L’intelligenza artificiale sta diventando uno strumento sempre più concreto per lo studio delle tavolette cuneiformi provenienti dall’antica Mesopotamia, un patrimonio composto da centinaia di migliaia di reperti conservati nei musei e nelle collezioni di tutto il mondo, molti dei quali non sono ancora stati completamente traslitterati, tradotti o analizzati. Il problema non riguarda soltanto la conoscenza delle lingue antiche: i segni cuneiformi possono cambiare forma in funzione dell’epoca, dell’area geografica, della lingua utilizzata e persino della mano dello scriba, mentre molte tavolette sono danneggiate, frammentarie o difficili da leggere anche per gli specialisti.
Negli ultimi anni sono quindi stati sviluppati sistemi di computer vision e modelli linguistici capaci di affrontare fasi differenti dello stesso processo, dalla localizzazione automatica dei segni sulla superficie della tavoletta fino alla loro traslitterazione e successiva traduzione. Una delle difficoltà principali consiste nel trasformare un oggetto tridimensionale, inciso migliaia di anni fa attraverso differenti inclinazioni dello stilo, in una sequenza di simboli interpretabile da una macchina; la profondità delle incisioni, l’illuminazione, l’usura della superficie e la sovrapposizione dei segni possono infatti modificare notevolmente l’aspetto visivo della stessa unità grafica.
Tra gli approcci sviluppati per ridurre questa variabilità figura ProtoSnap, realizzato da ricercatori della Cornell University e della Tel Aviv University. Il sistema utilizza modelli di intelligenza artificiale per adattare un prototipo digitale di ciascun carattere alle deformazioni presenti sulla singola tavoletta, permettendo di ottenere copie più precise dei segni anche quando la loro forma differisce sensibilmente da quella standard. La scrittura cuneiforme comprende oltre mille caratteri e la possibilità di normalizzarne automaticamente le varianti rappresenta un passaggio importante per costruire sistemi di riconoscimento utilizzabili su collezioni molto estese.
Nel 2026 la ricerca ha compiuto un ulteriore passo attraverso la realizzazione di dataset molto più ampi. SumTablets, sviluppato da ricercatori di Stanford, raccoglie 91.606 tavolette sumere digitalizzate, per un totale di quasi sette milioni di glifi cuneiformi associati alle rispettive traslitterazioni. Su questa base è stato addestrato anche un modello autoregressivo capace di raggiungere un punteggio chrF medio del 97,55% nella traslitterazione, un risultato che rende possibile affidare alla macchina una prima lettura automatica e lasciare allo specialista il compito di verificare e correggere il testo ottenuto.
Un altro progetto pubblicato nel 2026 ha portato il riconoscimento automatico su scala ancora maggiore all’interno dell’Electronic Babylonian Library. Il sistema utilizza un modello Deformable DETR per individuare i segni cuneiformi e integra procedure automatiche per separare le diverse superfici delle tavolette, raggruppare i simboli in righe e confrontare le sequenze ottenute con strutture testuali note. Applicato a 87.668 frammenti, il modello ha prodotto quasi 2,9 milioni di rilevamenti di segni, mostrando come tecniche sviluppate originariamente per il riconoscimento degli oggetti nelle immagini possano essere adattate all’analisi sistematica di archivi archeologici.
L’intelligenza artificiale viene utilizzata anche nella fase successiva, quando i segni sono già stati identificati e devono essere trasformati in una lingua moderna. Modelli di traduzione automatica sono stati addestrati sull’accadico, una delle principali lingue scritte in cuneiforme, con l’obiettivo di produrre rapidamente una prima versione inglese di testi che altrimenti richiederebbero un lavoro specialistico molto lungo. Questi sistemi funzionano meglio sulle frasi brevi e di media lunghezza e non eliminano la necessità dell’intervento umano, perché ambiguità grammaticali, lacune materiali e riferimenti culturali continuano a richiedere la competenza dell’assiriologo.
L’utilità dell’AI emerge anche nella ricostruzione dei testi frammentari. Una piattaforma sviluppata nell’ambito dell’Electronic Babylonian Library ha permesso, per esempio, di individuare rapidamente trenta manoscritti appartenenti allo stesso antico inno dedicato a Babilonia, rendendo possibile ricomporre un testo di circa 250 versi attraverso frammenti conservati separatamente. Enrique Jiménez, assiriologo della Ludwig-Maximilians-Universität di Monaco, ha spiegato che un lavoro di identificazione di questa portata avrebbe potuto richiedere decenni con i metodi tradizionali.
La stessa logica può essere estesa oltre la semplice traduzione. Tecniche di deep learning sono già state applicate a più di 94.000 immagini della Cuneiform Digital Library Initiative per classificare le tavolette in funzione della loro forma e contribuire alla datazione dei reperti, mentre altri progetti stanno sviluppando sistemi bidirezionali capaci non soltanto di tradurre dall’accadico all’inglese, ma anche di compiere il percorso inverso, trasformando testi moderni in accadico e successivamente in rappresentazioni cuneiformi.
Il ruolo dell’intelligenza artificiale nell’assiriologia si sta quindi configurando come quello di uno strumento di analisi su larga scala: può confrontare milioni di segni, cercare frammenti compatibili all’interno di archivi enormi, proporre traslitterazioni e produrre traduzioni preliminari in tempi molto più brevi rispetto a una lettura completamente manuale. La validazione filologica continua a dipendere dagli specialisti, ma l’automazione delle operazioni più ripetitive consente di affrontare una quantità di materiale che sarebbe difficilmente gestibile con le sole risorse umane, aprendo alla possibilità di recuperare più rapidamente una parte ancora largamente inesplorata della documentazione scritta lasciata dalle civiltà mesopotamiche.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)