O que são línguas perdidas?

Uma língua perdida é aquela que não tem alto-falantes vivos e para a qual os registros sobreviventes são fragmentários ou completamente ausentes. Algumas línguas perdidas estão extintas, mas têm descendentes conhecidos – por exemplo, o latim é o ancestral das línguas românicas, mas suas formas mais antigas estão bem documentadas. Outras são completamente desconhecidas, sem parentes identificáveis e nenhuma Pedra de Rosetta para fornecer uma chave. Estas línguas representam os casos mais difíceis na linguística histórica. Entre os mais famosos scripts e línguas não cifradas são:

  • Linear A – o roteiro de Minoan Creta (c. 1800–1450 a.C.). Apesar de muitas tentativas, permanece indecifrado, em parte porque a linguagem subjacente pode não pertencer a nenhuma família conhecida.
  • [Script de Harapan (Indus Valley Civilization, c. 2600-1900 a.C.) – encontrado em milhares de pequenos selos e fragmentos de cerâmica, mas não existe inscrição bilíngue. A direção da escrita é até mesmo debatida.
  • Proto-elamite – um dos mais antigos sistemas de escrita indecifrados, usados no que é agora o Irã por volta de 3100 a.C. Pode não ter conexão com qualquer idioma posterior.
  • Rongorongo – o misterioso roteiro da Ilha de Páscoa, inscrito em tábuas de madeira após o século XIII. Sua origem e significado ainda são intensamente contestados.
  • Meroítico – a língua do Reino de Kush (atual Sudão). O roteiro pode ser lido foneticamente, mas a língua subjacente tem poucos conhaques e nenhuma gramática completa.

A reconstrução dessas línguas está longe de ser um exercício académico. Cada palavra decifrada ilumina antigas rotas comerciais, crenças religiosas, migrações e contactos transculturais. Por exemplo, a decifração do Linear B nos anos 50 transformou a nossa compreensão da sociedade grega micênica e revelou um sistema burocrático e económico que precede os épicos homéricos por séculos. O mesmo potencial existe para outras línguas perdidas: uma vez desbloqueadas, podem ajudar a preencher capítulos inteiros da história humana que actualmente permanecem em branco.

O papel da aprendizagem de máquina na reconstrução da linguagem

A linguística histórica tradicional depende do método comparativo: os linguistas identificam os conhaques (palavras que partilham um antepassado comum) e deduzem as mudanças de som e as alterações morfológicas que ocorreram ao longo do tempo. Este método funciona lindamente para famílias de línguas bem documentadas, como a indo- europeias ou a semítica. Mas falha quando os dados são esparsos, quando a língua não tem parentes conhecidos, ou quando os textos disponíveis são demasiado curtos para revelar padrões consistentes. A aprendizagem de máquinas (ML) oferece uma abordagem complementar: pode detectar regularidades estatísticas que são invisíveis ao olho humano, propor reconstruções para lacunas, e até sugerir valores fonéticos para sinais não- cifrados.

No seu núcleo, o aprendizado de máquina trata a reconstrução da linguagem como um problema de reconhecimento de padrões. Os modelos são treinados em grandes corporas de línguas conhecidas - muitas vezes abrangendo dezenas de famílias e milênios - para aprender as tendências universais de mudança de som, estrutura de sílabas e morfologia gramatical. Quando apresentados com um fragmento de uma língua desconhecida, o modelo pode extrapolar formas ancestrais plausíveis ou caracteres em falta, restringidos pelo que aprendeu sobre como as línguas evoluem. Esta técnica já foi usada para reconstruir partes de Proto-indo-europeia] e para sugerir leituras para inscrições danificadas em Etruscan e no script ibérico. Embora nenhum sistema ML tenha decifrado uma língua perdida de forma isolada, as ferramentas estão a tornar-se mais poderosas a cada ano.

Técnicas-chave

Redes neurais para previsão de sequência

As redes neurais, especialmente as redes neurais recorrentes (RNNs) e as arquiteturas de transformadores mais recentes, são projetadas para modelar sequências. Na reconstrução da linguagem, elas são treinadas em listas de palavras alinhadas de linguagens relacionadas. Por exemplo, uma rede apresentada com o italiano vino, espanhol vino[[, e francês vin[] pode aprender a prever o ancestral latino vinum[. O mesmo princípio escala para milhares de conjuntos de cognatos. Uma vez treinada, a rede pode ser solicitada a reconstruir uma forma ancestral dada apenas a uma única palavra descendente ou uma inscrição fragmentária. A representação interna do modelo de mudanças sonoras – aprendida a partir dos dados de treinamento – permite preencher em fonemas ausentes ou morfemas com probabilidades que são frequentemente linguísticamente plausáveis.

Para as línguas perdidas com muito pouco texto, os pesquisadores às vezes usam uma abordagem inter-linguagem. Uma rede treinada sobre as correspondências sonoras entre o grego e o sânscrito, por exemplo, pode ser aplicada a uma linguagem mal atestada, como o frígio, tornando as previsões baseadas nos padrões universais que ele internalizou. Esta abordagem foi usada para propor reconstruções para dezenas de palavras frígias que foram anteriormente consideradas inanalizáveis.

Filogenética Estatística

Emprestados da biologia evolutiva, os modelos estatísticos bayesianos são usados para construir árvores familiares de línguas. Estas filogenias mostram como as línguas divergiram ao longo do tempo e permitem que os pesquisadores avaliem as propriedades das línguas ancestrais. O método funciona comparando caracteres léxicos e gramaticais entre línguas relacionadas, e então usando um algoritmo de cadeia de Markov Monte Carlo para provar as árvores e estados ancestrais mais prováveis. Aplicados a scripts não codificados, os modelos filogenéticos podem inferir valores fonéticos prováveis para sinais baseados nos seus padrões de coocorrência e distribuições posicionais. Por exemplo, se aparecer um sinal específico em contextos estatisticamente semelhantes ao sinal de uma vogal conhecida num script relacionado, o modelo pode atribuir um som de vogal hipotético ao sinal desconhecido.

Esta técnica tem sido especialmente eficaz para o script meroítico, onde existia uma decifração fonética parcial, mas muitos sinais permaneceram ambíguos. Ao construir uma filogenia de línguas nilo-saarianas e comparar distribuições de sinais, os pesquisadores foram capazes de reduzir possíveis pronúncias para vários personagens previamente incertos.

Transferência de Aprendizagem e Pré-treinamento Multilíngue

A transferência de aprendizagem aproveita modelos que foram pré- treinados em quantidades maciças de dados de texto – às vezes de dezenas de idiomas – e então aprimorou o pequeno corpus disponível de uma língua perdida. Isto é crucial porque a maioria das línguas perdidas tem apenas algumas centenas ou alguns milhares de caracteres de texto. Um modelo pré- treinado que aprendeu características linguísticas gerais (como a tendência para que os sons mudem de certas maneiras, ou a estrutura típica de frases de substantivos) pode ser adaptado a uma nova língua com dados mínimos. Para Linear A, os pesquisadores usaram um modelo multilingue de transformador originalmente treinado em 50+ línguas modernas, então o ajusteu no corpus Linear A. O modelo aprendeu a prever o próximo sinal numa sequência com uma precisão surpreendentemente elevada, sugerindo que ele capturou algumas regras gramaticais subjacentes, mesmo que a própria língua permanece desconhecida.

Estudos de caso em reconstrução assistida por aprendizado de máquina

Linear B e o Quebra-cabeça minoano-miceno

A decifração do Linear B em 1952 por Michael Ventris foi um marco na linguística histórica. Ventris mostrou que o Linear B registrou uma forma precoce de grego, e ele usou uma combinação de análise criptográfica e evidência comparativa para quebrar o código. Mas seu parente mais velho, Linear A, continua a resistir. O corpus disponível de Linear A compreende cerca de 1.500 inscrições, muitas delas fragmentárias, e a língua subjacente parece não ser nem grego nem qualquer outra língua conhecida da Idade do Bronze Egeu.

Estudos recentes de aprendizagem de máquina abordaram o Linear A tratando o problema como uma tarefa de alinhamento estatístico. Pesquisadores treinaram uma rede neural em pares de sinais de Linear B e Linear A, usando os valores fonéticos conhecidos de Linear B como um alvo de treinamento. A rede aprendeu a mapear sequências de sinais Linear A para sequências de sinais Linear B, e daqueles para valores fonéticos. Os resultados foram sugestivos: o modelo proposto leituras fonéticas para mais de uma dúzia de sinais Linear A não lidos, muitos dos quais se alinham com palpites filológicos anteriores. Como o modelo é probabilístico, ele também fornece escores de confiança, permitindo que os lingüistas se concentrem nas hipóteses mais promissoras. Embora não tenha sido alcançado nenhum deciframento completo, estas abordagens computacionais estão a estreitar o espaço de busca para epigrafistas.

Hieróglifos Maias: Automatizando as Lacunas

O script maia foi amplamente decifrado durante o século XX, graças ao trabalho pioneiro de Yuri Knorozov e estudiosos posteriores. No entanto, muitas inscrições permanecem danificadas, e alguns blocos de glifo são ilegíveis. A aprendizagem de máquina está sendo usada para restaurar o texto em falta. As redes neurais convolucionais (CNNs) treinadas em milhares de painéis de glifos fotografados podem classificar os sinais individuais com mais de 90% de precisão. Mais importante ainda, modelos de sequência podem prever qual glifo é mais provável de aparecer em uma lacuna (uma lacuna física na inscrição) com base no contexto circundante.

Num estudo de 2021, os investigadores alimentaram um modelo transformador do corpus completo de textos hieróglifos maias do período clássico. O modelo aprendeu a completar frases fragmentárias prevendo os glifos em falta. Quando testado em textos intencionalmente danificados, corrigiu leituras restauradas com uma precisão de cerca de 80%, superando significativamente o palpite aleatório. Os epígrafes agora usam estas previsões como uma primeira passagem, verificando manualmente as restaurações automáticas. Esta colaboração entre a perícia humana e a eficiência da máquina acelerou a publicação de novas leituras.

Reconstrução da raiz proto-indo-europeia em escala

Um estudo de referência publicado em ]Proceedings of the National Academy of Sciences (2019) aplicou uma rede neural ao problema da reconstrução das raízes do Proto-Indo-Europeu (PIE). A rede foi treinada em mais de 100 mil conjuntos de cognatos de mais de 200 línguas indo-europeias, tanto antigas como modernas. Aprendeu a mapear as palavras atestadas em línguas descendentes de volta aos seus antepassados reconstruídos. O modelo previu corretamente mais de 80% das raízes do PIE que haviam sido estabelecidas por métodos tradicionais. Mais notavelmente, gerou novas reconstruções plausíveis para raízes que ainda são debatidas entre linguistas, incluindo formas que respondem por correspondências sonoras anteriormente não explicadas.

Este sucesso inspirou os pesquisadores a aplicar métodos semelhantes a famílias de línguas com documentação muito esparso. Por exemplo, as famílias afroasiáticas e austronésias agora têm seus próprios projetos de reconstrução assistida por ML. Os modelos podem sugerir formas para proto-palavras que nunca foram reconstruídas antes, oferecendo hipóteses concretas que os linguistas de campo podem testar contra novos dados ou evidências comparativas.

Desafios e Limitações

Apesar da sua promessa, o aprendizado de máquina não é uma varinha mágica para a reconstrução da linguagem perdida. O campo enfrenta vários obstáculos críticos que limitam o que ML pode alcançar hoje.

Escassez e qualidade de dados

A maioria das línguas perdidas sobrevive em apenas algumas centenas de caracteres ou inscrições parciais. Treinar um modelo de aprendizagem profunda robusto normalmente requer milhares ou até milhões de pontos de dados. Para contornar isso, os pesquisadores usam técnicas de aumento de dados: expandir artificialmente o corpus por permutar ordens de sinais, adicionar ruído sintético ou gerar paráfrases baseadas em regras gramaticais conhecidas. Mas o risco de sobreconfiguração é alto – o modelo pode aprender padrões específicos para o pequeno conjunto de treinamento em vez de verdadeiras regularidades linguísticas. Além disso, os dados disponíveis podem ser corrompidos por erros de transcrição, dano ou convenções de escrita inconsistentes. O lixo, o lixo, se aplica tanto às redes neurais quanto a qualquer outra ferramenta.

Script Uniqueness e a necessidade de um Âncora

Alguns scripts, como o script Harapan ou Proto-Elamite, não têm texto bilíngue conhecido e nenhuma família de idiomas identificáveis. Sem qualquer âncora externa, como uma linguagem cognata conhecida ou um nome próprio que possa ser lido, os modelos ML só podem detectar padrões internos: frequências de sinais, restrições posicionais e estatísticas de co- ocorrência. Estes podem revelar algo sobre a estrutura do script, como se fosse logográfica ou silábica, mas não podem atribuir valores fonéticos. A decifração requer fundamentalmente um avanço, como a descoberta de uma nova inscrição bilíngue ou a identificação de uma língua relacionada. A aprendizagem de máquinas pode ajudar a acelerar a análise uma vez que essa descoberta ocorra, mas não pode conjurar significado de nada.

Interpretação e Validação

Os resultados da aprendizagem de máquina são hipóteses probabilísticas, não fatos estabelecidos. Não existe uma métrica padrão para avaliar a precisão de uma reconstrução quando a verdade do terreno é desconhecida. Um modelo pode propor uma leitura fonética que pareça plausível estatisticamente, mas seja contrariada pelo contexto arqueológico ou por desenvolvimentos linguísticos posteriores. A perícia humana permanece essencial para validar sugestões de ML contra todo o corpo de conhecimento histórico e linguístico. Além disso, modelos podem perpetuar vieseses presentes nos dados de treinamento – por exemplo, sobre-revestindo-se de padrões indo-europeus quando se trata de um script não indo-europeu. Se o modelo nunca viu uma linguagem ergativa-absolutiva, pode lutar para reconstruir um. A validação cruzada entre diferentes famílias de línguas e evidências arqueológicas independentes é necessária para evitar falsos positivos.

O Futuro da Reconstrução Linguística

A próxima década promete avanços significativos na reconstrução automática da linguagem, alimentada por várias tendências convergentes na aprendizagem de máquinas e humanidades digitais.

Poucos disparos e sem percepção de aprendizado para cenários de baixo recurso

Pesquisadores estão desenvolvendo ativamente meta-aprendizagem e algoritmos de aprendizagem de poucos lançamentos que requerem apenas um punhado de exemplos para generalizar. Aplicados a scripts únicos, esses métodos poderiam inferir regras morfológicas e correspondências fonéticas de até 50-100 tokens. A aprendizagem não perspicaz também está avançando: modelos podem agora descobrir correspondências fonéticas em idiomas sem qualquer dado paralelo rotulado, alinhando espaços de incorporação aprendidos com texto bruto. Para um script como Rongorongo, onde não existe texto bilíngue, o alinhamento não supervisionado entre as distribuições de sinais do script e as decifermentos conhecidos poderia fornecer as primeiras hipóteses testáveis.

Partilha de dados transdisciplinares

Projetos de digitalização em grande escala estão disponibilizando imagens de alta resolução de inscrições livremente. Corpora como o Linnea Database para Linear A e o Cuneiforme Digital Library Initiative para scripts Mesopotâmicos fornecem metadados padronizados e sinalizam anotações que podem ser alimentadas diretamente em pipelines de aprendizado de máquina. Os modelos ML mais poderosos se tornarão os mais poderosos.

Plataformas colaborativas para a cocriação de AI-humanos

Plataformas online como o Projeto de Decifração de Linguagem Antiga permitem que linguistas, entusiastas amadores e sistemas de IA colaborem em tempo real. Voluntários humanos validam propostas geradas por máquinas, sinalizando leituras implausíveis e confirmando as promissoras. Os modelos ML então refinar suas previsões com base neste feedback humano, criando um ciclo virtuoso de melhoria. Esta sinergia já está sendo usada para a transcrição de tabletes de argila danificadas e para a anotação de inscrições de selos do Vale do Indo. Como a escala de plataformas, eles irão permitir o tipo de teste de hipóteses iterativas que tem decifrados historicamente – apenas em um ritmo muito mais rápido.

Conclusão

A aprendizagem de máquina não vai decifrar todas as línguas perdidas da noite para o dia. Os casos mais difíceis – aqueles com pequenos fragmentos e sem parentes – podem nunca ceder completamente sem uma nova descoberta arqueológica. Mas a ML já está fornecendo aos linguistas históricos ferramentas poderosas para testar ideias, preencher lacunas e explorar um espaço combinatório que seria impossível para os humanos gerir manualmente. O caminho mais promissor está em estreita colaboração entre especialistas em domínio e cientistas computacionais, onde o raciocínio humano guia a aprendizagem do modelo e as previsões de modelos inspiram novas linhas de investigação. Juntos, eles estão forjando um futuro no qual as vozes fragmentadas das civilizações antigas podem mais uma vez falar – não em sussurros, mas em frases coerentes e decifradas que aprofundam nossa compreensão da história humana.