Las máquinas que aprenden a leer cuneiforme

Probablemente compuesto a comienzos del primer milenio a. C., el Himno a Babilonia se convirtió después en un texto escolar que los estudiantes babilonios copiaban como ejercicio de escritura. Fue un éxito en su día, reproducido una y otra vez sobre arcilla. Luego cayó Babilonia, la arcilla se rompió, las piezas se dispersaron por museos y escombreras de excavación, y el poema desapareció durante casi dos mil años.

En 2025 volvió. No porque alguien desenterrara una copia completa, sino porque un ordenador en Múnich reconoció que treinta fragmentos rotos, guardados en cajones distintos, eran todos piezas de la misma canción.

La biblioteca que era una sola tablilla gigante rota

Hay un viejo chiste entre los asiriólogos: algún día alguien caerá en la cuenta de que solo hubo una única tablilla cuneiforme, y que se rompió en un millón de pedazos. El chiste es en realidad una descripción del oficio. El cuneiforme, la escritura en cuñas hundida en arcilla húmeda por todo el antiguo Oriente Próximo, sobrevive en su mayoría como fragmentos. Un estudioso puede pasarse una carrera cazando el trozo que continúa el texto del trozo que tiene delante.

Ese es el problema que Enrique Jiménez se propuso atacar en la Universidad de Múnich. Desde 2018 su proyecto, la Electronic Babylonian Library, fotografía y translitera el cuneiforme del mundo, construyendo una base de datos que ya guarda unas 25 000 tablillas y más de 350 000 líneas de texto. Lo ingenioso es lo que el software hace con ella. Tomando prestada una técnica del modo en que los biólogos alinean hebras de ADN, compara cada línea con todas las demás y señala los fragmentos que probablemente encajan.

Los resultados no son sutiles. Jiménez lo dice sin rodeos: en los primeros 150 años de estudios cuneiformes, los estudiosos encontraron unas 6000 uniones entre fragmentos. Su proyecto ha encontrado unas 1500 en solo cinco años. Esa es la diferencia entre una vida entornando los ojos y una búsqueda que corre de la noche a la mañana.

El Himno a Babilonia fue una de las recompensas. El algoritmo reunió treinta fragmentos de veinte tablillas distintas, y de ellos surgieron unos dos tercios de un poema perdido de 250 versos, incluido el primer testimonio escrito que tenemos sobre el papel de las sacerdotisas de Babilonia. Un texto que los niños sabían de memoria, desconocido para todo estudioso moderno hasta que una máquina lo recompuso.

Lo que la máquina puede y no puede hacer

Conviene ser exactos sobre lo que significa de verdad «la IA lee cuneiforme», porque la versión honesta es más interesante que el bombo.

La máquina es muy buena emparejando y prediciendo. Junto al ensamblaje de fragmentos, otros equipos han entrenado modelos para rellenar pequeñas roturas en tablillas dañadas, adivinando por el contexto los signos que faltan con una precisión sorprendente, e incluso para producir traducciones inglesas toscas del acadio. Pero «toscas» es la palabra clave. Los mejores modelos de traducción puntúan, según la medida automática habitual, muy por debajo de la traducción comercial madura, y producen con toda facilidad un inglés fluido que sencillamente está mal. Funcionan mejor con frases cortas y formularias y tropiezan con los vuelos literarios.

Y hay un límite más hondo. Los signos cuneiformes son polivalentes: un mismo grupo de cuñas puede leerse de varias maneras, y solo el contexto decide. Esa desambiguación, la lectura propiamente dicha, sigue siendo la parte que hacen los humanos. La máquina encuentra las piezas y sugiere las uniones. Un estudioso decide qué significa el texto.

Jiménez es refrescantemente lúcido en esto. La tecnología, dice, nunca reemplazará del todo el trabajo erudito humano; su verdadero don es la aceleración. El pasaje del Éufrates que su equipo rescató del himno lo demuestra mejor que cualquier argumento:

El Éufrates es su río, establecido por el sabio señor Nudimmud.
Abreva la vega, satura el cañaveral,
sus prados, en brillante flor, hacen brotar cebada.

Ningún algoritmo escribió eso. Un algoritmo solo encontró la cebada, dispersa por veinte tablillas rotas, y dejó que un humano la plantara de nuevo en el campo.

Los rescates silenciosos

Las mejores historias de este trabajo son casi domésticas. Cuando las transliteraciones largo tiempo perdidas de un estudioso del siglo XIX, Carl Bezold, se daban por desaparecidas para siempre, aparecieron en una biblioteca de Heidelberg y se volcaron directamente en la base de datos: la letra de un muerto devuelta a la vida por un software. Los fotógrafos recorren los fondos del Museo Británico una tablilla cada vez, miles de ellas, para que la máquina tenga algo que leer. El romance de la disciplina no es un robot descifrando un código. Es gente paciente y código paciente que, juntos, engatusan a un himno para que vuelva a existir.

Cinco palabras de la arcilla

La lengua bajo todo esto es el acadio, la lengua semítica de Babilonia y Asiria, y es más accesible de lo que las cuñas hacen parecer:

• ṭuppu (TUP-pu), una tablilla de arcilla, la cosa que se recompone.
• ṭupšarru (tup-SHÁ-rru), un escriba, literalmente un «escritor de tablillas».
• Bāb-ili (BAB-i-li), Babilonia, «la puerta del dios».
• Purattu (pu-RÁ-ttu), el Éufrates, el río del himno.
• šarru (SHÁ-rru), rey, una de las primeras palabras que encuentra todo estudiante de cuneiforme.

Las máquinas son asombrosas, y son también un recordatorio de por qué la destreza humana aún importa. Alguien tiene que saber acadio de verdad para convertir un fragmento hallado en un poema. Ese alguien podría ser usted, y empieza con un puñado de palabras. PRAVIEL existe para llevarle de esos primeros signos hacia la lectura de lo auténtico, como hacen los estudiosos de Múnich, una línea recuperada cada vez.

Sources

• Fadhil and Jiménez, "A Hymn in Praise of Babylon and the Babylonians" (Iraq, 2025)
• The Hymn to Babylon, reassembled with AI (phys.org)
• The Electronic Babylonian Library project (The Conversation)
• Translating Akkadian with neural machine translation (PNAS Nexus, 2023)
• Restoring broken Babylonian texts with neural networks (PNAS, 2020)