Google DeepMind veröffentlicht Aeneas, ein Open-Source-Modell zur Interpretation lateinischer Inschriften

Drei getrennte Historiker-Aufgaben in einem Modell

Aeneas wird als generatives Modell beschrieben, das Historikern hilft, fragmentierte antike Texte zu interpretieren, zuzuordnen und zu restaurieren. Das sind drei unterschiedliche Aufgaben. Restaurierung bedeutet, Lücken zu schließen, wo Stein oder Papyrus verloren gegangen sind. Zuordnung bedeutet, eine Inschrift einem Ort und einer Zeit zuzuweisen. Und das Modell sucht zudem nach Parallelen – Texten, die Wortlaut, Syntax, standardisierte Formeln oder Herkunft teilen.

Bemerkenswert ist, dass Google DeepMind alle drei Aufgaben in ein einziges System integriert hat, statt getrennte Werkzeuge auszuliefern. Die Parallelsuche insbesondere ist ein Recherche-Workflow, keine Vorhersageaufgabe: Sie liefert vergleichbare Inschriften, über die ein Historiker nachdenken kann, statt eine einzelne Antwort zu liefern, die man akzeptieren oder verwerfen muss.

Multimodale Eingabe und ein Latein-first-Ansatz

Die Quelle gibt an, dass Aeneas multimodale Eingaben verarbeitet – sowohl Text als auch Bilder. Das ist für die Epigraphik von Bedeutung, da das physische Layout, die Schriftzüge und die Beschädigungen einer gemeißelten Oberfläche Informationen enthalten, die die reine Transkription nicht liefert. Ein Bild zusammen mit einer teilweisen Transkription einzuspeisen, kommt der tatsächlichen Arbeitsweise eines Historikers näher als eine reine Textrestaurierung.

Das Modell wurde mit Latein trainiert und durchsucht Tausende lateinischer Inschriften. Der Ankündigung zufolge setzt es einen neuen Stand der Technik in diesem Bereich. DeepMind erklärt zudem, Aeneas könne auf andere antike Sprachen, Schriftsysteme und Medien angepasst werden, von Papyri bis hin zu Münzprägungen. Diese Anpassungsfähigkeit wird behauptet, aber in diesem Text nicht belegt – das konkrete Ergebnis, das vorliegt, bezieht sich auf Latein.

Die Vertriebsentscheidung: gehostete App plus offener Code

Der Plattform-Aspekt zeigt sich hier in der Art, wie Aeneas ausgeliefert wird. Es gibt zwei Zugangswege gleichzeitig. Eine interaktive Version ist unter predictingthepast.com verfügbar, kostenlos für Forschende, Studierende und Lehrkräfte. Separat dazu sind Code und Datensatz Open Source, und die zugrunde liegende Methode ist in Nature veröffentlicht.

Diese Kombination bedient zwei Zielgruppen, ohne eine Entscheidung zu erzwingen. Ein Klassenzimmer oder ein praktizierender Historiker kann das Web-Tool ohne jede Infrastruktur nutzen. Ein Labor, das das Modell für Griechisch, Papyri oder Münzprägungen neu trainieren möchte, kann den offenen Code und Datensatz dafür verwenden. Die Veröffentlichung des Datensatzes – nicht nur der Gewichte oder einer Demo – ist der Teil, der die Behauptung der Anpassbarkeit an andere Sprachen umsetzbar statt bloß wünschenswert macht.

Warum eine eng gefasste, werkzeugförmige Veröffentlichung das Interessante ist

Aeneas ist kein allgemeines Modell, das für eine Demo umgewidmet wurde; es ist um die spezifische Struktur der Arbeit einer einzelnen Disziplin herum aufgebaut – restaurieren, zuordnen, Parallelen finden – und wird als etwas ausgeliefert, das ein Historiker im Browser öffnen kann. Die Implikation für Teams, die angewandte KI entwickeln, lautet: Die nützliche Einheit war hier nicht die rohe Leistungsfähigkeit, sondern die Passung zwischen den Ausgaben des Modells und einem bestehenden Experten-Workflow, gestützt durch einen offenen Datensatz, der es anderen ermöglicht, ihn über Latein hinaus zu erweitern.