Mensch–Computer-Kollaboration bei der Entzifferung von Orakelknochenschriften mit generativen gegnerischen Netzen

Antike Schrift trifft moderne Maschinen

Vor mehr als dreitausend Jahren ritten Wahrsager in China Fragen zu Krieg, Wetter und Ernte in Schildkrötenpanzern und Tierknochen. Heute sind diese Orakelknochenschriften ein Schatz für das Verständnis, wie die chinesische Schrift und die frühe chinesische Gesellschaft entstanden. Viele dieser winzigen, verwitterten Zeichen sind jedoch noch unentziffert und in zu großer Zahl vorhanden, als dass eine Handvoll Expertinnen und Experten sie allein bewältigen könnte. Diese Arbeit zeigt, wie künstliche Intelligenz in enger Zusammenarbeit mit Forschenden helfen kann, diese alten Ritzungen zu lesen, indem sie sie in moderne chinesische Schriftzeichen überführt.

Von Bildern auf Knochen zu Bildern für den Computer

Die Orakelschrift ist ungewöhnlich visuell. Frühe Schreiber ritzen vereinfachte Bilder von Tigern, Sonnen, Menschen und Werkzeugen direkt in Knochen, sodass jedes Zeichen fast wie eine kleine Zeichnung wirkt. Die Autorinnen und Autoren nutzen dies, indem sie jedes Zeichen als Bild statt als Code oder Text behandeln. Sie sammeln über tausend Bildpaare: auf der einen Seite ein fotografiertes Orakelknochenglyphe, auf der anderen das bekannte moderne chinesische Gegenstück. Durch Verkleinern und Reinigen dieser Bilder erstellen sie eine standardisierte Bildbibliothek, aus der ein Computer lernen kann, und verwandeln damit das jahrtausendealte Problem der Entzifferung in eine moderne Bild-zu-Bild-Übersetzungsaufgabe.

Zwei digitale Künstler: komplementäre KI‑Modelle

Das Team trainiert zwei verwandte, aber unterschiedliche Arten generativer gegnerischer Netze (GANs), also KI‑Modelle, die realistische Bilder erzeugen lernen, indem ein "Generator" gegen einen "Kritiker" antritt. Ein Modell, basierend auf einem System namens Pix2Pix, lernt aus gepaarten Beispielen: Es sieht ein Knochensymbol und das genaue moderne Zeichen, zu dem es werden soll. Dieses Modell liefert besonders scharfe, gut geformte moderne Glyphe, die den erwarteten Formen nahekommen. Das zweite Modell, basierend auf CycleGAN, ist dafür ausgelegt, auch dann zu arbeiten, wenn Beispiele nicht perfekt gepaart sind. Es neigt dazu, das ursprüngliche Skelett und den Stil der Orakelschrift zu bewahren und gleichzeitig sanft in Richtung moderner Formen zu regulieren. Zusammen bieten die beiden Modelle unterschiedliche "Interpretationen" dessen, wie ein altes, beschädigtes Glyphe in einer regelmäßigen, lesbaren Form ausgesehen haben könnte.

Die Maschinen testen und Alternativen vergleichen

Um zu prüfen, ob diese Systeme mehr leisten als nur hübsche Bilder zu zeichnen, führen die Autorinnen und Autoren eine sorgfältige Reihe von Tests durch. Sie halten 160 bekannte Orakel‑Modern‑Paare zurück, die die KI während des Trainings nie sieht, und lassen dann jedes Modell die modernen Zeichen aus den Orakelbildern vorhersagen. Sie vergleichen die Ausgaben mit den wahren Antworten mithilfe gängiger Maße für Bildqualität und Struktur und begutachten die Ergebnisse auch visuell. In einem breiteren Vergleich stellen sie ihre beiden GANs anderen populären Bildmethoden gegenüber, darunter Diffusionsmodelle, Transformer und klassische U‑Net‑Netzwerke. Das GAN‑Paar sticht hervor: Pix2Pix erzeugt die klarsten, am besten lesbaren Zeichen, während CycleGAN konservative, struktur­erhaltende Alternativen liefert. Andere Methoden verwischen oft Striche, zerstören das Zeichen­skelett oder erzeugen Formen, die nicht mehr wie Schrift aussehen, und sind damit für ernsthafte Entzifferung ungeeignet.

Menschen in der Schleife: Zusammenarbeit, kein Ersatz

Im Zentrum der Studie steht nicht die KI allein, sondern eine strukturierte Partnerschaft zwischen Maschine und Expertinnen und Experten. Für 150 Inschriften, deren Bedeutung zuvor unbekannt war, erzeugen die Modelle mehrere mögliche moderne Glyphe. Menschliche Spezialistinnen und Spezialisten wählen dann vielversprechende Kandidaten aus und zeichnen fehlende oder unsichere Striche von Hand nach, geleitet sowohl von den Vorschlägen der KI als auch von ihrem Wissen über Sprachgeschichte und die Alltagsszenen, die in den Texten reflektiert werden. In detaillierten Fallstudien – etwa dem Vorschlag, dass ein unbekanntes Glyphe "Höhle" oder "Baue" bedeuten könnte – kombinieren die Autorinnen und Autoren KI‑vorgeschlagene Formen, Vergleiche mit verwandten Zeichen und historische Informationen über antike Wohnverhältnisse und Rituale. Sie führen zudem kontrollierte Experimente an 160 bekannten Fällen durch und vergleichen drei Modi: KI allein, Menschen, die von Grund auf neu zeichnen, und Menschen, die KI‑Entwürfe verfeinern. Der kombinierte Ansatz erzeugt durchweg Bilder, die den wahren Zeichen näherkommen, gemessen an numerischen Bildwerten und Expertenbewertungen, und spart den Forschenden zugleich Zeit und Aufwand.

Warum das für Geschichte und Kulturerbe wichtig ist

Für Nicht‑Spezialisten ist der Nutzen klar: Jedes neu entzifferte Orakelknochzeichen schärft unser Bild der frühen chinesischen Geschichte, von königlichen Opfern bis zu Landwirtschaft und Krankheit. Diese Arbeit zeigt, dass KI mehr kann als moderne Handschrift zu erkennen oder Kunst zu erzeugen; kombiniert mit sorgfältigem menschlichem Urteil kann sie helfen, die frühesten Schichten schriftlicher Kultur zu erschließen. Anstatt Expertinnen und Experten zu ersetzen, fungiert das System als intelligenter Assistent, der Formen vorschlägt, mühsames Nachzeichnen beschleunigt und den gesamten Prozess transparenter und besser messbar macht. Die Autorinnen und Autoren argumentieren, dass diese Mensch–Computer‑Partnerschaft auf andere antike Schriftsysteme und beschädigte Dokumente übertragbar ist und fragile Markierungen auf Knochen, Ton oder Pergament in lesbare Geschichten darüber verwandeln könnte, wie Menschen einst lebten, glaubten und ihre Welt aufzeichneten.

Zitation: Zeng, S., Bai, J., Shi, J. et al. Human–computer collaborative approach to the decipherment of racle bone inscriptions with generative adversarial networks. npj Herit. Sci. 14, 232 (2026). https://doi.org/10.1038/s40494-026-02509-4

Schlüsselwörter: Orakelschrift, antike Schrift, Kulturerbe KI, Mensch–KI-Zusammenarbeit, Entwicklung chinesischer Schriftzeichen