Aeneas surge de una colaboración entre Google DeepMind y equipos académicos de la Universidad de Nottingham, Warwick, Oxford y la Universidad de Atenas de Economía y Empresas. Su presentación se realiza junto con la publicación del estudio en Nature.
El modelo trabaja con una arquitectura generativa multimodal: combina un transformador T5 con entradas de texto e imágenes. Cuenta con "cabezas" especializadas para tres tareas epigráficas fundamentales: restauración de lagunas textuales de longitud desconocida, atribución geográfica a 62 provincias del imperio romano, y datación en rangos decenales.
Evaluaciones preliminares muestran:
-
Restauración de texto con hasta 10 caracteres omitidos: 73 % de precisión, reducida al 58 % si la longitud es desconocida.
-
Atribución geográfica: mejora en top‑1 de casi el 68 % de precisión con uso de paralelos epigráficos, frente al 27 % humano.
-
Dato estimado dentro de ±13 años en promedio.
Además, en un análisis conjunto con 23 historiadores, Aeneas proporcionó puntos de partida útiles en el 90 % de los casos, mejorando confianza y precisión del trabajo humano.
Aeneas analizó esta inscripción sobre el emperador Augusto y ofreció dos rangos de fecha probables —entre el 1 a.C. y 20 d.C.— que coinciden con las hipótesis académicas existentes, reflejando así debates historiográficos en datos probabilísticos.
El código del modelo y su base de datos de más de 176 000 inscripciones latinas (cerca de 16 millones de caracteres) son de acceso abierto, al igual que una versión interactiva disponible para investigadores, estudiantes y museos en predictingthepast.com.
Aeneas acelera la labor epigráfica reduciendo horas, días o incluso meses de trabajo manual a minutos, permitiendo al investigador concentrarse en el análisis interpretativo y la formulación de hipótesis.
Además, ejemplifica el potencial de modelos generativos para impulsar la integración entre humanidades y tecnologías avanzadas, estableciendo nuevos estándares en arqueología digital.
