当一块莎草纸只剩半句话，历史学家往往要花数年去猜那缺失的几个词。现在，有人把这件事交给了大语言模型。
发生了什么
据 WIRED 报道，研究人员开发了一个面向古希腊莎草纸文献的大语言模型，核心任务是「补全」——在残片文字断裂、缺失的地方，推断出原本可能写的是什么。
莎草纸是古代地中海世界最主要的书写材料之一，但能留存至今的多数是碎片：边缘残缺、字迹褪色、被层层叠压或反复使用。传统上，学者依靠对同类文书的熟悉、对固定句式的记忆以及跨文献比对来复原文本，这既是学术训练，也是漫长的体力活。
这项工作的思路，是把「复原」重新表述为一个语言建模问题：模型在大量古希腊文本上学习词汇搭配、句法结构和文体惯例，再据此对残缺位置给出候选填充。
为什么重要
这不是 AI 第一次进入古代文献领域。此前已有研究用机器学习辅助识别赫库兰尼姆碳化卷轴中的墨迹，也有项目用计算机视觉处理纸草图像。但那些工作大多聚焦于「看见」——从图像中把字认出来。
这次的重点是「读懂」：在字已经认出来、但内容不完整的情况下，让模型去补语义。这更接近历史学家的实际困境——很多残片的可辨识部分并不少，缺的恰恰是决定整段含义的关键词。
意义在于杠杆。一份残片被补全，可能让一份契约、一封信、一段行政记录重新进入可分析的范围；而当这类工具被批量使用，被「解锁」的文本量级会显著上升。对古代社会日常生活的理解，往往正是靠这些不起眼的文书堆出来的，而不是靠少数传世名篇。
影响与看点
对人文研究而言，这类模型最现实的定位是「候选生成器」而非「答案机」。它给出的是若干种可能的补全，由学者结合年代、地域、文体和出土语境来判断取舍。把它当成自动出结论的工具，风险很高：模型学到的文体惯例，恰恰可能让它生成「读起来很对、但历史上不存在」的句子。
值得关注的几个方向：一是评估标准怎么定——补全任务没有唯一正确答案，如何衡量模型是真的理解了语言，还是只是在拟合高频搭配；二是数据边界，训练语料覆盖哪些年代和体裁，直接决定模型在冷门文书上的可靠性；三是可解释性，学者需要知道模型为什么给出某个词，否则难以在学术写作中引用。
一个独立判断：这类工作的价值，短期内不在于「AI 读懂了古希腊」，而在于它把文献复原从纯手工劳动变成人机协作的筛选流程，让学者的时间更多花在判断上，而不是花在穷举上。这不会取代古典学，但会改变它的工作节奏。
