人机协作下的研究突破 在业内罕见的大规模人机合作实验中，23名专业历史学者参与测试。结果显示，学者在仅靠自身专业知识的情况下，修复错误率较高，地理和年代归属精准度有限；但在辅助Aeneas检索出的相关铭文平行和预测结果后，修复准确率显著提升，归属推断更为稳健。而当仅依赖模型的单独预测，表现不及协同后的准确率，表明生成式神经网络与专家推理结合的协同效应尤为强大。
实验中，提供Aeneas相关铭文平行能作为有效研究起点，90%的场合均被学者认为极具帮助，整体重构与归属任务中，专家的自信心提升近半数。多位参与者反馈说，AI辅助极大缩短了耗时，部分本需数日检索的资料，15分钟内即可找到相关线索，解放了时间让他们专注于深度的学理分析与创见。此类反馈不仅证实了模型工程的合理性，也体现了生成模型在古代文献赛道的深远应用潜力。 在具体案例中，比如分析著名的罗马铭文《神圣奥古斯都功绩录》，Aeneas成功捕捉文本中复杂的历史语言特征和年代指示符，且通过召回同一时代语境的平行铭文强化分析结果。这一过程模拟历史学家对文献的考释方式，实现历史信息的大数据驱动对比与预测。 多模态数据与大规模古碑铭文集的构建 Aeneas的训练得益于综合三大拉丁铭文数据库的拉丁铭文数据集LED，总计包含近18万条铭文，覆盖公元前七世纪到公元八世纪，地域横跨整个罗马帝国版图。
这一数据集不仅整理文本，还筛选获取了部分铭文图像，使模型多模态训练成为可能。同时，统一标准化元数据和文本标注也保障了训练数据质量。尽管图像数据覆盖率仅5%，但它们为地理归属任务提供显著助力，也为未来多模态研究提供了基础。 这种跨库整合及质量保障的努力在古代语言学与计算机科学跨界合作中极为难得，也展现出未来数字人文研究范式转变的趋势。高质量、规模宏大的多模态语料库是推动深度学习模型泛化能力、减少偏倚不可或缺的支撑因素。 技术挑战与未来发展方向 虽然Aeneas取得显著进展，但仍面临多重挑战。
首先，训练数据相较于现代语言模型仍显不足，限制了模型对罕见语境和区域变体的适应能力。其次，图像信息的质量和数量尚需提升，以支持更深入的视觉文化解读。再者，古代铭文修复固有的不确定性，比如编辑人员对缺损内容的解读往往带有主观色彩，如何让AI更好地处理历史学的可变性问题，是重要研究方向。最后，模型的可解释性仍需强化，如何让历史学研究者更好理解AI判断背后的逻辑，是保障人机协作顺利进行的关键。 未来，进一步将生成式神经网络融入至交互式的大型语言模型中，有望实现更自然的人机对话，满足复杂查询与推理需求。增加时间跨度和不同古语言种类的跨语言跨文本学习，也会极大拓展技术应用边界。
同时，结合更多的考古、历史学辅助数据，比如考古出土环境、文物分类信息等，将使模型更准确贴合实际历史学情境。 总结 生成式神经网络技术的引入，标志着古代文本研究进入全新纪元。以Aeneas为代表的新一代模型，突破了传统字面匹配和单一文本分析的局限，结合文本与图像进行多维度推断，提升了铭文修复的精度和历史语境的还原能力。通过密切合作，资深历史学者与AI技术实现优势互补，不仅加速了文本研究进程，还催生了更多跨学科创新路径。 这些探索不仅促进了对罗马及其帝国文化和语言变革的理解，也为其它古文献研究提供了样板。未来，随着数据集的丰富和技术的演进，生成式神经网络将在推动数字人文研究向智能化迈进中扮演核心角色，释放古籍背后鲜活历史的无限潜能。
。
