Μόλις κυκλοφόρησε στη σειρά Quaderni di Vicino Oriente του Πανεπιστημίου Sapienza της Ρώμης, η μελέτη του Lorenzo Nigro με τον τίτλο Archaeology & Artificial Intelligence (Ρώμη 2026, ISBN 978-88-98154-30-2, διαθέσιμο και σε ανοιχτή πρόσβαση). Πρόκειται για ένα σύντομο αλλά πυκνό βιβλίο —ένα είδος μεθοδολογικού «pamphlet», όπως το χαρακτηρίζει ο ίδιος ο συγγραφέας— που επιχειρεί να χαρτογραφήσει με νηφαλιότητα τη σχέση ανάμεσα στην αρχαιολογική έρευνα και στα εργαλεία της τεχνητής νοημοσύνης, αποφεύγοντας τόσο τους ενθουσιώδεις τεχνολογικούς διθυράμβους όσο και τη φοβική απόρριψη. Σε δέκα κεφάλαια, ο Nigro εξετάζει τα κύρια πεδία εφαρμογής της ΤΝ στην αρχαιολογία (τηλεπισκόπηση και LiDAR, ταξινόμηση κεραμικής, τρισδιάστατη ανασύνθεση, ρομποτική σε χώρους όπως η Πομπηία, γενετική ΤΝ), αναγνωρίζει τα πραγματικά πλεονεκτήματα που προσφέρει στη διαχείριση μεγάλων συνόλων δεδομένων, αλλά επιμένει στους επιστημολογικούς, δεοντολογικούς και πολιτικούς κινδύνους: το πρόβλημα του «black box», τη μεροληψία των δεδομένων εκπαίδευσης, την ψευδή αντικειμενικότητα του αλγοριθμικού αποτελέσματος, τον κίνδυνο να παγιωθούν ως οριστικές οι προσωρινές ταξινομήσεις της έρευνας.
Ιδιαίτερο ενδιαφέρον για όσους εργαζόμαστε στο πεδίο των βιβλικών σπουδών, της επιγραφικής και της ιστορίας του αρχαίου κειμένου παρουσιάζει το υποκεφάλαιο για την εφαρμογή της ΤΝ στην επιγραφική, την παλαιογραφία και τη φιλολογική ανάλυση (3.6). Ο Nigro παρουσιάζει με σαφήνεια τη διαδοχή των εμβληματικών project του DeepMind και της ερευνητικής ομάδας γύρω από τη Thea Sommerschield: το Pythia (2019) για την αποκατάσταση χαμένων χαρακτήρων σε ελληνικές επιγραφές, το Ithaca (Nature 2022) που συμπεριέλαβε τη γεωγραφική και χρονολογική ταυτοποίηση, και πρόσφατα το Aeneas (Nature 2025) για τη ένταξη λατινικών επιγραφών στη συνάφειά τους με πολυτροπικό γενετικό μοντέλο. Ξεχωριστό τμήμα αφιερώνεται στα αποτελέσματα της ΤΝ στα χειρόγραφα του Κουμράν —υπολογιστική παλαιογραφία, αποκατάσταση κενών, χρονολόγηση με βάση τη γραφή (Assael et al. 2022· Popović et al. 2025)— καθώς και στη σφηνοειδή γραφή, όπου οι εφαρμογές machine learning έχουν ήδη αρχίσει να βοηθούν στην αποκατάσταση αποσπασματικών και βαβυλωνιακών πινακίδων. Ο συγγραφέας είναι ωστόσο προσεκτικός: σε όλες αυτές τις περιπτώσεις, τονίζει, η ΤΝ λειτουργεί καλύτερα, όταν οργανώνει την πολυπλοκότητα των κειμενικών δεδομένων και προτείνει χρήσιμους συνδυασμούς, όχι όταν επιχειρεί να υποκαταστήσει τη φιλολογική και ιστορική κρίση του ειδικού. Το αρχαίο κείμενο —αποσπασματικό, φθαρμένο— δεν είναι ένα απλό παζλ χαρακτήρων: είναι ένα τεκμήριο δεμένο με μια γλώσσα, μια παράδοση ιδεών και αξιών, ένα υλικό μέσο, μια ιστορική γεωγραφία, και έναν ερμηνευτικό ορίζοντα που η μηχανή μπορεί μόνο να βοηθήσει να εξερευνηθεί. Η παρατήρηση αυτή αφορά άμεσα και όποιον εργάζεται με τα χειρόγραφα των βιβλικών κειμένων, τη χριστιανική επιγραφική, ή —γιατί όχι— σε ψηφιακές εκδόσεις της Καινής Διαθήκης στο πλαίσιο ερευνητικών προγραμμάτων.
Η κεντρική θέση του βιβλίου είναι σαφής και μάλλον παρηγορητική για όσους από εμάς εργαζόμαστε σε ιστορικές και ερμηνευτικές επιστήμες: η ΤΝ μπορεί να αποτελέσει ένα ισχυρό «λειτουργικό βοηθό» της αρχαιολογικής και φιλολογικής εργασίας, ποτέ όμως υποκατάστατο της ιστορικής κρίσης. Ο Nigro διακρίνει εύστοχα, με όρους δανεισμένους από την αρχαία ελληνική φιλοσοφία, ανάμεσα στον νοῦ της ανθρώπινης νοημοσύνης και τη μίμησιν των σημερινών μοντέλων, προτείνοντας μάλιστα να μιλάμε —προς το παρόν τουλάχιστον— για «Representative Intelligence» παρά για πραγματική νοημοσύνη. Στο τελευταίο κεφάλαιο εισάγει την ενδιαφέρουσα έννοια του «πολιτισμικού γονιδιώματος» (cultural genome), ως εναλλακτική στις γραμμικές περιοδολογήσεις, υποστηρίζοντας ότι εκεί ακριβώς —στην αναγνώριση σύνθετων δικτύων σχέσεων ανάμεσα σε ετερογενή δεδομένα— η ΤΝ μπορεί πράγματι να βοηθήσει τον αρχαιολόγο να γράψει ιστορία. Ένα βιβλίο που συνιστώ θερμά σε όποιον ενδιαφέρεται για τη μεθοδολογία και την επιστημολογία των ιστορικών σπουδών —αρχαιολογικών, επιγραφικών, βιβλικών— στην εποχή των μεγάλων γλωσσικών μοντέλων.
Lorenzo Nigro, Archaeology & Artificial Intelligence. Quaderni di Vicino Oriente XVII (Sapienza Univ.: Rome 2026), ISBN 978-88-98154-30-2
-------------
[ENG]
Just published in the Quaderni di Vicino Oriente series of Sapienza University of Rome is Lorenzo Nigro's study Archaeology & Artificial Intelligence (Rome 2026, ISBN 978-88-98154-30-2, also available in open access). It is a short but dense book — a kind of methodological "pamphlet", as the author himself describes it — which attempts to map out soberly the relationship between archaeological research and the tools of artificial intelligence, avoiding both enthusiastic technological dithyrambs and phobic rejection. In ten chapters, Nigro examines the main fields of AI application in archaeology (remote sensing and LiDAR, pottery classification, 3D reconstruction, robotics at sites such as Pompeii, generative AI), recognises the real advantages it offers for the management of large datasets, but insists on the epistemological, ethical, and political risks: the "black box" problem, bias in training data, the false objectivity of algorithmic output, and the danger that the provisional classifications of research may become fixed as definitive.
Of particular interest to those of us working in biblical studies, epigraphy, and the history of ancient texts is the subsection on the application of AI to epigraphy, palaeography, and philological analysis (3.6). Nigro clearly traces the succession of the landmark projects developed by DeepMind and the research group around Thea Sommerschield: Pythia (2019) for the restoration of lost characters in Greek inscriptions, Ithaca (Nature 2022), which added geographical and chronological attribution, and, more recently, Aeneas (Nature 2025) for the contextualisation of Latin inscriptions through a multimodal generative model. A separate section is devoted to the results of AI on the Qumran scrolls — computational palaeography, restoration of lacunae, dating based on handwriting analysis (Assael et al. 2022; Popović et al. 2025) — as well as to cuneiform, where machine learning applications have already begun to assist in the restoration of fragmentary Babylonian tablets. The author is nonetheless cautious: in all these cases, he stresses, AI works best when it organises the complexity of textual data and suggests useful combinations, not when it attempts to replace the philological and historical judgement of the specialist. The ancient text — fragmentary, damaged — is not a simple puzzle of characters: it is a document bound to a language, a tradition of ideas and values, a material support, a historical geography, and an interpretive horizon that the machine can only help to explore. This observation bears directly on anyone working with biblical manuscripts, Christian epigraphy, or — why not — digital editions of the New Testament within research projects.
The book's central thesis is clear and rather reassuring for those of us working in the historical and interpretive disciplines: AI can become a powerful "operational assistant" in archaeological and philological work, but never a substitute for historical judgement. Nigro draws a felicitous distinction, borrowing terms from ancient Greek philosophy, between the νοῦς of human intelligence and the μίμησις of current models, even suggesting that — at least for the time being — we should speak of "Representative Intelligence" rather than of genuine intelligence. In the final chapter he introduces the intriguing notion of the "cultural genome", as an alternative to linear periodisations, arguing that it is precisely there — in the recognition of complex networks of relations among heterogeneous data — that AI may truly help the archaeologist to write history. A book I warmly recommend to anyone interested in the methodology and epistemology of historical studies — archaeological, epigraphic, biblical — in the age of large language models.
Lorenzo Nigro, Archaeology & Artificial Intelligence. Quaderni di Vicino Oriente XVII (Sapienza Univ.: Rome 2026), ISBN 978-88-98154-30-2
Δεν υπάρχουν σχόλια:
Δημοσίευση σχολίου