Trong hơn một thế kỷ qua, các nhà ngôn ngữ học đã nỗ lực giải mã những hệ thống chữ viết cổ đại vẫn còn là bí ẩn của nhân loại. Với sự bùng nổ của trí tuệ nhân tạo (AI), nhiều người kỳ vọng công nghệ sẽ làm được điều mà nhiều thế hệ học giả chưa thể hoàn thành. Tuy nhiên, theo các chuyên gia, AI có thể trở thành một công cụ hỗ trợ cực kỳ mạnh mẽ, nhưng vẫn chưa đủ để tự mình giải mã hoàn toàn những ngôn ngữ đã thất truyền như Linear A hay Etruscan. Vì sao nhiều ngôn ngữ cổ vẫn chưa thể được giải mã? Lịch sử cho thấy, gần như mọi ngôn ngữ cổ được giải mã thành công đều có một "chiếc chìa khóa" để các nhà nghiên cứu đối chiếu. Ví dụ nổi tiếng nhất là Phiến đá Rosetta, hiện vật chứa cùng một nội dung được khắc bằng ba hệ chữ khác nhau, trong đó có chữ tượng hình Ai Cập cổ. Nhờ có văn bản song ngữ này, các học giả cuối cùng đã giải mã thành công hệ thống chữ viết từng bị lãng quên suốt nhiều thế kỷ. Tuy nhiên, không phải ngôn ngữ nào cũng may mắn có được một "đầu mối" như vậy. Một trong những trường hợp nổi tiếng nhất là Linear A, hệ thống chữ viết của nền văn minh Minoan trên đảo Crete (Hy Lạp) vào thời kỳ đồ đồng. Điều khiến Linear A trở nên đặc biệt khó giải mã là nó được xem như một "ngôn ngữ biệt lập" (language isolate), tức chưa có bất kỳ bằng chứng đáng tin cậy nào cho thấy nó có quan hệ với bất kỳ ngôn ngữ cổ hay hiện đại nào khác. Không có ngôn ngữ họ hàng để so sánh, cũng không có văn bản song ngữ, các nhà ngôn ngữ học gần như phải bắt đầu từ con số không. Một trường hợp tương tự là Etruscan, ngôn ngữ từng được sử dụng tại miền trung nước Ý trước khi Đế chế La Mã thống trị bán đảo này. Dù các nhà nghiên cứu đã xác định được một phần vốn từ vựng thông qua những bia mộ và văn khắc ngắn, phần lớn ngữ pháp, cấu trúc câu cũng như ý nghĩa sâu hơn của ngôn ngữ này vẫn là điều bí ẩn.
AI bắt đầu tham gia vào cuộc săn tìm lời giải. Những năm gần đây, AI được đưa vào nghiên cứu các ngôn ngữ cổ không phải để thay thế các nhà ngôn ngữ học, mà nhằm tăng tốc quá trình phân tích dữ liệu vốn rất tốn thời gian. Một ví dụ gây nhiều chú ý xuất hiện vào tháng 6/2026. Một kỹ sư AI tự học, đồng thời là nhà nghiên cứu ngôn ngữ nghiệp dư, tuyên bố đã đạt được bước đột phá trong việc giải mã Linear A. Ý tưởng của ông bắt đầu từ một giả thuyết khá đơn giản: một từ chưa xác định trong một bản khắc mang nội dung cầu nguyện có thể bắt nguồn từ một gốc từ Semitic mang nghĩa "cư ngụ" hoặc "sinh sống". Từ giả thuyết ban đầu này, ông sử dụng các chương trình do AI hỗ trợ để so sánh mẫu âm thanh và cấu trúc của từ đó với toàn bộ kho dữ liệu hiện còn của Linear A. Kết quả, ông cho rằng đã xác định được giá trị âm của khoảng 40 ký hiệu và xây dựng một từ điển gồm 408 từ. Theo giả thuyết của ông, Linear A thực chất là một ngôn ngữ đã tuyệt chủng thuộc ngữ hệ Semitic – nhóm ngôn ngữ bao gồm tiếng Hebrew, tiếng Aramaic cùng nhiều ngôn ngữ Trung Đông cổ khác. Tuy nhiên, kết luận này hiện vẫn đang được giới học thuật xem xét và chưa được công nhận rộng rãi. Điều quan trọng: Ý tưởng là của con người, AI chỉ giúp kiểm chứng. Các chuyên gia nhấn mạnh cần phân biệt rõ vai trò của AI trong nghiên cứu này. AI không phải là bên đưa ra giả thuyết ban đầu. Chính nhà nghiên cứu đã đề xuất khả năng tồn tại của một gốc từ Semitic trong bản khắc. AI chỉ đóng vai trò như một "trợ lý nghiên cứu" có khả năng xử lý khối lượng dữ liệu khổng lồ trong thời gian rất ngắn. Nếu trước đây một học giả phải mất hàng tháng hoặc thậm chí nhiều năm để kiểm tra xem một giả thuyết có phù hợp với hàng nghìn ký tự cổ hay không, thì AI có thể hoàn thành công việc tương tự chỉ trong vài phút. Đây mới là điểm mạnh lớn nhất của trí tuệ nhân tạo trong lĩnh vực ngôn ngữ học lịch sử.
AI đặc biệt giỏi nhận diện các mẫu lặp. Thế mạnh nổi bật nhất của AI là khả năng phát hiện những quy luật mà con người rất khó nhận ra bằng mắt thường. Các hệ thống học máy có thể: Phân tích hàng nghìn ký tự và từ trong thời gian cực ngắn. Phát hiện những chuỗi ký hiệu xuất hiện lặp đi lặp lại. So sánh hàng trăm giả thuyết ngữ âm cùng lúc. Khôi phục các văn bản bị hư hỏng bằng cách dự đoán những ký tự bị mất. Tìm kiếm mối liên hệ giữa nhiều hệ thống chữ viết khác nhau. Một kỹ thuật quan trọng khác là "chuyển giao liên ngôn ngữ" (cross-lingual transfer). Theo đó, nếu AI đã được huấn luyện trên một ngôn ngữ đã biết, nó có thể suy luận một số quy luật trong một ngôn ngữ có quan hệ gần gũi. Ví dụ, một người biết tiếng Tây Ban Nha sẽ dễ đoán nghĩa của nhiều từ trong tiếng Bồ Đào Nha nhờ sự tương đồng giữa hai ngôn ngữ. Các nhà nghiên cứu đã áp dụng thành công phương pháp này với ngôn ngữ Ugaritic, một ngôn ngữ Semitic đã tuyệt chủng từng được sử dụng tại thành phố cổ Ugarit (nay thuộc Syria) vào cuối thời kỳ đồ đồng. Do đã biết Ugaritic thuộc ngữ hệ Semitic nên AI có "điểm tựa" để đối chiếu, từ đó việc phân tích trở nên đáng tin cậy hơn nhiều.
Nhưng AI không thể tạo ra ý nghĩa từ khoảng trống. Điểm yếu lớn nhất của AI là nó chỉ có thể tìm ra các quy luật thống kê. Nó không thể tự tạo ra ý nghĩa nếu không có dữ liệu đối chiếu. Nói cách khác, AI có thể biết rằng một ký hiệu luôn xuất hiện sau một ký hiệu khác hoặc hai từ thường đi cùng nhau, nhưng điều đó không đồng nghĩa với việc AI hiểu những từ ấy thực sự có nghĩa gì. Đây chính là rào cản khiến Linear A và Etruscan vẫn chưa thể được giải mã. Không có văn bản song ngữ. Không có ngôn ngữ họ hàng được xác nhận. Không có người bản địa để kiểm chứng. Thiếu toàn bộ những "mốc neo" mà mọi quá trình giải mã ngôn ngữ trong lịch sử đều cần đến. Dữ liệu quá ít khiến mọi giả thuyết đều có vẻ hợp lý. Một khó khăn khác là lượng tư liệu còn sót lại quá nhỏ. Toàn bộ kho văn bản Linear A hiện chỉ khoảng 7.500 ký tự – đủ ngắn để hiển thị trên một màn hình máy tính. Đối với AI, đây là một bộ dữ liệu cực kỳ hạn chế. Khi dữ liệu quá ít, gần như bất kỳ giả thuyết nào cũng có thể tìm thấy một vài ví dụ phù hợp để chứng minh cho chính nó. Điều này làm tăng nguy cơ nhầm lẫn giữa một phát hiện thực sự và một sự trùng hợp ngẫu nhiên. Vì vậy, các nhà khoa học không thể chỉ dựa vào mức độ "tự tin" mà AI đưa ra. Thay vào đó, mọi kết luận đều phải trải qua quá trình phản biện độc lập, đánh giá bởi các chuyên gia và kiểm chứng từ nhiều nhóm nghiên cứu khác nhau. AI không phải "cỗ máy dịch thuật" cho các nền văn minh đã mất. Một mô hình AI có thể học được cách các ký hiệu kết hợp với nhau và thậm chí tạo ra những câu mới theo đúng quy luật thống kê của ngôn ngữ. Về mặt kỹ thuật, nếu có đủ dữ liệu, AI thậm chí có thể tạo ra những đoạn hội thoại trông giống như đang "nói" bằng tiếng Minoan hoặc Etruscan. Nhưng điều đó không có nghĩa AI hiểu nội dung mình đang tạo ra. Nó chỉ học được cách các ký hiệu xuất hiện cùng nhau, chứ không biết chúng ám chỉ con người, địa điểm, đồ vật hay khái niệm nào trong thế giới thực. Đó là sự khác biệt căn bản giữa tính trôi chảy về mặt thống kê và hiểu được ý nghĩa thực sự của ngôn ngữ. Tương lai của AI trong khảo cổ học và ngôn ngữ học. Dù còn nhiều giới hạn, hầu hết các chuyên gia đều thống nhất rằng AI đang tạo ra một cuộc cách mạng trong nghiên cứu ngôn ngữ cổ. Những công việc từng đòi hỏi hàng năm trời đối chiếu thủ công nay có thể hoàn thành trong vài phút. AI giúp các nhà nghiên cứu thử nghiệm nhiều giả thuyết hơn, phát hiện các mẫu hình tinh vi hơn và mở rộng phạm vi phân tích vượt xa khả năng của con người. Tuy nhiên, AI vẫn chưa thể thay thế tư duy sáng tạo và sự thận trọng của các nhà ngôn ngữ học. Để giải mã hoàn toàn những hệ thống chữ viết bí ẩn như Linear A hay Etruscan, nhân loại vẫn cần hai yếu tố mà công nghệ hiện chưa thể tạo ra: một "điểm tựa" đáng tin cậy để đối chiếu – chẳng hạn một văn bản song ngữ hoặc bằng chứng về quan hệ ngôn ngữ – và quá trình thẩm định nghiêm ngặt của giới học thuật. Cho đến khi những điều kiện đó xuất hiện, AI sẽ tiếp tục là một trợ thủ đắc lực, giúp đẩy nhanh quá trình nghiên cứu, nhưng lời giải cuối cùng cho những bí ẩn ngôn ngữ cổ đại vẫn sẽ phụ thuộc vào sự kết hợp giữa trí tuệ con người và các bằng chứng khảo cổ mới.
Đăng bình luận
Ý kiến độc giả