En febrero, Google lanzó una versión mejorada de su modelo de inteligencia artificial Gemini. Rápidamente se convirtió en un desastre publicitario, ya que la gente descubrió que las solicitudes de imágenes de vikingos generaban africanos de aspecto duro, mientras que las fotografías de soldados nazis incluían mujeres asiáticas. La incorporación de una demanda de diversidad étnica había producido imprecisiones absurdas.
Los historiadores académicos quedaron desconcertados y consternados. “Obviamente no consultaron a historiadores”, dice Benjamin Breen, historiador de la Universidad de California, Santa Cruz. “Cada persona que se preocupa por el pasado dice: ‘¿Qué diablos está pasando?'”
Reescribir el pasado para adaptarlo a las modas políticas contemporáneas no es en absoluto lo que los historiadores tienen en mente para la inteligencia artificial. El aprendizaje automático, los grandes modelos de lenguaje (LLM), la visión artificial y otras herramientas de inteligencia artificial ofrecen la oportunidad de desarrollar una visión más rica y precisa de la historia. La IA puede descifrar manuscritos dañados, traducir idiomas extranjeros, descubrir patrones no reconocidos anteriormente, establecer nuevas conexiones y acelerar la investigación histórica. Como herramientas de enseñanza, los sistemas de inteligencia artificial pueden ayudar a los estudiantes a comprender cómo vivían y pensaban las personas en otras épocas.
Los historiadores, sostiene Breen, están particularmente bien preparados para aprovechar la IA. Están acostumbrados a trabajar con textos, incluidos grandes volúmenes de trabajos no sujetos a derechos de autor, y saben que no deben creer todo lo que leen. “Lo principal es ser radicalmente escéptico acerca del texto original”, dice Breen. Cuando se utiliza IA, dice, “Creo que esa es en parte la razón por la que los estudiantes de historia con los que he trabajado son desde el principio más sofisticados que personas famosas al azar que he visto en Twitter”. Los historiadores examinan los resultados en busca de errores, tal como comprobarían las afirmaciones en una biografía del siglo XIX.
La primavera pasada, Breen creó una versión personalizada de ChatGPT para usar en su clase de historia medieval.
Al escribir indicaciones detalladas del sistema, generó chatbots para interactuar con tres personajes que vivieron durante un brote de peste bubónica en 1348: un viajero que pasaba por Damasco, un boticario de mala reputación en París y un destacado concejal de la ciudad de Pistoia. La simulación funcionó como una versión mucho más sofisticada de un juego de aventuras basado en texto: el tataranieto del clásico de los años 70. Sendero de Oregón.
Cada estudiante eligió un personaje (por ejemplo, el boticario parisino) y recibió una descripción de su entorno, seguida de una pregunta. El boticario mira por la ventana y ve a un grupo de penitentes flagelándose con correas de cuero. ¿Qué él ha hecho? El estudiante podría elegir una de una lista de opciones o improvisar una respuesta única. A partir de la respuesta, el chatbot continuó la narrativa.
Después del juego, Breen asignó a los estudiantes que escribieran trabajos en los que analizaran con qué precisión su simulación había representado el escenario histórico. El ejercicio combinado sumergió a los estudiantes en la vida medieval y al mismo tiempo les enseñó a tener cuidado con la IA. alucinaciones.
Fue un triunfo pedagógico. Los estudiantes respondieron con notable creatividad. Uno de ellos “hizo esfuerzos heroicos como un médico italiano llamado Guilbert para detener la propagación de la peste con perfume”, Breen escribe en su boletín Substack, mientras que otro “huyó al bosque y se convirtió en un ermitaño itinerante”. Otros “se convirtieron en líderes de revueltas campesinas exitosas y fallidas”. Los estudiantes que normalmente se sentaban al final de la clase y parecían aburridos se lanzaron al juego con entusiasmo. El compromiso, escribe Breen, “no se parece a nada que haya visto”.
Para la investigación histórica, ChatGPT y LLM similares pueden ser herramientas poderosas. Traducen textos antiguos mejor que un software especializado como Google Translate porque, junto con el idioma, sus datos de entrenamiento incluyen el contexto. como prueba, Breen pidió a GPT-4, Bing en su modo creativo y a Claude de Anthropic que tradujeran y resumieran un pasaje de un libro de 1599 sobre demonología. Escrito principalmente en “una forma de latín muy erudita”, el pasaje incluía fragmentos de hebreo y griego antiguo. Los resultados fueron mixtos, pero Breen descubrió que “Claude hizo un trabajo extraordinario”.
Luego le dio a Claude una gran parte del mismo libro y le pidió que elaborara un cuadro que enumerara los tipos de demonios, lo que se creía que hacían y los números de página donde se mencionaban. El gráfico no era perfecto, en gran parte debido a que los números de páginas eran difíciles de leer, pero era útil. Estos gráficos, escribe Breen, “son lo que terminará siendo un punto de inflexión para cualquiera que investigue en varios idiomas. No se trata de lograr que la IA reemplazar tú. En cambio, le está pidiendo a la IA que actúe como una especie de asistente de investigación polimática para proporcionarle pistas”.
Los LLM pueden leer y resumir artículos. Pueden leer patentes antiguas y explicar diagramas técnicos. Encuentran información útil en textos largos y aburridos, identificando, por ejemplo, cada vez que un periodista viajó. “No lo hará todo bien, pero hará un trabajo bastante decente en ese tipo de investigación histórica, cuando esté lo suficientemente enfocada, cuando se le dé el documento para trabajar”, dice Steven Lubar, historiador de la Universidad de Brown. “Eso me parece muy útil.”
Desafortunadamente, los LLM todavía no pueden descifrar la escritura antigua. Son malos para encontrar fuentes por sí solos. No son buenos para resumir debates entre historiadores, incluso cuando tienen a mano la literatura relevante. No pueden traducir sus impresionantes explicaciones de patentes en ilustraciones creíbles. Cuando Lubar pidió una fotografía de la carpeta de hojas sueltas descrita en una patente del siglo XIX, obtuvo en su lugar la apertura de un maletín que revelaba un mecanismo steampunk para escribir partituras musicales. “Es una imagen hermosa”, dice, “pero no tiene nada que ver con la patente que tan bien explicó”.
En resumen, los historiadores todavía tienen que saber lo que están haciendo y comprobar las respuestas. “Son herramientas, no máquinas”, afirma Lubar, cuyas investigaciones incluyen la historia de las herramientas. Una máquina funciona por sí sola mientras que una herramienta amplía las capacidades humanas. “No basta con presionar un botón y obtener un resultado”.
El simple hecho de saber que estas nuevas herramientas son posibles puede desbloquear recursos históricos, permitiendo nuevas preguntas y métodos. Toma mapas. Existen miles de mapas seriados que documentan el medio ambiente a intervalos regulares en el tiempo, y muchos de ellos han sido digitalizados. Muestran no sólo la topografía sino también edificios, vías férreas, carreteras e incluso vallas. Los mapas de los mismos lugares se pueden comparar a lo largo del tiempo y, en los últimos años, los historiadores han comenzado a utilizar big data de los mapas.
Katherine McDonough, historiadora que ahora trabaja en la Universidad de Lancaster en el Reino Unido, escribió su tesis sobre la construcción de carreteras en la Francia del siglo XVIII. Atraída por las herramientas digitales, se sintió frustrada por su incapacidad para abordar sus preguntas de investigación. Los datos cartográficos proceden principalmente de series de los siglos XIX y XX en Estados Unidos y el Reino Unido. Alguien interesado en los mapas franceses antiguos no tuvo suerte. McDonough quería encontrar nuevos métodos que pudieran funcionar con una gama más amplia de mapas.
En marzo de 2019 se unió a un proyecto en El Instituto Alan Turing, el centro nacional de ciencia de datos e inteligencia artificial del Reino Unido. Sabiendo que la Biblioteca Nacional de Escocia tenía una enorme colección de mapas digitalizados, McDonough sugirió mirarlos. “¿Qué podríamos hacer con el acceso a miles de mapas digitalizados?” Ella se preguntó. En colaboración con científicos de visión por computadora, el equipo desarrolló software llamado MapReaderque McDonough describe como “una forma de hacer preguntas sobre mapas”.
Combinando mapas con datos del censo, ella y sus colegas han examinado la relación entre los ferrocarriles y la segregación residencial basada en clases. “El verdadero poder de los mapas no es necesariamente verlos por sí solos, sino poder conectarlos con otros conjuntos de datos históricos”, afirma. Los historiadores saben desde hace mucho tiempo que los británicos de clase alta vivían más cerca de las estaciones de trenes de pasajeros y más lejos de las estaciones de ferrocarril. Con su ruido y humo, los patios de ferrocarril parecían molestias obvias cuyos vecinos de clase baja carecían de mejores opciones. La comparación de mapas con datos del censo sobre ocupaciones y direcciones mostró un efecto más sutil. Era probable que las personas que vivían cerca de las estaciones de ferrocarril trabajaran en ellas. No sólo estaban ahorrando en alquiler sino que también estaban reduciendo sus tiempos de viaje.
MapReader no requiere una precisión geográfica extrema. Basándose en técnicas utilizadas en imágenes biomédicas, divide los mapas en cuadrados llamados parches. “Cuando los historiadores miran mapas y queremos responder preguntas, queremos saber cosas como, ¿cuántas veces aparece algo como un edificio en este mapa? No necesito saber la ubicación exacta en píxeles de cada edificio”. dice McDonough. Además de simplificar el cálculo, el método patchwork anima a la gente a recordar que “los mapas son sólo mapas. No son el paisaje en sí”.
Eso, en pocas palabras, es lo que los historiadores pueden enseñarnos sobre las respuestas que obtenemos de la IA. Incluso las mejores respuestas tienen sus límites. “Los historiadores saben cómo afrontar la incertidumbre”, afirma McDonough. “Sabemos que la mayor parte del pasado ya no existe”.
Las imágenes cotidianas escasean antes que la fotografía. El periodismo no existía antes de la imprenta. Hay vidas que no se registran en papel, los registros comerciales se destruyen, los juzgados se incendian y los libros se pierden. Los conquistadores destruyen las crónicas de los conquistados. Los desastres naturales ocurren. Pero quedan huellas tentadoras. Las herramientas de inteligencia artificial pueden ayudar a recuperar nuevas piezas del pasado perdido, incluido un tesoro de escritura antigua.
Cuando el Monte Vesubio entró en erupción en el año 79 d.C., sepultó el balneario de Herculano, cerca de la actual Nápoles y de la antigua ciudad más grande de Pompeya. Redescubierta en el siglo XVIII, las maravillas de la ciudad incluyen una magnífica villa que se cree que perteneció al suegro de Julio César. Allí, los primeros excavadores encontraron más de 1.000 rollos de papiro, la colección más grande de su tipo que se conserva del mundo clásico. Los arqueólogos creen que miles más pueden permanecer en partes de la villa aún enterradas. “Si se descubren esos textos y si aún se puede leer aunque sea una pequeña fracción”, escribe historiador Garrett Ryan“transformarán nuestro conocimiento de la vida y la literatura clásicas en una escala no vista desde el Renacimiento”.
Desafortunadamente, los rollos de Herculano fueron carbonizados por el calor volcánico y muchos resultaron dañados en los primeros intentos de leerlos. Sólo unos 600 de los descubrimientos iniciales permanecen intactos, pareciendo trozos de carbón o troncos quemados. En febrero, comenzó a leerse uno de los pergaminos, una obra que no se había visto desde hacía casi 2.000 años.
Ese hito representó el triunfo del aprendizaje automático, la visión por computadora, la colaboración internacional y el antiguo atractivo de la riqueza y la gloria. La búsqueda comenzó en 2015, cuando investigadores dirigidos por Brent Seales en la Universidad de Kentucky descubrieron cómo utilizar la tomografía de rayos X y la visión por computadora para “desenvolver” virtualmente un pergamino antiguo. La técnica creó imágenes por computadora de cómo se verían las páginas. Pero distinguir las letras del pergamino y la tierra requirió más avances.
En marzo de 2023, Seales, junto con los inversores emergentes Nat Friedman y Daniel Gross, anunciaron la Desafío del Vesubioofrecimiento grandes premios en dinero para conocer los pasos críticos hacia la lectura de los rollos de Herculano. Un imán para el talento internacional, el desafío tuvo éxito casi de inmediato. A finales de año, el equipo de estudiantes Youssef Nader, Luke Farritor y Julian Schilliger habían descifrado más que suficiente del primer pergamino (unos 2.000 caracteres) para reclamar el gran premio de 700.000 dólares. “No podríamos haber hecho esto sin los técnicos”, comenta entusiasmado Richard Janko, profesor de estudios clásicos de la Universidad de Michigan. dijo El periodico de Wall Street.
Aunque hasta ahora sólo se ha leído alrededor del 5 por ciento del texto, es suficiente para que los estudiosos identifiquen la perspectiva y el tema del pergamino. “¡El epicureísmo te saluda, con un texto lleno de música, comida, sentidos y placer!” exultó Federica Nicolardi, papiróloga de la Universidad Federico II de Nápoles. Este año el proyecto promete un premio de 100.000 dólares al primer equipo que descifre el 90 por ciento de cuatro pergaminos diferentes. Recuperar los pergaminos perdidos de Herculano es el ejemplo más dramático de cómo la IA (la tecnología del futuro) promete mejorar nuestra comprensión del pasado.