La búsqueda de entender nuestro pasado depende en gran medida de los artefactos que quedan atrás - fragmentos de cerámica, manuscritos decolorados, y herramientas antiguas. Pero determinar exactamente lo viejo que es un objeto, o si es una verdadera reliquia o una falsificación inteligente, ha sido durante mucho tiempo un proceso manual de trabajo intensivo.

AI en objetos históricos de cita

Los artefactos de citas son la piedra angular de la investigación arqueológica. Los métodos tradicionales como datación por radiocarbono, dendrocronología y termoluminiscencia han servido bien a los eruditos durante décadas, pero tienen limitaciones. La datación por radiocarbono requiere una muestra sizable de material orgánico y puede verse afectada por la contaminación; la dendrocronología sólo trabaja para la madera con anillos de árboles visibles; la termominominis exige una medición cuidadosa de la radiación almacenada.

Los algoritmos de aprendizaje de la máquina pueden ser entrenados en miles de artefactos bien hechos para aprender las relaciones sutiles entre las características físicas de un objeto y su edad. Por ejemplo, un modelo AI puede examinar la composición química de vidrio antiguo, los patrones de desgaste en herramientas de piedra, o la evolución estilística de las decoraciones de cerámica. Comparando un nuevo artefacto con esta base de datos de referencia, el algoritmo puede producir una estimación probabilística de su edad, que a menudo con una precisión valiosa

Técnicas de aprendizaje de máquinas

Se aplican varios métodos de aprendizaje automático para citas. Redes neuronales (CNN), originalmente diseñadas para el reconocimiento de imágenes, sobresalen en el análisis de características visuales, como patrones de pinceladas en pinturas, marcas de herramientas en superficies de piedra, o la parectina en objetos metálicos. Redes neuronales recurrentes (RNNs) y transformadores pueden modelar datos secuenciales, como los cambios estilistas en iluminaciones de manuscritos durante siglos o la evolución de conjuntos sucesivos de diseños.

Un ejemplo convincente es el uso de CNNs hasta la fecha cerámica antigua. Investigadores de la Universidad de Oxford entrenaron un modelo en miles de imágenes de vasos cerámicos de la región mediterránea. La AI aprendió a asociar motivos decorativos específicos, formas de borde y colores de esmalte con fases cronológicas conocidas. Cuando se probó en vasos previamente no visibles, el modelo que iluminaba las fechas de más del 90% de los casos, y lo hacía las horas de bronce.

Otra técnica prometedora es la AI multimodal, que combina datos de diferentes fuentes. Por ejemplo, el espectro Raman de un artefacto (impresión química), su escaneo 3D de alta resolución, y su descripción textual puede ser alimentado en un solo modelo. Este enfoque holístico reduce la posibilidad de errores causados por la dependencia de una sola característica.El modelo puede comenzar a diferentes señales, lo que lo hace especialmente útil para objetos dañados o que tienen sistemas arqueológicos.

Estudios de casos en citas conjuntas

Más allá de la cerámica y las monedas, AI está haciendo incursiones en materiales orgánicos de citas como huesos y madera. Un equipo del Max Planck Institute desarrolló un modelo de aprendizaje profundo que analiza la preservación del colágeno en huesos antiguos para estimar su edad, complementando los resultados de radiocarbono. El modelo fue entrenado en muestras de sitios de edad conocida y ahora puede predecir rangos de edad para huesos que están demasiado contaminados para dataciones confiables de carbono‐14.

Mientras el Shroud de Turín sigue siendo polémico, los métodos AI podrían aplicarse teóricamente a artículos similares contenciosos. En estudios controlados, AI se ha utilizado para analizar la composición química de las fibras de lino y la distribución de granos de polen para estimar la edad. Sin embargo, la fiabilidad de tales predicciones depende en gran medida de la calidad de los datos de entrenamiento.

AI en artefactos autenticos

La autenticación es quizás incluso más crítica que las citas. El mercado de antigüedades y arte se inunda con forgeries, algunos tan sofisticados que engañan incluso expertos experimentados. AI trae objetividad a este campo subjetivo examinando características que los humanos no pueden percibir, o podría pasar por alto. La autenticidad no es sólo acerca de la edad; también implica verificar que los materiales, la artesanía y la procedencia de un objeto son simultáneamente analizan todas las dimensiones reclamadas.

La autenticación de la IA suele implicar tres pasos: adquisición de datos (por ejemplo, imagen de alta resolución, espectroscopia, fluorescencia de rayos X), extracción mediante machine learning, y comparación con una base de datos de elementos genuinos y falsificados. El algoritmo aprende a distinguir entre las diferencias sutiles que separan las obras maestras de imitaciones. Por ejemplo, puede detectar variaciones en el tamaño de partículas pigmentadas en pinturas renativas, la orientación micros de cabellos iguales,

Detectar forgeries

La detección de la falsificación ha tenido un éxito notable con la IA. Uno de los casos más reportados implicaba la pintura Samson y Delilah atribuidos a Peter Paul Rubens. Un algoritmo AI entrenado en los escaneos de alta resolución de auténticos trabajos de Rubens identificó anomalías en las líneas subdividentes que se habían dibujado con un pluma moderno en lugar de un caso confirmado posterioridad.

Otro área donde destaca AI es analizar patrones de pinceladas. Cada artista tiene un estilo único y subconsciente que es extremadamente difícil de imitar. Los modelos de aprendizaje profundo pueden mapear la textura tridimensional de la pintura y la direccionalidad de los golpes para crear una “signatura” para cada artista. Cuando se prueba una falsificación sospechosa, la AI puede comparar sus patrones de trazo con millones de ejemplos auténticos.

AI también se utiliza para verificar objetos antiguos como monedas, esculturas y manuscritos. Por ejemplo, investigadores de la Universidad de California, Los Ángeles desarrolló un sistema que utiliza la tomografía de coherencia óptica (OCT) y el aprendizaje automático para probar la autenticidad de monedas antiguas. La exploración OCT revela los detalles microestructurales del metal, como los límites de grano y las capas de corrosión de mármoles, que son difíciles de replicar artificialmente.

Papel de la espectroscopia e imágenes

Técnicas espectroscópicas como la espectroscopía Raman, FTIR (Fourier‐transform infrared spectroscopy), y la fluorescencia de rayos X (XRF) proporcionan huellas químicas de artefactos. AI puede procesar estos espectros para identificar materiales que son inconsistentes con la era reclamada. Por ejemplo, si una pintura supuestamente del siglo XV contiene un pigmento que no fue inventado hasta el siglo XIX, la IA naturalmente avanzará.

La imagen hiperespectral, que captura cientos de bandas espectrales a través de la superficie de un artefacto, genera enormes conjuntos de datos que están más allá del análisis humano. Los modelos de aprendizaje automático pueden entrenar en estas imágenes para identificar áreas de sobrepainado, restauración o bosquejos ocultos que revelan la historia de un objeto. Esta técnica se ha utilizado para autenticar el antiguo papiro egipcio - la AI detectó una tinta moderna que había sido pintada para imitar la escritura antigua y oculta

Desafíos y limitaciones

A pesar de su promesa, la IA en la autenticación de artefactos y citas no es una bala de plata. Quedan varios retos importantes, que van desde limitaciones de datos a preocupaciones éticas.

Calidad de los datos y disponibilidad

El acceso más crítico es la necesidad de conjuntos de datos grandes y bien etiquetados. Para formar un modelo confiable, se necesitan miles de artefactos autenticados con fechas o procedencias conocidas. Muchos museos y colecciones privadas son reacios a compartir sus datos, ya sea por preocupaciones sobre seguridad, propiedad intelectual o miedo de que los datos públicos puedan ayudar a forgers. Además, los datasets existentes suelen contener parciales.

Sobre-Reconformidad en la tecnología

Existe el peligro de que los curadores y coleccionistas puedan confiar demasiado en las salidas de IA sin entender sus limitaciones. Los modelos de IA pueden ser engañados por ejemplos adversarios: modificaciones de luz diseñadas para causar una misclasificación. Un falsificador inteligente podría potencialmente explotar estas debilidades por, por ejemplo, añadir una pequeña cantidad de un pigmento de la era correcta a un objeto moderno para confundir el veredicto IA.

Bias y representatividad

Los datos de entrenamiento pueden llevar a la IA a perpetuar desigualdades históricas. Si el conjunto de entrenamiento contiene principalmente artefactos de alto nivel de civilizaciones ricas, el modelo probablemente será menos preciso para objetos cotidianos de culturas menos documentadas. Esto puede reforzar el sesgo colonial que tiene larga arqueología plagada, donde los artefactos de imperios poderosos reciben más atención. Los investigadores deben buscar activamente diversos conjuntos de datos y desarrollar técnicas para manejar pequeños o desajustificados.

Interpretabilidad

Muchos modelos de aprendizaje automático, especialmente las redes neuronales profundas, funcionan como “cajas negras”. Pueden proporcionar una probabilidad o clasificación pero no pueden explicar fácilmente por qué llegaron a esa conclusión. Esta falta de interpretación es un problema en el mundo de la autenticación del arte de alto nivel, donde las decisiones pueden involucrar a millones de dólares y afectar el patrimonio cultural. Un museo puede dudar en desatar una pieza apreciada basada en un cepillo de red neuronal desarrollar la clasificación.

Future Directions

La integración de la IA con otras tecnologías promete métodos aún más robustos para las citas y la autenticación. Varias tendencias emergentes son probablemente definir la próxima década de la arqueología digital y la verificación del arte.

Blockchain para la venganza

La tecnología Blockchain puede crear registros digitales a prueba de manipulaciones para artefactos, vinculando los resultados de análisis de IA a un libro mayor permanente. Cuando un artefacto es escaneado y analizado por IA, su “impresión de marca” —un problema de los datos de exploración y el resultado de autenticación— puede almacenarse en una cadena de bloques. Esto hace que sea mucho más difícil cambiar una falsificación en una colección probada.

Bases de datos de código abierto y de código fuente

Iniciativas como el consorcio de investigación “Art & AI” están trabajando para construir bases de datos de código abierto de artefactos autenticados que los investigadores de todo el mundo puedan utilizar para capacitar modelos. La clave es asegurar que las contribuciones de datos sean verificadas y estandarizadas. Proyectos como la base de datos de colaboración

Modelos de la Fundación Multimodal

Los futuros sistemas de IA pueden construirse sobre grandes modelos de base pre-entrenados sobre grandes cantidades de texto, imágenes y datos espectrales. Estos modelos podrían ser perfeccionados para tareas específicas de datación o autenticación con conjuntos de datos relativamente pequeños, al igual que cómo los modelos de lenguaje son adaptados para nuevos dominios. Estos modelos también podrían incorporar información contextual, registros históricos, informes de excavación y documentos de procedencia, para proporcionar una evaluación más completa.

Análisis de campo en tiempo real

Los dispositivos portátiles de IA se están desarrollando para su uso en el campo, permitiendo a los arqueólogos obtener citas preliminares y estimaciones de autenticidad durante la excavación. Espectrometers de Raman de mano junto con redes neuronales de dispositivo pueden proporcionar análisis químico instantáneo. Mientras que estas herramientas no son tan precisas como sistemas de laboratorio, pueden ayudar a priorizar qué artefactos para transportar para un estudio detallado.

Preservar el patrimonio cultural con AI responsable

A medida que la IA se incrusta más profundamente en la arqueología y la historia del arte, las consideraciones éticas deben guiar su uso. Los algoritmos deben diseñarse para evitar reforzar los prejuicios coloniales o privar a los artefactos occidentales. Sus productos deben ser transparentes y auditables. Y el objetivo final debe ser siempre preservar y comprender nuestra historia humana compartida, no sustituir la experiencia de los historiadores y conservadores, sino potenciarlos.

En la próxima década, podemos esperar que AI se convierta en una herramienta estándar en laboratorios de museos, casas de subastas y excavaciones de campo. La misma tecnología que reconoce caras en fotos pronto ayudará a autenticar un cáliz medieval o fechar una antigua ánfora griega. Al abrazar estos avances mientras seguimos siendo conscientes de sus limitaciones, podemos proteger mejor nuestro patrimonio cultural, y asegurar que las generaciones futuras heredan tanto los artefactos como los conocimientos necesarios para interpretarlos.

Acceder a los lectores a la exploración, un estudio de 2019 en Naturaleza Comunicaciones demostró cómo el aprendizaje profundo mejoró la precisión de las citas radiográficas mediante el análisis de capas de sedimentos (Naturaleza Comunicaciones, 2019).