A busca para entender o nosso passado depende fortemente dos artefatos deixados para trás – fragmentos de cerâmica, manuscritos desbotados e ferramentas antigas. Mas determinar exatamente o quão antigo é um objeto, ou se é uma relíquia genuína ou uma falsificação inteligente, tem sido um processo manual meticuloso. Hoje, a inteligência artificial (IA) está transformando arqueologia e história da arte, oferecendo métodos mais rápidos e precisos para datar e autenticar artefatos históricos. Essas ferramentas orientadas por IA analisam vastos conjuntos de dados, detectam padrões de minutos invisíveis ao olho humano e ajudam a preservar a integridade de nosso patrimônio cultural. Este artigo explora como a IA está redimensionando esses campos, as técnicas envolvidas e os desafios que se seguem.

IA em Artefatos Históricos de Encontro

Os artefatos de namoro são a pedra angular da pesquisa arqueológica. Métodos tradicionais como datação por radiocarbono, dendrocronologia e termoluminescência têm servido bem os estudiosos por décadas, mas eles têm limitações. A datação por radiocarbono requer uma amostra considerável de material orgânico e pode ser afetada pela contaminação; a dendrocronologia só funciona para madeira com anéis de árvores visíveis; a termoluminescência exige uma medição cuidadosa da radiação armazenada. A IA não substitui essas técnicas, mas as melhora integrando dados de múltiplas fontes e identificando padrões que podem não ser óbvios para analistas humanos.

Algoritmos de aprendizado de máquina podem ser treinados em milhares de artefatos bem-dados para aprender as relações sutis entre as características físicas de um objeto e sua idade. Por exemplo, um modelo de IA pode examinar a composição química de vidro antigo, os padrões de desgaste em ferramentas de pedra, ou a evolução estilística de decorações de cerâmica. Ao comparar um novo artefato com este banco de dados de referência, o algoritmo pode produzir uma estimativa probabilística de sua idade, muitas vezes com maior precisão e velocidade do que os métodos tradicionais por si só. Esta abordagem é especialmente valiosa quando lida com artefatos que são muito danificados para a datação convencional, ou quando um método não destrutivo é necessário.

Técnicas de aprendizagem de máquina

Várias abordagens de aprendizado de máquina são aplicadas à datação. Redes neurais convolucionais (CNNs), originalmente projetadas para reconhecimento de imagem, se destacam na análise de características visuais – tais como padrões de pinceladas em pinturas, marcas de ferramentas em superfícies de pedra, ou a patina em objetos metálicos. Redes neurais recorrentes (RNNs) e transformadores podem modelar dados sequenciais, como as mudanças estilísticas nas iluminações de manuscritos ao longo dos séculos ou a evolução de projetos de moedas através de sucessivos reinados. Entretanto, algoritmos de agrupamento podem agrupar artefatos com características semelhantes, ajudando arqueólogos a identificar períodos não reconhecidos ou conexões culturais.

Um exemplo convincente é o uso de CNNs até à data cerâmica antiga. Pesquisadores da Universidade de Oxford treinaram um modelo em milhares de imagens de vasos cerâmicos da região do Mediterrâneo. A IA aprendeu a associar motivos decorativos específicos, formas de aros e cores de esmalte com fases cronológicas conhecidas. Quando testadas em vasos previamente invisíveis, o modelo atribuiu datas que corresponderam a avaliações de especialistas em mais de 90% dos casos, e fez isso em segundos, em vez das horas que um especialista pode precisar. Trabalho semelhante está sendo feito com vasos de bronze chineses, manuscritos iluminados e até moedas antigas. Em cada caso, a IA capta em características sutis - micro-escratches, degradação de pigmentos, ou composição de ligas - que os humanos podem ignorar.

Outra técnica promissora é a IA multimodal, que combina dados de diferentes fontes. Por exemplo, o espectro Raman de um artefato (impressão digital química), sua varredura 3D de alta resolução e sua descrição textual podem ser todos alimentados em um único modelo. Esta abordagem holística reduz a chance de erros causados por uma única característica. O modelo pode validar diferentes sinais, tornando-o especialmente útil para objetos que estão danificados ou foram submetidos a restauração. Sistemas multimodal também estão começando a incorporar dados arqueológicos contextuais – como a composição do solo no local de escavação ou achados associados – para melhorar a precisão de datação.

Estudos de caso em encontros assistidos por IA

Além da cerâmica e das moedas, a IA está a fazer incursões para datar materiais orgânicos como osso e madeira. Uma equipa do Instituto Max Planck desenvolveu um modelo de aprendizagem profunda que analisa a preservação do colagénio nos ossos antigos para estimar a sua idade, complementando os resultados de radiocarbono. O modelo foi treinado em amostras de sítios conhecidos e pode agora prever faixas etárias para ossos que estão demasiado contaminados para datar carbono-14. Em outro projecto, os investigadores utilizaram uma rede neural até à data, com base em alterações no estilo da caligrafia. A IA analisou variações microscópicas nas formas das letras e na distribuição de tinta, atingindo uma precisão de datação no prazo de 50 anos para documentos que se estendem por mais de dois milénios.

Embora o Sudário de Turim continue controverso, os métodos de IA podem teoricamente ser aplicados a itens contenciosos semelhantes. Em estudos controlados, a IA tem sido usada para analisar a composição química das fibras de linho e a distribuição de grãos de pólen para estimar a idade. No entanto, a confiabilidade de tais previsões depende fortemente da qualidade dos dados de treinamento. Em geral, a datação de IA funciona melhor quando há uma grande referência bem compreendida definida da mesma região e período. Para objetos únicos ou mal documentados, a perícia humana e métodos tradicionais permanecem indispensáveis.

IA em artefatos de autenticação

A autenticação é talvez ainda mais crítica do que a datação. O mercado de antiguidades e arte é inundado de falsificações, alguns tão sofisticados que até enganam especialistas experientes. A IA traz objetividade a esta arena subjetiva examinando características que os seres humanos não podem perceber ou podem ignorar. A autenticidade não é apenas sobre a idade; também envolve verificar que os materiais, o artesanato e a proveniência de um objeto são consistentes com sua origem alegada.

A autenticação de IA envolve normalmente três etapas: aquisição de dados (por exemplo, imagens de alta resolução, espectroscopia, fluorescência de raios X), extração de recursos através de aprendizado de máquina e uma comparação com uma base de dados de itens genuínos e forjados. O algoritmo aprende a distinguir entre as diferenças sutis que separam obras-primas das imitações. Por exemplo, ele pode detectar variações no tamanho de partículas de pigmentos em pinturas renascentistas, a orientação microscópica de cabelos escovados, ou a presença de materiais anacrônicos. A mesma tecnologia pode sinalizar objetos que mostram sinais de restauração moderna que foram destinados a enganar.

Detectando Falsificações

A detecção de falsificação tem tido um sucesso notável com a IA. Um dos casos mais amplamente relatados envolveu a pintura Samson e Delilah atribuída a Peter Paul Rubens. Um algoritmo de IA treinado em varreduras de alta resolução de autênticas obras de Rubens identificou anomalias na subdesenhação – linhas que tinham sido desenhadas com uma caneta moderna em vez de uma pena do século XVII. A pintura foi posteriormente confirmada como uma falsificação após análise química adicional. Este caso destacou como a IA pode detectar inconsistências que até mesmo historiadores experientes perdem.

Outra área onde a IA se destaca é a análise de padrões de pinceladas. Todo artista tem um estilo subconsciente único e extremamente difícil de imitar. Modelos de aprendizagem profunda podem mapear a textura tridimensional da pintura e a direcionalidade dos traços para criar uma “assinatura” para cada artista. Quando uma suspeita de falsificação é testada, a IA pode comparar seus padrões de pincelada com milhões de exemplos autênticos. Em um estudo de 2020, um modelo corretamente identificado falsificações de obras de Vincent van Gogh com 99% de precisão, analisando a característica impasto e pincelada. Da mesma forma, pesquisadores da Universidade de Rutgers desenvolveram um sistema que examina a estrutura composicional geral da pintura, detectando falsificações, identificando elementos que se afastam da gramática visual conhecida do artista.

A IA também é usada para verificar objetos antigos como moedas, esculturas e manuscritos. Por exemplo, pesquisadores da Universidade da Califórnia, Los Angeles desenvolveu um sistema que usa tomografia de coerência óptica (TOC) e aprendizagem de máquina para testar a autenticidade de moedas antigas. A varredura OCT revela detalhes microestruturais do metal – como limites de grãos e camadas de corrosão – que são difíceis de replicar artificialmente. A IA então classifica a moeda como genuína ou falsificada com base em milhões de pontos de dados. No mundo da escultura, uma equipe da Universidade de Berna usou uma rede neural para detectar as adições de mármore moderno às estátuas romanas, analisando os padrões de intemperamento e a estrutura cristalina da pedra.

Papel da Espectroscopia e da Imagem

Técnicas espectroscópicas como espectroscopia Raman, FTIR (espetroscópio infravermelho de transformação de fourier) e fluorescência de raios X (XRF) fornecem impressões químicas de artefatos. A IA pode processar esses espectros para identificar materiais que são inconsistentes com a era reivindicada. Por exemplo, se uma pintura supostamente do século XV contém um pigmento que não foi inventado até o século XIX, a IA irá apontá-lo. O verdadeiro avanço é que a IA pode detectar padrões mais complexos – como os produtos de degradação que formam naturalmente ao longo dos séculos – além de apenas procurar elementos modernos. Isto ajuda a distinguir o envelhecimento genuíno das patinas artificialmente induzidas.

A imagem hiperespectral, que captura centenas de bandas espectrais através da superfície de um artefato, gera enormes conjuntos de dados que estão além da análise humana. Modelos de aprendizado de máquina podem treinar nessas imagens para identificar áreas de pintura, restauração ou esboços ocultos que revelam a história de um objeto. Esta técnica foi usada para autenticar papiros antigos egípcios – a IA detectou uma adição de tinta moderna que tinha sido pintada para imitar a escrita antiga – e para descobrir texto oculto em manuscritos medievais. Em um projeto notável, uma equipe da Universidade de Basileia combina imagens hiperespectrais com uma CNN para verificar a autenticidade de um manuscrito do século IX, confirmando sua origem, combinando a assinatura espectral do pavilhão com amostras conhecidas do mesmo período.

Desafios e Limitações

Apesar de sua promessa, a IA em autenticação de artefatos e datação não é uma bala de prata. Vários desafios significativos permanecem, desde restrições de dados até preocupações éticas. Compreender essas limitações é essencial para a adoção responsável da tecnologia.

Qualidade e Disponibilidade dos Dados

A limitação mais crítica é a necessidade de grandes conjuntos de dados bem marcados. Para treinar um modelo confiável, são necessários milhares de artefatos autenticados com datas ou proveniências conhecidas. Muitos museus e coleções privadas estão relutantes em compartilhar seus dados, seja por preocupações com segurança, propriedade intelectual ou medo de que os dados públicos possam ajudar a falsificar. Além disso, conjuntos de dados existentes muitas vezes contêm vieses – eles podem representar a arte de certas regiões ou períodos, levando a IA a fazer previsões ruins ao encontrar artefatos de culturas sub-representadas. Por exemplo, uma IA treinada predominantemente em cerâmica europeia pode desvirtuar uma peça cerâmica africana ou não reconhecer um artefato africano legítimo como autêntico porque falta de exemplos no conjunto de treinamento. Esforços como o Met Museum Open Access initiative estão abordando parcialmente isso, mas o desequilíbrio permanece grave.

Excesso de confiança em tecnologia

Há um perigo de que curadores e colecionadores possam confiar demais em saídas de IA sem entender suas limitações. Modelos de IA podem ser enganados por exemplos contraditórios — ligeiras modificações projetadas para causar má classificação. Um falsificador experiente poderia potencialmente explorar essas fraquezas, por exemplo, adicionando uma pequena quantidade de um pigmento correto a um objeto moderno para confundir a IA espectroscópica. A autenticação deve sempre combinar IA com análises de especialistas tradicionais, testes químicos e pesquisa de proveniência. A IA é uma ferramenta, não uma substituição. Instituições que dependem apenas de veredictos algoritmos arriscam cometer erros caros.

Bias e representatividade

Se o conjunto de treinamento contém artefatos de alto status de civilizações ricas, o modelo provavelmente será menos preciso para objetos do dia a dia de culturas menos documentadas. Isso pode reforçar o viés colonial que tem há muito atormentado a arqueologia, onde os artefatos de impérios poderosos recebem mais atenção. Os pesquisadores devem procurar ativamente diversos conjuntos de dados e desenvolver técnicas para lidar com amostras pequenas ou desequilibradas. Alguns grupos estão experimentando com poucas experiências de aprendizagem e geração de dados sintéticos para mitigar este problema, mas continua sendo uma área de pesquisa aberta.

Intuibilidade

Muitos modelos de aprendizado de máquina, especialmente redes neurais profundas, operam como “caixas negras”. Eles podem fornecer uma probabilidade ou classificação, mas não podem facilmente explicar por que chegaram a essa conclusão. Esta falta de interpretabilidade é um problema no mundo de alto risco de autenticação de arte, onde as decisões podem envolver milhões de dólares e afetar o patrimônio cultural. Um museu pode hesitar em desadesão uma peça valorizada baseada no veredicto opaco de uma rede neural. Pesquisadores estão começando a desenvolver técnicas de IA explicativas que destacam as características específicas (por exemplo, pinceladas particulares ou composição de pigmentos) que influenciaram a decisão. Por exemplo, mapas Grad-CAM podem mostrar quais áreas de uma imagem foram mais importantes para a classificação da IA, ajudando especialistas humanos a avaliar o raciocínio.

Instruções futuras

A integração da IA com outras tecnologias promete métodos ainda mais robustos para datação e autenticação. Várias tendências emergentes são susceptíveis de definir a próxima década de arqueologia digital e verificação de arte.

Blockchain para a Provença

A tecnologia Blockchain pode criar registros digitais invioláveis para artefatos, ligando os resultados de análise de IA a um livro de contabilidade permanente e público. Quando um artefato é escaneado e analisado pela IA, sua “impressão digital” – um hash dos dados de digitalização e o resultado de autenticação – pode ser armazenado em uma cadeia de bloqueios. Isso torna muito mais difícil trocar uma falsificação em uma coleção de origem. Várias startups já estão desenvolvendo tais soluções para o mercado de arte, e alguns museus estão pilotando certificados de procedência com base em cadeias de blocos. Combinados com a autenticação de IA, isso pode reduzir drasticamente a circulação de falsificações.

Bancos de Dados Crowdsourced e Open

Iniciativas como o consórcio de pesquisa “Art & AI” estão trabalhando para construir bases de dados de artefatos autenticados que pesquisadores em todo o mundo podem usar para treinar modelos. Imagens de Crowdsourcing e dados de museus, universidades e até arqueólogos amadores podem melhorar drasticamente o desempenho de IA, especialmente para culturas sub-representadas. A chave é garantir que as contribuições de dados sejam verificadas e padronizadas. Projetos como o Projeto DAI AI Arqueology já estão mostrando como bases de dados colaborativas podem acelerar a pesquisa. À medida que mais instituições se juntam, a qualidade e diversidade de dados de treinamento aumentarão, levando a sistemas de IA mais equitativos.

Modelos de Fundação Multimodal

Os futuros sistemas de IA podem ser construídos com grandes modelos de fundação pré-treinados em vastas quantidades de texto, imagens e dados espectrais. Estes modelos podem ser ajustados para tarefas específicas de datação ou autenticação com conjuntos de dados relativamente pequenos, assim como o modo como os modelos de linguagem são adaptados para novos domínios. Esses modelos também podem incorporar informações contextuais – registros históricos, relatórios de escavação e documentos de proveniência – para fornecer uma avaliação mais abrangente. Por exemplo, um modelo de fundação treinado em milhares de anos de história da arte poderia ter razão sobre o estilo, materiais e menções textuais de um artefato simultaneamente, oferecendo uma visão holística que os modelos especializados de hoje não podem corresponder.

Análise de campo em tempo real

Os dispositivos portáteis de IA estão sendo desenvolvidos para uso no campo, permitindo que arqueólogos obtenham estimativas preliminares de datação e autenticidade durante a escavação. Os espectrômetros Raman portáteis emparelhados com redes neurais on-device podem fornecer análises químicas instantâneas. Embora essas ferramentas ainda não sejam tão precisas quanto os sistemas baseados em laboratório, eles podem ajudar a priorizar quais artefatos transportar para estudos detalhados. Como a computação de borda melhora, podemos ver logo as lupas com poder de IA que podem detectar uma falsificação em segundos em uma casa de leilões ou escavação arqueológica.

Preservar o patrimônio cultural com IA responsável

À medida que a IA se torna mais profundamente inserida na arqueologia e na história da arte, as considerações éticas devem orientar o seu uso. Algoritmos devem ser projetados para evitar o reforço de vieses coloniais ou o privilégio de artefatos ocidentais. Suas realizações devem ser transparentes e auditáveis. E o objetivo final deve ser sempre preservar e entender nossa história humana compartilhada – não para substituir a experiência de historiadores e conservadores, mas para empoderá-los.I responsável também significa envolver-se com comunidades de origem, garantindo que a tecnologia não exacerba o saque ou a mercantilização do patrimônio cultural.

Na próxima década, podemos esperar que a IA se torne uma ferramenta padrão em laboratórios de museus, casas de leilões e escavações de campo. A mesma tecnologia que reconhece rostos em fotos em breve ajudará a autenticar um cálice medieval ou a datar uma antiga ânfora grega. Ao abraçar esses avanços, enquanto estamos cientes de suas limitações, podemos proteger melhor nosso patrimônio cultural – e garantir que as gerações futuras herdem tanto os artefatos quanto o conhecimento necessário para interpretá-los.

Para leitores que buscam uma exploração mais aprofundada, um estudo de 2019 em Nature Communications demonstrou como a aprendizagem profunda melhorou a precisão da datação por radiocarbono analisando camadas de sedimentos (Nature Communications, 2019).Outro artigo em Avanços científicos[[]]O conjunto de dados do Museu Metropolitano de Arte em Acesso Aberto fornece um recurso rico para o treinamento de modelos de IA (]Met Museum Open Access).Por fim, o projeto da Universidade de Zurique sobre a datação de cerâmicas ilustra como as CNNs são aplicadas a tipos de cerâmica (]Dai Project AI Archaeology).