Per oltre un secolo, due antichi sistemi di scrittura hanno resistito a ogni strumento che i linguisti potessero mettere in campo. La Lineare A, la scrittura della civiltà minoica dell’Età del Bronzo sull’isola greca di Creta, rimane completamente indecifrata. L’etrusco, parlato in Italia prima dell’ascesa di Roma, è compreso solo in parte. Entrambi hanno ora attirato una seria attenzione da parte dell’intelligenza artificiale. I risultati finora rivelano qualcosa di importante: non su ciò che l’IA può fare, ma sul confine preciso tra il riconoscimento di pattern e il significato.
L’ipotesi viene prima, la macchina arriva dopo
Un caso recente illustra chiaramente questa dinamica. Nel giugno del 2026, un ingegnere dell’IA autodidatta e linguista amatoriale ha proposto una potenziale svolta sulla Lineare A. Il punto di partenza è stato un singolo tentativo umano: l’idea che una parola sconosciuta in un’iscrizione di preghiera potesse derivare da una radice semitica che significa “dimorare” o “abitare”. Da quell’ipotesi, sono stati usati script di programmazione creati dall’IA per testare il pattern sonoro proposto su un corpus raccolto di caratteri della Lineare A. Il risultato è stato l’attribuzione di valori a 40 segni e un lessico compilato di 408 parole, suggerendo, nell’interpretazione del ricercatore, che la Lineare A appartenga alla famiglia linguistica semitica, che include l’ebraico e l’aramaico.
Questo è ciò che la maggior parte dei reportage sull’IA e le lingue antiche sbaglia. L’IA non ha generato l’idea. Ne ha testata una. La distinzione è enormemente importante. Ciò che la tecnologia ha fornito è stata la velocità: incrociare un’ipotesi umana con migliaia di caratteri in una frazione del tempo che richiederebbe una revisione manuale. Quella divisione del lavoro, l’intuizione umana che guida la verifica della macchina, è il pattern che vale la pena comprendere qui, e non la specifica affermazione, che rimane al vaglio.
Dove si trova il limite, e perché è reale
L’IA apporta punti di forza genuini a questo tipo di problema. Il test di pattern su larga scala è uno di questi. Un modello può scansionare un intero archivio alla ricerca di sequenze ripetute che un occhio umano registrerebbe come perse, e può ripristinare iscrizioni danneggiate o frammentarie prevedendo i probabili caratteri mancanti. Esiste anche una tecnica chiamata trasferimento interlinguistico, in cui un modello addestrato su una lingua nota può a volte dedurre pattern strutturali in una lingua sconosciuta ma strettamente correlata. L’analogia è intuitiva: conoscere lo spagnolo rende il portoghese parzialmente leggibile. I ricercatori hanno applicato con successo questo approccio all’ugaritico, una lingua semitica estinta parlata durante la tarda Età del Bronzo, all’incirca tra il 1300 e il 1190 a.C., nell’antica città costiera di Ugarit, nell’odierna Siria. Poiché la famiglia linguistica dell’ugaritico era già nota, l’ancora esisteva.
La Lineare A e l’etrusco sono più difficili proprio perché quell’ancora manca o è incompleta. Il pattern matching statistico non può fabbricare significato dal nulla. Ha bisogno di un punto di riferimento, di una famiglia linguistica nota o di un testo bilingue, per distinguere i pattern significativi dalla coincidenza. L’intero corpus sopravvissuto della Lineare A è di circa 7.500 caratteri, abbastanza breve da entrare in un unico schermo. Con così pochi dati, quasi qualsiasi ipotesi può trovare corrispondenze sparse a supporto. Questa non è una limitazione degli attuali modelli di IA. È un problema strutturale che nessun aumento della potenza di calcolo risolve.
Teoricamente un modello potrebbe diventare abbastanza fluente nella Lineare A da riconoscere pattern ripetuti e unità strutturali, arrivando persino ad approssimare una forma limitata di interazione secondo i propri termini statistici. Ma fluidità e significato non sono la stessa cosa. Il modello può imparare quali segni seguono quali, e quali parole si raggruppano insieme, senza mai sapere a cosa si riferisca realmente alcuno di essi. Consegnare una traduzione a un essere umano richiede qualcosa a cui il modello non ha accesso.
Perché questo ci dice qualcosa di più ampio sul ruolo dell’IA
Il problema della decifrazione è una lente utile per riflettere sull’effettiva posizione dell’IA nel lavoro intellettuale. La tecnologia accelera. Comprime anni di incroci manuali in pochi minuti. Permette a più persone di affrontare problemi che le risorse istituzionali tenevano precedentemente fuori portata. Questi sono contributi reali.
Ma l’accelerazione non è la stessa cosa della risoluzione. I due ingredienti che la decifrazione ha sempre richiesto rimangono invariati: un’autentica ancora comparativa e una rigorosa revisione umana in grado di distinguere una vera svolta da una coincidenza attraente. L’IA non fornisce nessuno dei due. Opera tra di essi, svolgendo il lavoro di volume che gli umani non possono fare su scala, mentre gli umani mantengono il giudizio su ciò che i pattern significano realmente.
Verificare qualsiasi affermazione assistita dall’IA su una lingua indecifrata è inoltre strutturalmente difficile in un modo che non ha una soluzione semplice. Normalmente, una traduzione proposta verrebbe controllata con parlanti nativi, altri testi o il consenso degli esperti costruito nel corso di decenni. Nulla di tutto ciò esiste per la Lineare A o l’etrusco. L’unico controllo disponibile è il vaglio indipendente di esperti e la peer review. Ecco perché “l’IA ha trovato un pattern” e “l’IA ha trovato il significato corretto” sono affermazioni molto diverse, ed è per questo che il divario tra di esse è facile da sfumare in un’informazione che si concentra sull’annuncio piuttosto che sull’epistemologia.
In breve
L’IA è un genuino acceleratore per lo studio delle lingue indecifrate. Può testare ipotesi su scala, individuare pattern attraverso grandi corpus e rendere questi problemi accessibili a un numero maggiore di ricercatori. Ciò che non può fare è fornire l’ancora richiesta dalla decifrazione: un parente linguistico noto, un testo bilingue o un quadro comparativo verificato. La Lineare A e l’etrusco rimangono irrisolti non perché gli strumenti siano stati insufficienti, ma perché il punto di riferimento fondamentale non esiste ancora. Finché non esisterà, il ruolo dell’IA in questo campo è quello di un assistente di ricerca molto veloce che lavora a un problema che ha ancora bisogno di un essere umano per formulare la domanda giusta.
Basato su un articolo di Ars Technica.