Mensen–computer samenwerkingsaanpak voor het ontcijferen van orakelbeenscripties met generatieve adversariële netwerken

Oud schrift ontmoet moderne machines

Meer dan drieduizend jaar geleden kerfden waarzeggers in China vragen over oorlog, weer en oogsten in schildpaddenplaten en dierenbotten. Tegenwoordig vormen deze orakelbeenschrifttekens een schat aan informatie voor het begrijpen van hoe het Chinese schrift en de vroege Chinese samenleving zijn ontstaan. Veel van deze kleine, verweerde symbolen zijn echter nog onontcijferd en te talrijk voor een handvol menselijke experts om alleen aan te pakken. Dit artikel laat zien hoe kunstmatige intelligentie, hand in hand met onderzoekers, kan helpen deze oude krasjes te lezen door ze om te zetten in moderne‑stijl Chinese karakters.

Van beelden op bot naar beelden voor een computer

Orakelbeenschrift is bijzonder visueel. Vroege schriftvoerders kerfden vereenvoudigde afbeeldingen van tijgers, zonnen, mensen en gereedschap rechtstreeks in bot, zodat elk karakter bijna als een kleine tekening functioneert. De auteurs profiteren hiervan door elk karakter als een afbeelding te behandelen in plaats van als een regel code of tekst. Ze verzamelen meer dan duizend beeldparen: aan de ene kant een gefotografeerd orakelbeenglyf, aan de andere kant het bekende moderne Chinese tegenhanger. Door deze beelden te schalen en te reinigen bouwen ze een gestandaardiseerde afbeeldingsbibliotheek waar een computer van kan leren, en veranderen ze het eeuwenoude ontcijferingsprobleem in een hedendaagse afbeelding‑naar‑afbeelding vertaak.

Twee digitale kunstenaars: aanvullende AI‑modellen

Het team traint twee verwante maar verschillende typen generatieve adversariële netwerken (GANs), AI‑modellen die leren realistische afbeeldingen te maken door een "generator" tegen een "criticus" te laten optreden. Eén model, gebaseerd op een systeem genaamd Pix2Pix, leert van gekoppelde voorbeelden: het ziet een botkarakter en het exacte moderne karakter dat het zou moeten worden. Dit model blinkt uit in het produceren van scherpe, goed gevormde moderne‑stijl glyphs die nauw aansluiten bij de verwachte vormen. Het tweede model, gebaseerd op CycleGAN, is ontworpen om te werken ook wanneer voorbeelden niet perfect gematcht zijn. Het behoudt meestal het oorspronkelijke skelet en de stijl van het orakelschrift terwijl het deze voorzichtig reguleert richting moderne vormen. Samen bieden de twee modellen verschillende "interpretaties" van hoe een oud, beschadigd glyf er in een meer regelmatige, leesbare stijl uitgezien zou kunnen hebben.

Het testen van de machines en het vergelijken van alternatieven

Om te controleren of deze systemen meer doen dan alleen mooie plaatjes tekenen, voeren de auteurs een zorgvuldige reeks tests uit. Ze houden 160 bekende orakel‑moderne paren achter die de AI tijdens training nooit te zien krijgt, en vragen elk model vervolgens de moderne karakters te voorspellen op basis van de orakelafbeeldingen. Ze vergelijken de outputs met de echte antwoorden met behulp van standaardmaatstaven voor beeldkwaliteit en structuur, en inspecteren de resultaten ook visueel. In een bredere vergelijking zetten ze hun twee GANs af tegen andere populaire beeldmethoden, waaronder diffusie‑modellen, transformers en klassieke U‑Net‑achtige netwerken. Het GAN‑paar springt eruit: Pix2Pix produceert de duidelijkste, meest leesbare karakters, terwijl CycleGAN conservatieve, structuurbehoudende alternatieven biedt. Andere methoden vervagen vaak streken, breken het karakterskelet of genereren vormen die niet langer op schrift lijken, waardoor ze minder geschikt zijn voor serieuze ontcijfering.

Mensen in de lus: samenwerking, geen vervanging

De kern van de studie is niet AI alleen, maar een gestructureerd partnerschap tussen machines en deskundigen. Voor 150 inscripties waarvan de betekenis eerder onbekend was, genereren de modellen meerdere kandidaat‑moderne glyphs. Menselijke specialisten selecteren vervolgens veelbelovende kandidaten en tekenen ontbrekende of onzeker gestelde streken met de hand bij, geleid door zowel de suggesties van de AI als door hun kennis van taalkunde en de alledaagse taferelen die in de teksten worden weerspiegeld. In gedetailleerde casestudies — zoals het voorstellen dat één onbekend glyf "grot" of "hol" betekent — combineren de auteurs door AI voorgestelde vormen, vergelijkingen met verwante karakters en historische informatie over oude huisvesting en rituelen. Ze voeren ook gecontroleerde experimenten uit op 160 bekende gevallen, waarin ze drie modi vergelijken: alleen AI, mensen die van nul tekenen, en mensen die AI‑ontwerpen verfijnen. De gecombineerde aanpak levert consequent beelden op die dichter bij de ware karakters liggen, zowel beoordeeld door numerieke beeldscores als door expertpanels, terwijl het ook tijd en moeite voor de onderzoekers bespaart.

Waarom dit van belang is voor geschiedenis en erfgoed

Voor niet‑specialisten is de opbrengst duidelijk: elk nieuw ontcijferd orakelbeensymbool scherpt ons beeld van de vroege Chinese geschiedenis, van koninklijke offers tot landbouw en ziekte. Dit werk toont aan dat AI meer kan dan moderne handschriften herkennen of kunst genereren; het kan helpen de vroegste lagen van geschreven cultuur te ontsluiten wanneer het gepaard gaat met zorgvuldige menselijke beoordeling. In plaats van experts te vervangen fungeert het systeem als een intelligente assistent die vormen voorstelt, het saaie opnieuw tekenen versnelt en het hele proces transparanter en meetbaarder maakt. De auteurs betogen dat deze mens‑computer samenwerking zich kan uitbreiden naar andere oude schriftsystemen en beschadigde documenten, zodat fragiele tekens op bot, klei of perkament leesbare verhalen worden over hoe mensen ooit leefden, geloofden en hun wereld vastlegden.

Bronvermelding: 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

Trefwoorden: orakelbeenschrift, oud schrift, AI cultureel erfgoed, mens–AI samenwerking, evolutie van Chinese karakters