Üretken Çekişmeli Ağlarla Ikinci Bilgisayar–insan İşbirliği Yaklaşımı: Orak Kemik Yazıtlarının İcazının Çözülmesi

Antik Yazı Modern Makinelerle Buluşuyor

Üç binden fazla yıl önce Çin’de kahinler savaş, hava ve hasat gibi konulardaki soruları kaplumbağa kabuklarına ve hayvan kemiklerine oyuyordu. Bugün bu kehanet kemiği yazıtları, Çince yazının ve erken Çin toplumunun nasıl şekillendiğini anlamak için bir hazine niteliğinde. Ancak bu küçük, aşınmış sembollerin birçoğu hâlâ çözülememiş durumda ve sayıları birkaç uzman insanın tek başına halledebileceğinden çok fazla. Bu makale, yapay zekânın araştırmacılarla el ele vererek bu antik çizikleri modern tarzda Çince karakterlere dönüştürerek okumaya nasıl yardımcı olabileceğini gösteriyor.

Kemikteki Resimlerden Bilgisayar İçin Görsellere

Kehanet kemiği yazısı alışılmadık derecede görseldir. Erken hatipler kaplan, güneş, insanlar ve aletlerin basitleştirilmiş resimlerini doğrudan kemiğe oymuş; bu yüzden her karakter neredeyse küçük bir çizime benziyor. Yazarlar bundan yararlanarak her karakteri kod ya da metin satırı olarak değil bir görüntü olarak ele alıyor. Bir tarafta fotoğraflanmış bir kehanet kemiği glifi, diğer tarafta bilinen modern Çince karşılığı olmak üzere binin üzerinde görüntü çifti topluyorlar. Bu görüntüleri yeniden boyutlandırıp temizleyerek bilgisayarın öğrenebileceği standartlaştırılmış bir resim kütüphanesi oluşturuyorlar ve böylece tarihe meydan okuyan çözümleme sorunu modern bir görüntüden görüntüye çeviri görevine dönüşüyor.

İki Dijital Sanatçı: Tamamlayıcı Yapay Zeka Modelleri

Araştırma ekibi, birbirine ilişkili ama farklı iki tür üretken çekişmeli ağ (GAN) eğitiyor; bunlar bir "üretici" ile bir "eleştirmen"i karşı karşıya getirerek gerçekçi görüntüler oluşturmayı öğrenen yapay zeka modelleri. Pix2Pix adlı bir sisteme dayanan bir model eşleştirilmiş örneklerden öğreniyor: bir kemik karakterini ve ona karşılık gelen modern karakteri görüyor. Bu model beklendiği şekillerle yakından eşleşen net, iyi biçimlenmiş modern tarzda glifler üretmede üstün. İkinci model ise CycleGAN temelli ve örneklerin kusursuz eşleşmediği durumlarda çalışacak şekilde tasarlanmış. Bu model genellikle kehanet yazısının özgün iskeletini ve stilini korurken onu nazikçe modern formlara doğru düzenliyor. Birlikte, iki model eski, hasarlı bir glifin daha düzenli, okunabilir bir tarzda nasıl görünebileceğine dair farklı "yorumlar" sunuyor.

Makineleri Test Etmek ve Alternatiflerle Karşılaştırmak

Bu sistemlerin yalnızca hoş görüntüler çizmenin ötesinde bir şey yapıp yapmadığını kontrol etmek için yazarlar dikkatli bir dizi test uyguluyor. Eğitimin sırasında yapay zekânın hiç görmediği 160 bilinen kehanet–modern çifti ayırıyor, sonra her modelden kehanet görsellerinden modern karakterleri tahmin etmesini istiyorlar. Çıktıları görüntü kalitesi ve yapı açısından standart ölçütlerle gerçek yanıtlarla karşılaştırıyor ve sonuçları görsel olarak da inceliyorlar. Daha geniş bir karşılaştırmada iki GAN’ı difüzyon modelleri, dönüştürücüler ve klasik U‑Net tarzı ağlar dahil olmak üzere diğer popüler görüntü yöntemlerine karşı test ediyorlar. GAN çifti öne çıkıyor: Pix2Pix en net, en okunabilir karakterleri üretirken CycleGAN yapı‑koruyucu, daha ihtiyatlı alternatifler sunuyor. Diğer yöntemler genellikle çizgileri bulanıklaştırıyor, karakter iskeletini bozuyor veya yazıya artık benzemeyen şekiller üretiyor; bu da onları ciddi çözümleme için zayıf araçlar yapıyor.

Döngüde İnsanlar: Yerine Geçirmek Değil, İşbirliği

Çalışmanın özü yalnızca yapay zekâ değil, makineler ile uzmanlar arasında yapılandırılmış bir ortaklık. Anlamı daha önce bilinmeyen 150 yazıt için modeller birden çok aday modern glif üretiyor. İnsan uzmanlar daha sonra umut vadeden adayları seçiyor ve eksik veya belirsiz çizgileri hem yapay zekânın önerileri hem de dil tarihi bilgileri ve metinlerde yansıyan günlük yaşam sahneleri rehberliğinde elle yeniden çiziyor. Bir bilinmeyen glifin "mağara" ya da "inek ağzı" gibi anlamlar taşıyabileceğini öne sürmek gibi ayrıntılı vaka incelemelerinde yazarlar yapay zekânın önerdiği şekilleri, ilgili karakterlerle karşılaştırmaları ve antik konut ve ritüeller hakkındaki tarihsel bilgileri birleştiriyor. Ayrıca 160 bilinen örekte kontrollü deneyler yaparak üç modu karşılaştırıyorlar: yalnızca yapay zekâ, insanların sıfırdan çizmesi ve insanların yapay zekâ taslaklarını düzeltmesi. Birleşik yaklaşım sayısal görüntü skorları ve uzman paneller tarafından değerlendirildiğinde gerçek karakterlere tutarlı biçimde daha yakın görüntüler üretiyor ve aynı zamanda araştırmacılar için zaman ve emekten tasarruf sağlıyor.

Tarih ve Miras İçin Neden Önemli

Konuyla ilgisi olmayanlar için sonuç açık: her yeni çözülen kehanet kemiği karakteri, kraliyet kurbanlarından tarım ve hastalığa kadar erken Çin tarihine dair resmimizi keskinleştiriyor. Bu çalışma, yapay zekânın sadece modern el yazısını tanımaktan veya sanat üretmekten daha fazlasını yapabileceğini; dikkatli insan yargısıyla eşleştirildiğinde yazılı kültürün en erken katmanlarını açığa çıkarabileceğini gösteriyor. Uzmanların yerini almak yerine sistem şekiller öneren, sıkıcı yeniden çizimleri hızlandıran ve tüm süreci daha şeffaf ve ölçülebilir kılan akıllı bir asistan görevi görüyor. Yazarlar, bu insan–bilgisayar ortaklığının diğer antik yazılar ve zarar görmüş belgeler üzerinde de uygulanabileceğini; kemik, kil veya parşömen üzerindeki kırılgan işaretleri insanların bir zamanlar nasıl yaşadığını, inandığını ve dünyalarını nasıl kaydettiğini anlatan okunabilir hikâyelere dönüştürebileceğini savunuyor.

Atıf: 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

Anahtar kelimeler: kehanet kemiği yazısı, antik yazı, kültürel miras AI, insan–AI işbirliği, Çince karakter evrimi