但是人工智能系统仍然无法给人类提供翻译，因为流利度和意义在这里并不是一回事。该模型可以学习哪些符号跟随哪些符号，哪些单词聚集在一起，但永远不会知道它们实际上指的是什么。这也是为什么验证任何关于这些语言的人工智能辅助说法如此困难的问题，而这比任何单一案例要严重得多。通常情况下，你会将提议的翻译或解释与母语者、其他文本或几十年来建立的专家共识进行核对。对于真正无法破译的语言，以上所有都不存在。除了时间机器以外，没有办法进行核实。小的生存语料库使这一问题更加恶化：线性A的全部幸存语料库约为7500个字符，足够在一个屏幕上显示，并且在这样有限的数据下，几乎任何假设都可以找到零星的匹配来支持。正因如此，这个领域的主张如此依赖独立专家的审查和同行评审，而不是统计置信分数。这也就是为什么“人工智能发现了一个模式”和“人工智能找到了正确的意义”是很不同的主张，很容易混淆。所有这些并不意味着人工智能在这些语言上是一个死胡同。恰恰相反：它是一种真正的加速剂，能够将多年的手动交叉引用压缩到几分钟内，并让更多的人尝试这些问题，而不是机构资源所允许的。但是它并没有消除破译始终需要的两种成分。一种是真正的比较锚点。另一种是严格的人类审查，以区分真正的突破与吸引人的巧合。直到其中一个出现在线性A或伊特鲁里亚语中，人工智能在破译语言中的角色将保持目前的状态：在一个非常古老、非常人类的难题中，一个非常快速的助手。简·阿德金斯是都柏林城市大学计算机学院的博士候选人。本文根据《对话》网站的创造性共享许可重新发布。阅读原文。