Seit über einem Jahrhundert widersetzen sich zwei antike Schriftsysteme jedem Werkzeug, das Linguisten aufbieten konnten. Linear A, die Schrift der minoischen Zivilisation der Bronzezeit auf der griechischen Insel Kreta, ist nach wie vor völlig unentziffert. Etruskisch, das vor dem Aufstieg Roms in Italien gesprochen wurde, ist nur teilweise verstanden. Beide haben nun ernsthaftes Interesse von künstlicher Intelligenz auf sich gezogen. Die bisherigen Ergebnisse offenbaren etwas Wichtiges: nicht etwa, was KI leisten kann, sondern wo genau die Grenze zwischen Mustererkennung und Bedeutung verläuft.
Die Hypothese kommt zuerst, die Maschine als Zweites
Ein aktueller Fall veranschaulicht diese Dynamik deutlich. Im Juni 2026 schlug ein autodidaktischer KI-Engineer und Amateurlinguist einen potenziellen Durchbruch bei Linear A vor. Der Ausgangspunkt war eine einzige menschliche Vermutung: dass ein unbekanntes Wort in einer Gebetsinschrift von einer semitischen Wurzel stammen könnte, die „wohnen“ oder „leben“ bedeutet. Ausgehend von dieser Hypothese wurden mit KI erstellte Skripte verwendet, um das vorgeschlagene Klangmuster an einem gesammelten Korpus von Linear A-Zeichen zu testen. Das Ergebnis war eine Zuweisung von Werten zu 40 Zeichen und ein zusammengestelltes Lexikon von 408 Wörtern, was in der Interpretation des Forschers nahelegt, dass Linear A zur semitischen Sprachfamilie gehört, zu der auch Hebräisch und Aramäisch zählen.
Genau hier irren sich die meisten Berichte über KI und antike Sprachen. Die KI hat die Idee nicht generiert. Sie hat eine getestet. Dieser Unterschied ist enorm wichtig. Was die Technologie beisteuerte, war Geschwindigkeit: das Abgleichen einer menschlichen Hypothese mit Tausenden von Zeichen in einem Bruchteil der Zeit, die eine manuelle Überprüfung erfordern würde. Diese Arbeitsteilung – menschliche Intuition steuert die maschinelle Verifikation – ist das Muster, das man hier verstehen muss, und nicht die spezifische Behauptung, die weiterhin geprüft wird.
Wo die Obergrenze liegt und warum sie real ist
KI bringt echte Stärken in diese Art von Problem ein. Die groß angelegte Musterprüfung ist eine davon. Ein Modell kann ein gesamtes Archiv nach wiederholten Sequenzen durchsuchen, die dem menschlichen Auge entgehen würden, und es kann beschädigte oder fragmentarische Inschriften wiederherstellen, indem es wahrscheinlich fehlende Zeichen vorhersagt. Es gibt auch eine Technik namens Cross-Lingual Transfer, bei der ein auf eine bekannte Sprache trainiertes Modell manchmal die strukturellen Muster einer eng verwandten, unbekannten Sprache ableiten kann. Die Analogie ist intuitiv: Wer Spanisch kann, versteht Portugiesisch teilweise. Forscher haben diesen Ansatz erfolgreich auf Ugaritisch angewendet, eine ausgestorbene semitische Sprache, die während der späten Bronzezeit (etwa zwischen 1300 und 1190 v. Chr.) in der antiken Küstenstadt Ugarit im heutigen Syrien gesprochen wurde. Da die Sprachfamilie des Ugaritischen bereits bekannt war, existierte der Anker.
Linear A und Etruskisch sind genau deshalb schwieriger, weil dieser Anker fehlt oder unvollständig ist. Statistischer Musterabgleich kann keine Bedeutung aus dem Nichts erzeugen. Er braucht einen Bezugspunkt – eine bekannte Sprachfamilie oder einen zweisprachigen Text –, um sinnvolle Muster von Zufällen zu unterscheiden. Das gesamte überlebende Korpus von Linear A umfasst etwa 7.500 Zeichen und ist damit kurz genug, um auf einen einzigen Bildschirm zu passen. Bei so wenigen Daten kann fast jede Hypothese verstreute Übereinstimmungen finden, die sie stützen. Dies ist keine Einschränkung aktueller KI models. Es ist ein strukturelles Problem, das durch keine Erhöhung der Rechenleistung gelöst wird.
Theoretisch könnte ein Modell in Linear A fließend genug werden, um wiederholte Muster und strukturelle Einheiten zu erkennen, und sich sogar einer begrenzten Form der Interaktion nach eigenen statistischen Maßstäben annähern. Aber Fließfähigkeit und Bedeutung sind nicht dasselbe. Das Modell kann lernen, welche Zeichen auf welche folgen und welche Wörter zusammengeclustert sind, ohne jemals zu wissen, worauf sich eines davon tatsächlich bezieht. Um einem Menschen eine Übersetzung zu übergeben, ist etwas erforderlich, worauf das Modell keinen Zugriff hat.
Warum uns das etwas Grösseres über die Rolle von KI verrät
Das Entzifferungsproblem ist eine nützliche Linse, um über die tatsächliche Position von KI in der Wissensarbeit nachzudenken. Die Technologie beschleunigt. Sie komprimiert Jahre manuelle Querverweise in Minuten. Sie ermöglicht es mehr Menschen, sich an Problemen zu versuchen, die institutionelle Ressourcen zuvor unerreichbar machten. Das sind echte Beiträge.
Aber Beschleunigung ist nicht dasselbe wie Lösung. Die beiden Zutaten, die eine Entzifferung seit jeher erfordert, bleiben unverändert: ein echter vergleichender Anker und eine strenge menschliche Überprüfung, die in der Lage ist, einen echten Durchbruch von einem ansprechenden Zufall zu unterscheiden. KI liefert keines von beidem. Sie agiert dazwischen und erledigt die Volumensarbeit, die Menschen nicht im großen Stil leisten können, während Menschen das Urteil darüber behalten, was die Muster tatsächlich bedeuten.
Die Verifizierung jeder KI-gestützten Behauptung über eine unentzifferte Sprache ist zudem auf eine Weise strukturell schwierig, für die es keine einfache Lösung gibt. Normalerweise würde eine vorgeschlagene Übersetzung mit Muttersprachlern, anderen Texten oder einem über Jahrzehnte aufgebauten Expertenkonsens abgeglichen. Nichts davon existiert für Linear A oder Etruskisch. Die einzige verfügbare Prüfung ist die unabhängige Expertenüberprüfung und das Peer-Review. Aus diesem Grund sind „KI hat ein Muster gefunden“ und „KI hat die richtige Bedeutung gefunden“ sehr unterschiedliche Behauptungen – und warum die Kluft dazwischen in der Berichterstattung leicht verschwimmt, wenn diese sich auf die Ankündigung statt auf die Epistemologie konzentriert.
Kurz gesagt
KI ist ein echter Beschleuniger für das Studium unentzifferter Sprachen. Sie kann Hypothesen in großem Maßstab testen, Muster über große Korpora hinweg erkennen und diese Probleme für mehr Forscher zugänglich machen. Was sie nicht tun kann, ist den Anker zu liefern, den eine Entzifferung erfordert: einen bekannten sprachlichen Verwandten, einen zweisprachigen Text oder einen verifizierten vergleichenden Rahmen. Linear A und Etruskisch bleiben ungelöst, nicht weil die Werkzeuge unzureichend waren, sondern weil der fundamentale Bezugspunkt noch nicht existiert. Solange das so ist, ist die Rolle der KI in diesem Bereich die eines sehr schnellen Forschungsassistenten, der an einem Problem arbeitet, das nach wie vor einen Menschen erfordert, um die richtige Frage zu formulieren.
Basierend auf Berichten von Ars Technica.