Por mais de um século, dois sistemas de escrita antigos resistiram a todas as ferramentas que os linguistas conseguiram aplicar. O Linear A, a escrita da civilização minoica da Idade do Bronze na ilha grega de Creta, permanece totalmente indecifrado. O etrusco, falado na Itália antes da ascensão de Roma, é apenas parcialmente compreendido. Ambos atraíram agora séria atenção da inteligência artificial. Os resultados até agora revelam algo importante: não sobre o que a IA pode fazer, mas sobre a fronteira exata entre o reconhecimento de padrões e o significado.
A Hipótese Vem Primeiro, a Máquina Vem Depois
Um caso recente ilustra a dinâmica claramente. Em junho de 2026, um engenheiro de IA autodidata e linguista amador propôs um potencial avanço no Linear A. O ponto de partida foi um único palpite humano: que uma palavra desconhecida em uma inscrição de oração poderia derivar de uma raiz semítica que significa “habitar” ou “morar”. A partir dessa hipótese, scripts de programação criados por IA foram usados para testar o padrão de som proposto em um corpus coletado de caracteres do Linear A. O resultado foi a atribuição de valores a 40 sinais e um léxico compilado de 408 palavras, sugerindo, na interpretação do pesquisador, que o Linear A pertence à família linguística semítica, que inclui o hebraico e o aramaico.
Isto é o que a maior parte da cobertura sobre IA e línguas antigas entende errado. A IA não gerou a ideia. Ela testou uma. A distinção importa enormemente. O que a tecnologia contribuiu foi velocidade: cruzar uma hipótese humana com milhares de caracteres em uma fração do tempo que uma revisão manual exigiria. Essa divisão de trabalho, a intuição humana direcionando a verificação da máquina, é o padrão que vale a pena entender aqui, e não a afirmação específica, que continua sob revisão.
Onde Fica o Limite e Por Que Ele É Real
A IA traz pontos fortes genuínos para esse tipo de problema. O teste de padrões em larga escala é um deles. Um modelo pode escanear um arquivo inteiro em busca de sequências repetidas que o olho humano deixaria escapar, e pode restaurar inscrições danificadas ou fragmentárias prevendo os caracteres ausentes prováveis. Há também uma técnica chamada transferência interlingual, onde um modelo treinado em uma língua conhecida pode, às vezes, inferir padrões estruturais em uma língua desconhecida intimamente relacionada. A analogia é intuitiva: saber espanhol torna o português parcialmente legível. Os pesquisadores aplicaram essa abordagem com sucesso ao ugarítico, uma língua semítica extinta falada durante o final da Idade do Bronze, aproximadamente entre 1300 e 1190 a.C., na antiga cidade costeira de Ugarit, na atual Síria. Como a família linguística do ugarítico já era conhecida, a âncora existia.
O Linear A e o etrusco são mais difíceis justamente porque essa âncora está faltando ou incompleta. A correspondência de padrões estatísticos não consegue fabricar significado do nada. Ela precisa de um ponto de referência, uma família linguística conhecida ou um texto bilíngue, para distinguir padrões significativos de coincidência. Todo o corpus sobrevivente do Linear A tem aproximadamente 7.500 caracteres, curto o suficiente para caber em uma única tela. Com tão poucos dados, quase qualquer hipótese pode encontrar correspondências dispersas para apoiá-la. Esta não é uma limitação dos modelos de IA atuais. É um problema estrutural que nenhum aumento no poder de computação resolve.
Teoricamente, um modelo poderia se tornar fluente o suficiente em Linear A para reconhecer padrões repetitivos e unidades estruturais, aproximando até mesmo uma forma limitada de interação em seus próprios termos estatísticos. Mas fluência e significado não são a mesma coisa. O modelo pode aprender quais sinais seguem quais, e quais palavras se agrupam, sem nunca saber a que qualquer um deles realmente se refere. Entregar uma tradução a um ser humano requer algo a que o modelo não tem acesso.
Por Que Isso Nos Diz Algo Mais Amplo Sobre o Papel da IA
O problema da decifração é uma lente útil para pensar sobre a posição real da IA no trabalho intelectual. A tecnologia acelera. Ela comprime anos de cruzamento manual de referências em minutos. Ela permite que mais pessoas tentem resolver problemas que os recursos institucionais mantinham fora de alcance anteriormente. Estas são contribuições reais.
Mas aceleração não é o mesmo que resolução. Os dois ingredientes que a decifração sempre exigiu permanecem inalterados: uma âncora comparativa genuína e uma revisão humana rigorosa capaz de distinguir um avanço real de uma coincidência atraente. A IA não fornece nenhum dos dois. Ela opera entre eles, fazendo o trabalho volumoso que os humanos não conseguem fazer em escala, enquanto os humanos retêm o julgamento sobre o que os padrões realmente significam.
Verificar qualquer afirmação auxiliada por IA sobre uma língua indecifrada também é estruturalmente difícil de uma forma que não tem solução fácil. Normalmente, uma tradução proposta seria verificada com falantes nativos, outros textos ou consenso de especialistas construído ao longo de décadas. Nada disso existe para o Linear A ou o etrusco. A única verificação disponível é o escrutínio independente de especialistas e a revisão por pares. É por isso que “a IA encontrou um padrão” e “a IA encontrou o significado correto” são afirmações muito diferentes, e por que a lacuna entre elas é fácil de borrar em coberturas que focam no anúncio em vez da epistemologia.
Em Resumo
A IA é um acelerador genuíno para o estudo de línguas indecifradas. Ela pode testar hipóteses em escala, identificar padrões em grandes corpora e tornar esses problemas acessíveis a mais pesquisadores. O que ela não pode fazer é fornecer a âncora que a decifração exige: um parente linguístico conhecido, um texto bilíngue ou uma estrutura comparativa verificada. O Linear A e o etrusco continuam sem solução não porque as ferramentas tenham sido insuficientes, mas porque o ponto de referência fundamental ainda não existe. Até que exista, o papel da IA neste campo é o de um assistente de pesquisa muito rápido trabalhando em um problema que ainda precisa de um ser humano para formular a pergunta certa.
Com base em reportagem de Ars Technica.