Lendo o Passado: Dos Símbolos Pré-Históricos à Escrita e à Inteligência Artificial

Uma jornada pessoal pela arqueologia, pelas civilizações antigas, pelas línguas perdidas e pela busca de significado em sinais de 40 mil anos.

AI-Talks.org | 1º de novembro de 2026 | 10 minutos de leitura

---

A história e a arqueologia fazem parte da minha vida desde a infância. Há mais de quarenta anos, acompanho as descobertas arqueológicas e os esforços dos pesquisadores para reconstruir civilizações cujas línguas, crenças e modos de vida desapareceram em grande parte.

Meu interesse começou em casa, com a coleção de artefatos pré-históricos de meu pai. Quando criança, passava horas examinando machados neolíticos de pedra polida, pedras utilizadas para moagem e polimento e outros instrumentos produzidos por mãos humanas milhares de anos atrás. Lembro-me de imaginar quem eram as pessoas que os haviam fabricado, para que serviam e como seria o mundo em que viviam. Segurar aqueles objetos nas mãos me proporcionava uma ligação concreta com um passado que, de outra forma, eu só poderia imaginar.

Outra influência marcante foi a coleção O Tesouro da Juventude, uma verdadeira enciclopédia do conhecimento que reunia história, geografia, ciências, literatura e as grandes realizações da humanidade, e cujos volumes devorei durante a infância. Suas páginas abriam janelas para civilizações distantes, monumentos antigos, descobertas científicas e lugares que eu ainda não conhecia. Era o tipo de leitura em que um assunto levava naturalmente a outro, despertando novas perguntas e alimentando uma curiosidade que, de certa forma, nunca me abandonou.

Outros livros logo ampliaram esse universo. Um dos meus favoritos na adolescência era Deuses, Túmulos e Sábios, de C. W. Ceram, que me apresentou às histórias extraordinárias por trás de algumas das maiores descobertas da arqueologia. Mais tarde, mergulhei nas coleções de história ricamente ilustradas da Time-Life, explorando cidades antigas, impérios desaparecidos e a engenhosidade dos povos que os construíram.

Anos depois, durante minhas pesquisas de doutorado na Europa, tive a oportunidade de visitar alguns dos grandes museus que até então conhecia apenas pelos livros, entre eles o Museu Britânico, em Londres, e o Louvre, em Paris. Ver pessoalmente os artefatos originais transformou o que antes era um interesse predominantemente intelectual em uma experiência muito mais concreta.

No Museu Britânico, a Pedra de Roseta foi particularmente marcante. Suas inscrições, em hieróglifos egípcios, escrita demótica e grego antigo, forneceram evidências fundamentais para o avanço decisivo de Jean-François Champollion na decifração dos hieróglifos, em 1822.

No Louvre, encontrei outros dois monumentos extraordinários: a Estela de Hamurábi, com sua extensa coleção de decisões jurídicas babilônicas registradas em escrita cuneiforme, e a Estela da Vitória de Naram-Sin, que comemora o triunfo militar de um governante acádio há mais de quatro mil anos.

Monumentos da Decifração e dos Primórdios da Escrita

Da esquerda para a direita, os monumentos estão organizados do mais antigo ao mais recente: a Estela da Vitória de Naram-Sin, a Estela de Hamurábi e a Pedra de Roseta.

Estela da Vitória de Naram-Sin
Império Acádio, c. 2254–2218 a.C.
Museu do Louvre, Paris
Registro do museu · Fonte da imagem

Estela de Hamurábi
Babilônia, c. 1792–1750 a.C.
Museu do Louvre, Paris
Registro do museu · Fonte da imagem

Pedra de Roseta
Egito Ptolemaico, 196 a.C.
Museu Britânico, Londres
Registro do museu · Fonte da imagem

O que mais me impressionou foi a sobrevivência das informações contidas nesses monumentos. O poder político, as leis, as vitórias militares, as crenças religiosas e fragmentos da vida cotidiana haviam sido preservados na pedra. Embora as civilizações que os produziram tivessem desaparecido havia muito tempo, séculos de pesquisas arqueológicas e linguísticas haviam permitido recuperar boa parte de seu significado histórico.

Em 1999, passei três semanas viajando pela Grécia, visitando sítios arqueológicos e museus que povoavam minha imaginação havia décadas. Uma experiência permanece especialmente viva em minha memória. No Museu Arqueológico de Heraklion, na ilha de Creta, fiquei diante do Disco de Phaistos, um pequeno objeto de argila datado do segundo milênio a.C. Suas duas faces estavam cobertas por sinais misteriosos impressos na argila e dispostos em espiral.

Descoberto em 1908, o Disco de Phaistos permanece indecifrado até hoje. Na Creta da Idade do Bronze, coexistiram diferentes sistemas de escrita, entre eles os hieróglifos cretenses e a Linear A, ambos ainda não decifrados de maneira conclusiva. Havia também a Linear B, utilizada posteriormente para registrar uma forma antiga do grego e decifrada pelo linguista Michael Ventris em 1952. Os símbolos impressos no Disco de Phaistos, entretanto, não puderam ser associados com segurança a nenhum desses sistemas. Não sabemos sequer qual língua, se alguma, eles representavam, o que torna a interpretação do objeto particularmente difícil.

O contraste com os monumentos que eu havia visto em Londres e Paris era impressionante. A Pedra de Roseta havia ajudado os pesquisadores a recuperar o sistema de escrita egípcio; as leis de Hamurábi podiam ser lidas, e as inscrições de Naram-Sin podiam ser situadas em seu contexto histórico. O Disco de Phaistos, porém, permanecia silencioso. Alguém havia cuidadosamente impresso aqueles sinais na argila quase quatro mil anos antes, aparentemente com a intenção de registrar ou comunicar alguma coisa. O objeto havia sobrevivido, mas o conhecimento necessário para interpretá-lo havia desaparecido.

Aquela experiência permaneceu comigo, especialmente agora que a inteligência artificial começou a oferecer novas ferramentas para investigar inscrições antigas. O aprendizado de máquina permite identificar símbolos recorrentes, comparar padrões estatísticos, auxiliar na reconstrução de textos danificados e revelar relações que poderiam passar despercebidas à análise humana. A possibilidade de aplicar essas técnicas a mistérios arqueológicos ainda não resolvidos me parece particularmente instigante.

Entretanto, mesmo uma reconstrução perfeita de uma inscrição não garante que sejamos capazes de compreendê-la. Recuperar os sinais físicos é um problema; recuperar a língua e as convenções culturais que lhes atribuíam significado é outro.

Essas reflexões voltaram à minha mente recentemente, quando um primo, tão curioso quanto eu, me enviou uma publicação nas redes sociais afirmando que a escrita mais antiga do mundo havia sido descoberta em uma caverna na Alemanha e teria aproximadamente 38 mil anos. As fotografias que acompanhavam a publicação mostravam uma antiga tabuleta mesopotâmica coberta de sinais cuneiformes ao lado de um artefato pré-histórico de marfim com marcas geométricas. Seria possível que as origens da escrita tivessem sido recuadas em mais de 30 mil anos?

A pesquisa por trás da manchete era verdadeira, mas seus resultados eram consideravelmente mais sutis — e muito menos conclusivos — do que sugeria a publicação sensacionalista.

Em fevereiro de 2026, Christian Bentz e Ewa Dutkiewicz publicaram um estudo na revista Proceedings of the National Academy of Sciences examinando sinais geométricos gravados em objetos com aproximadamente 40 mil anos. Utilizando teoria da informação, modelagem estatística e classificadores baseados em aprendizado de máquina, os pesquisadores identificaram semelhanças entre as propriedades estatísticas dessas marcas pré-históricas e as dos primeiros sistemas mesopotâmicos de registro de informações.

Os resultados levantaram a possibilidade de que grupos de caçadores-coletores da Europa pré-histórica já tivessem desenvolvido sistemas convencionais de sinais muito antes do surgimento da escrita. Entretanto, uma crítica metodológica publicada por Alexander Koplenig, em setembro de 2026, questionou aspectos importantes dessa interpretação, particularmente a classificação das marcas, o tratamento estatístico de sequências muito curtas e o significado das semelhanças observadas.

A controvérsia reúne diversos assuntos que marcaram meus interesses intelectuais ao longo da vida: a arqueologia, as origens do pensamento simbólico humano, a matemática, a física e a inteligência artificial. Ela também me faz retornar à pergunta que surgiu de maneira tão marcante naquela tarde em Creta: quanto podemos realmente descobrir sobre um sistema desconhecido de símbolos a partir dos padrões que ele deixou?

A resposta depende de distinguir aquilo que a matemática consegue medir, o que a arqueologia pode estabelecer e o que permanece além da nossa capacidade de interpretação.

---

Quarenta Mil Anos Antes dos Escribas

Os objetos examinados por Bentz e Dutkiewicz pertencem à cultura aurignaciana, associada às primeiras populações de Homo sapiens que habitaram a Europa há aproximadamente 43 mil a 34 mil anos.

Muitos desses artefatos foram encontrados em cavernas do Jura da Suábia, no sudoeste da Alemanha, uma região conhecida por abrigar alguns dos mais antigos exemplos preservados de arte figurativa e instrumentos musicais. Essas comunidades fabricavam ferramentas sofisticadas, trabalhavam ossos e marfim de mamute, produziam adornos e esculpiam representações impressionantes de animais e de seres híbridos, com características humanas e animais.

Alguns desses objetos também apresentavam marcas geométricas: pontos, linhas, cruzes, entalhes e arranjos repetitivos de formas simples.

Um artefato particularmente intrigante é o Adorant (Adorador), uma placa de marfim encontrada na caverna de Geißenklösterle. Uma de suas faces apresenta uma figura antropomórfica, enquanto a outra exibe marcas cuidadosamente organizadas. Outros objetos, incluindo pequenas esculturas de animais, apresentam combinações semelhantes de incisões e formas geométricas.

Há décadas, os arqueólogos debatem a finalidade dessas marcas. Elas poderiam representar registros numéricos, contagens relacionadas à caça, símbolos rituais, identidades de grupos, convenções decorativas ou práticas cujo significado nos é inteiramente desconhecido.

Essas interpretações não são necessariamente excludentes. Um conjunto de marcas poderia ter significado ritual e, ao mesmo tempo, identificar seu proprietário ou registrar determinado acontecimento. Por outro lado, sua regularidade poderia resultar principalmente de preferências estéticas ou das limitações físicas impostas pela gravação de um objeto pequeno.

A dificuldade fundamental é que as marcas sobreviveram, mas as convenções culturais que talvez orientassem sua produção desapareceram.

Podemos observar sua disposição e medir suas características físicas. O que não podemos observar diretamente é como as pessoas que as produziram interpretavam esses sinais — ou mesmo se esperavam que outras pessoas fossem capazes de interpretá-los.

É nesse ponto que os métodos quantitativos se tornam particularmente interessantes. Mesmo quando o significado original de uma inscrição é inacessível, os pesquisadores ainda podem investigar suas propriedades mensuráveis. A questão deixa de ser o que os sinais significavam e passa a ser como estavam organizados e se essa organização difere dos padrões produzidos por processos mais simples.

---

Quando a Estatística Encontra a Arqueologia

Como físico, meu interesse pela arqueologia sempre foi além de sua dimensão histórica. Chamava-me particularmente a atenção a maneira como a física e a química podiam ajudar a reconstruir o passado por meio da análise científica de materiais antigos. Um livro que ainda hoje recomendo é Traces of the Past: Unraveling the Secrets of Archaeology Through Chemistry (1997), de Joseph B. Lambert, uma excelente introdução à arqueometria.

Minhas próprias pesquisas acabaram seguindo outro caminho, concentrando-se nos centros de cor em gemas e minerais. Algumas das técnicas experimentais com as quais trabalhei, especialmente a espectroscopia, também são utilizadas em investigações arqueológicas. Mas essa é uma história para outra ocasião.

No início dos anos 2000, dificilmente eu poderia imaginar que a inteligência artificial acrescentaria um novo conjunto de ferramentas a esse campo. Hoje, computadores podem reconhecer símbolos antigos, comparar milhares de inscrições e investigar sua organização por meio de métodos estatísticos. O estudo publicado por Bentz e Dutkiewicz em 2026 oferece um exemplo particularmente interessante dessa convergência.

Para alguém com formação em física experimental, entretanto, a questão central continua sendo bastante familiar: o que as medidas realmente demonstram e até que ponto podemos legitimamente tirar conclusões a partir delas?

Medindo a Estrutura de Sinais Desconhecidos

Bentz e Dutkiewicz examinaram aproximadamente 3 mil marcas geométricas distribuídas por 260 artefatos pré-históricos. Após o pré-processamento dos dados, 213 objetos foram selecionados para as principais comparações quantitativas. Os pesquisadores não tentaram decifrar os sinais. Em vez disso, investigaram se sua organização apresentava semelhanças com a dos primeiros sistemas mesopotâmicos de registro de informações.

O princípio da abordagem é relativamente simples. Mesmo quando desconhecemos o significado de um símbolo, podemos medir com que frequência ele aparece, se tende a se repetir e até que ponto sua disposição é previsível. Essas propriedades podem então ser comparadas entre diferentes conjuntos de sinais.

Uma das principais ferramentas utilizadas foi a teoria da informação de Shannon, que fornece métodos matemáticos para quantificar a incerteza e a previsibilidade. Os pesquisadores combinaram essas medidas com algoritmos de aprendizado de máquina para comparar gravações paleolíticas, registros protocuneiformes antigos e sistemas de escrita modernos.

Os detalhes técnicos da metodologia são apresentados no quadro expansível a seguir.

Como os pesquisadores analisaram os sinais? ⌄ Teoria da informação, medidas estatísticas, exemplo resolvido e aprendizado de máquina. Clique para expandir.

1. Das marcas arqueológicas aos números

Imagine um objeto pré-histórico com uma sequência ordenada de sinais gravados. Cada ocorrência é uma unidade (token), e marcas visualmente semelhantes são classificadas em tipos.

s = (s₁, s₂, …, s_n)

Aqui, n representa o número total de sinais, m é o número de tipos distintos e f_i indica quantas vezes ocorre o tipo i. Sua probabilidade observada é:

p_i = f_i / n

A maneira como as marcas são identificadas e classificadas influencia diretamente todos os cálculos posteriores.

2. Quatro medidas estatísticas

A. Razão entre tipos e ocorrências (TTR). É a proporção de tipos distintos em relação ao total de sinais:

TTR = m / n

B. Entropia de Shannon (H). Quantifica a incerteza sobre a identidade de um sinal com base em sua frequência:

H = −∑ p_i log₂(p_i)

C. Taxa de entropia (h). Mede a incerteza por sinal levando em conta as dependências entre posições sucessivas. Sua definição teórica é:

h = lim_n→∞ H(S₁,…,S_n) / n

Para sequências finitas, os autores utilizaram um estimador baseado no método de correspondência de padrões de Lempel–Ziv:

ĥ = (1/n) ∑_i=2ⁿ log₂(i) / L_i

L_i corresponde a um mais o comprimento da maior sequência de sinais que começa na posição i e já aparece no trecho anterior. Correspondências mais longas indicam maior previsibilidade e reduzem a contribuição correspondente para ĥ.

D. Taxa de repetição (r). É a fração dos pares de sinais vizinhos que são idênticos:

r = r_adj / (n − 1)

Aqui, r_adj é o número de pares adjacentes idênticos. Uma sequência com n sinais possui n − 1 pares adjacentes.

Exemplo resolvido: os mesmos sinais, informações diferentes

Suponha que arqueólogos encontrem dois objetos hipotéticos, cada um com 24 marcas gravadas. Representaremos um entalhe pela letra A e um ponto pela letra B.

As duas sequências são:

Objeto 1
ABABAB | ABABAB | ABABAB | ABABAB

Objeto 2
AABBBA | BAABBA | BAABAA | BABBAB

Os espaços e as barras verticais servem apenas para facilitar a leitura; não são contados como sinais.

O primeiro objeto alterna regularmente entre A e B. O segundo contém a mesma quantidade de cada sinal, mas em uma ordem menos previsível.

Etapa 1 — Contar os sinais

Ambos os objetos contêm 12 ocorrências de A e 12 de B:

n = 24;   m = 2
p(A) = p(B) = 12/24 = 0,5

Etapa 2 — Calcular a diversidade e a entropia

Como as frequências são idênticas, a TTR e a entropia de Shannon também são iguais nas duas sequências.

TTR = 2/24 ≈ 0,083

H = −2(0,5 log₂0,5) = 1 bit/sinal

Portanto, nenhuma dessas duas medidas detecta a diferença entre as disposições dos sinais.

Etapa 3 — Calcular a taxa de repetição

Cada sequência possui 23 pares adjacentes. O Objeto 1 alterna continuamente e não apresenta vizinhos idênticos. No Objeto 2, oito pares de sinais vizinhos são idênticos.

r₁ = 0/23 = 0
r₂ = 8/23 ≈ 0,348

A taxa de repetição, portanto, revela uma diferença que a entropia de Shannon, isoladamente, não detecta.

Etapa 4 — Estimar a taxa de entropia

Agora investigamos se a ordem dos sinais produz padrões mais longos e previsíveis.

Considere a posição i = 9. No Objeto 1, os oito sinais anteriores são ABABABAB. A sequência que começa na posição 9 repete integralmente esse padrão.

O maior trecho anterior correspondente tem comprimento 8; logo:

L_9,1 = 8 + 1 = 9

No Objeto 2, os oito sinais anteriores são AABBBABA. O trecho iniciado na posição 9 começa com ABB, sequência que já aparece anteriormente. A continuação mais longa, porém, não corresponde.

L_9,2 = 3 + 1 = 4

A contribuição da posição 9 é, portanto, diferente:

Objeto 1: log₂(9)/9 ≈ 0,352

Objeto 2: log₂(9)/4 ≈ 0,792

Repetimos o cálculo para todas as posições de i = 2 a 24, somamos as contribuições e dividimos o resultado por 24.

ĥ₁ = 14,821/24 ≈ 0,618

ĥ₂ = 21,785/24 ≈ 0,908

Interpretação: o Objeto 1 é altamente previsível, porque o padrão AB reaparece continuamente. O Objeto 2 apresenta menos correspondências longas com seus símbolos anteriores, resultando em uma taxa de entropia estimada mais elevada.

Assim, embora ambas as sequências tenham a mesma entropia de Shannon, sua previsibilidade sequencial é diferente.

Comparação das quatro medidas

Medida	Objeto 1	Objeto 2
Sinais (n)	24	24
Tipos (m)	2	2
Entropia H	1,000	1,000
Taxa de entropia ĥ	0,618	0,908
TTR	0,083	0,083
Taxa de repetição r	0,000	0,348

Das sequências aos vetores de características

Os algoritmos de aprendizado de máquina não precisam examinar diretamente os sinais originais: podem receber um vetor de quatro dimensões com as medidas estatísticas estimadas, nesta ordem:

x = (H, ĥ, TTR, r)

Para os dois objetos, os vetores são:

Objeto 1
x₁ = (1,000; 0,618; 0,083; 0,000)

Objeto 2
x₂ = (1,000; 0,908; 0,083; 0,348)

Nesse espaço estatístico, as duas sequências ocupam posições diferentes, apesar de conterem exatamente os mesmos símbolos nas mesmas proporções.

Importante: essas sequências foram inventadas para fins didáticos. Mesmo 24 sinais constituem uma amostra pequena para estimar a taxa de entropia. Os valores numéricos não devem ser interpretados como estimativas confiáveis dos processos que poderiam ter gerado as sequências. Nenhuma delas necessariamente comunica alguma coisa.

3. Classificação por aprendizado de máquina

Os autores representaram cada sequência arqueológica por um vetor estatístico de quatro dimensões. Em seguida, utilizaram dois métodos de classificação:

Perceptrons multicamadas (MLPs): redes neurais que aprendem fronteiras de decisão para distinguir diferentes grupos.

k vizinhos mais próximos (kNN): algoritmos que atribuem uma classe a cada observação com base na proximidade de outros exemplos no espaço de características.

A acurácia da classificação foi comparada a uma referência simples: a estratégia de sempre prever a classe mais frequente. Não superar essa referência não demonstra que os grupos tenham origens ou funções equivalentes.

4. Comparação entre categorias de artefatos

Modelos estatísticos também investigaram se as propriedades das marcas diferiam entre categorias de objetos arqueológicos, como pequenas esculturas de marfim e ferramentas.

Essas diferenças podem indicar práticas sistemáticas de gravação, mas não permitem estabelecer, por si sós, o que os sinais comunicavam.

5. Limitações metodológicas

A crítica posterior de Koplenig destacou dois problemas principais.

Incerteza na classificação: decisões sobre o que conta como sinal — incluindo o tratamento de anotações acrescentadas às transcrições — afetam todas as medidas.

Viés decorrente de sequências curtas: estimativas baseadas em entropia podem ser instáveis quando há poucos símbolos disponíveis.

Após remover as anotações, Koplenig relatou que 143 das 213 sequências aurignacianas (aproximadamente 67%) continham repetições de apenas um tipo de sinal.

A lição científica

As características estatísticas descrevem a organização dos símbolos. O aprendizado de máquina permite comparar essas características entre conjuntos de dados. Entretanto, identificar um padrão estatístico não estabelece significado linguístico, função compartilhada nem continuidade cultural.

Fontes: Bentz & Dutkiewicz (2026) e Koplenig (2026) . O exemplo resolvido é original. O cálculo da taxa de entropia utiliza o estimador para sequências finitas descrito por Bentz e Dutkiewicz.

O Que os Resultados Sugerem

Os pesquisadores identificaram uma semelhança intrigante entre as gravações paleolíticas e os primeiros registros mesopotâmicos, particularmente aqueles do período de Uruk V.

Ambos os conjuntos apresentavam sequências relativamente curtas, com comprimentos medianos de aproximadamente oito sinais para os artefatos aurignacianos e sete para os registros de Uruk V. Mais importante, os algoritmos de aprendizado de máquina frequentemente tinham dificuldade para distinguir os dois grupos com base nas medidas estatísticas selecionadas. Em contrapartida, os sistemas de escrita modernos eram facilmente diferenciados do material paleolítico.

Outra descoberta dizia respeito aos próprios objetos. Certos artefatos, especialmente as pequenas esculturas de marfim, pareciam apresentar marcas com maior densidade estimada de informação do que as ferramentas comuns. Os pesquisadores interpretaram esse resultado como um indício de que os sinais não estavam distribuídos aleatoriamente entre os objetos, mas associados a determinadas categorias de artefatos.

Em conjunto, essas observações levaram Bentz e Dutkiewicz a propor que as comunidades aurignacianas haviam desenvolvido sistemas convencionais de sinais muito antes do surgimento da escrita.

A hipótese é instigante. Ela levanta a possibilidade de que populações pré-históricas já utilizassem convenções compartilhadas para organizar informações em suportes materiais, dezenas de milhares de anos antes dos primeiros escribas mesopotâmicos.

Entretanto, essa conclusão não é tão segura quanto pode parecer à primeira vista. Sequências curtas podem produzir medidas estatísticas enganosamente semelhantes, e os resultados dependem, em parte, de como as marcas individuais são identificadas e classificadas. Além disso, a incapacidade de um algoritmo de aprendizado de máquina de distinguir dois conjuntos de sinais não demonstra que ambos desempenhavam a mesma função.

É precisamente na distinção entre semelhança estatística e função compartilhada que começa a controvérsia científica.

Podemos analisar matematicamente o Disco de Phaistos? ⌄ Estudo de caso com dados reais: entropia, repetições, sequências e os limites da interpretação. Clique para expandir.

Um texto que ainda não sabemos ler

O Disco de Phaistos contém 242 ocorrências de sinais estampados na argila, distribuídas entre suas duas faces. Os pesquisadores identificaram 45 tipos de símbolos, organizados em 61 grupos.

Para investigar sua organização, podemos representar cada símbolo por um número, de 01 a 45, seguindo a classificação tradicional de Arthur Evans.

Isso permite aplicar métodos estatísticos sem precisar conhecer o significado dos sinais.

1. Frequência e diversidade

A primeira pergunta é simples: quantos símbolos diferentes aparecem em cada face?

A face B contém 119 sinais, correspondentes a 34 tipos distintos. Sua razão entre tipos e ocorrências é:

TTR_B = 34/119 ≈ 0,286

Na face A, uma ocorrência está danificada. Dependendo da identificação adotada, encontramos 35 ou 36 tipos entre 123 sinais.

TTR_A ≈ 0,285–0,293

As duas faces apresentam diversidade semelhante, mas isso ainda não nos informa o que os sinais representam.

2. Entropia de Shannon

A entropia mede a incerteza associada à identidade de um sinal, levando em conta a frequência de cada tipo.

H = −Σ p_i log₂(p_i)

O cálculo sobre a transcrição numérica produz aproximadamente:

H_A ≈ 4,65–4,67 bits/sinal
H_B ≈ 4,72 bits/sinal

Os valores são próximos. A diferença, isoladamente, não demonstra que as faces tenham funções distintas ou que representem uma língua.

3. A ordem dos sinais importa

A entropia de Shannon considera as frequências, mas não a ordem. Precisamos examinar também as sequências recorrentes.

Uma repetição real do disco

Na face B, a seguinte sequência de cinco símbolos aparece em dois grupos diferentes:

22 – 29 – 36 – 07 – 08

Ela ocorre nos grupos B21 e B26. Os números representam tipos de sinais, não seus significados.

Essa repetição mostra que a inscrição contém estruturas mais longas do que simples sinais isolados.

Outro exemplo é o sinal 02, que aparece 19 vezes nas duas faces e ocupa sempre a primeira posição de seu grupo, na direção de leitura convencional.

Esses padrões podem ser medidos, mas não sabemos se correspondem a palavras, fórmulas, unidades rituais ou outras convenções.

4. Taxa de entropia

A taxa de entropia procura capturar a previsibilidade associada à ordem dos sinais.

Aplicando o estimador de Lempel–Ziv apresentado no quadro metodológico anterior:

ĥ = (1/n) Σ log₂(i)/L_i

Obtemos, para uma leitura das espirais de fora para dentro e sem contar as divisões entre grupos como símbolos:

ĥ_A ≈ 2,82–2,84
ĥ_B ≈ 3,14

A variação da face A decorre das possíveis identificações do sinal danificado.

Essas são estimativas exploratórias. Seus valores dependem da transcrição, do estimador e da ordem escolhida. Uma inscrição tão curta não permite inferir com segurança a taxa de entropia de um hipotético sistema gerador.

5. Taxa de repetição imediata

Também podemos contar quantas vezes dois sinais vizinhos são idênticos.

Na face A, encontramos três pares adjacentes idênticos; na face B, dois pares.

r_A = 3/122 ≈ 0,025
r_B = 2/118 ≈ 0,017

Esses valores são pequenos, mas não contradizem a presença de grupos inteiros repetidos: a repetição imediata e a recorrência de sequências longas são propriedades diferentes.

6. Os vetores estatísticos

Assim como no estudo das marcas paleolíticas, podemos representar cada face por quatro características:

x = (H, ĥ, TTR, r)

Para a face A, adotando provisoriamente o sinal 03 na ocorrência danificada:

Face A
x_A ≈ (4,651; 2,816; 0,285; 0,025)

Face B
x_B ≈ (4,718; 3,142; 0,286; 0,017)

Os vetores descrevem propriedades estatísticas das inscrições. Eles poderiam ser utilizados como entradas para algoritmos de classificação.

Entretanto, classificar duas faces de um único objeto não equivale a identificar sua língua ou função.

7. O que ainda não sabemos

Uma análise mais rigorosa exigiria testar diferentes direções de leitura, possíveis interpretações do sinal danificado, critérios alternativos para os limites entre grupos e comparações com sequências-controle de comprimento e composição semelhantes.

Também seria necessário verificar se os resultados permanecem estáveis diante dessas escolhas.

A conclusão científica

O Disco de Phaistos apresenta regularidades mensuráveis. A matemática consegue identificar frequências, repetições e dependências entre sinais. Mas nenhuma dessas medidas atribui significados aos símbolos. Sem uma inscrição paralela, um corpus maior ou evidências linguísticas independentes, o disco continua indecifrado.

Fontes e metodologia
Transcrição baseada na numeração de Evans/Godart. Valores estatísticos calculados especificamente para este exemplo editorial; não são resultados publicados por Bentz e Dutkiewicz para o Disco de Phaistos.

Giorgi & Baldacci (2026) — Análise computacional do Disco de Phaistos
Scuola Normale Superiore — Descrição do sistema de sinais
Bentz & Dutkiewicz (2026) — Metodologia comparativa
Fotografias das duas faces: Gleb Simonov, 2024. Wikimedia Commons, CC0 1.0.

---

Dos Símbolos Pré-Históricos às Primeiras Cidades

Para compreender a importância dessa comparação, precisamos avançar dezenas de milhares de anos, deixando para trás as comunidades de caçadores-coletores da Europa paleolítica e chegando aos assentamentos agrícolas e às primeiras cidades do antigo Oriente Próximo.

A Revolução Agrícola começou a transformar as sociedades humanas há aproximadamente 12 mil anos. Em diferentes regiões, as comunidades passaram gradualmente a cultivar a terra, domesticar animais, armazenar alimentos e estabelecer assentamentos cada vez mais permanentes. Essas mudanças foram muito além da produção de alimentos, reorganizando profundamente o trabalho, a propriedade, as relações sociais e, posteriormente, o poder político.

À medida que os assentamentos cresciam, os excedentes agrícolas tornavam-se recursos econômicos cada vez mais importantes. Os grãos podiam ser armazenados, trocados, redistribuídos, herdados, tributados ou apropriados. Comunidades maiores passaram a sustentar atividades profissionais especializadas, enquanto templos e outras instituições emergentes coordenavam a produção, o trabalho e a distribuição de recursos.

Essa complexidade crescente criou um problema prático: a informação precisava sobreviver para além da memória individual.

Quanto cereal havia entrado em um armazém? Quantos animais pertenciam a determinada família? Quanto alimento havia sido distribuído aos trabalhadores e quais obrigações ainda estavam pendentes?

Muito antes do aparecimento de sistemas de escrita plenamente desenvolvidos, comunidades do antigo Oriente Próximo já utilizavam fichas de argila, impressões numéricas, selos e outros instrumentos administrativos para representar quantidades, identificar mercadorias e autenticar transações.

Essas práticas não se desenvolveram necessariamente por meio de uma sequência evolutiva única e contínua. As relações entre elas continuam sendo objeto de debate arqueológico. Ainda assim, demonstram como sociedades cada vez mais complexas desenvolveram técnicas materiais para preservar e organizar informações.

No sul da Mesopotâmia, especialmente em torno da cidade de Uruk, que passava por uma rápida expansão, as práticas administrativas contribuíram para o surgimento da escrita protocuneiforme durante o quarto milênio antes de Cristo.

As tabuletas mais antigas que chegaram até nós eram predominantemente registros econômicos, documentando mercadorias, quantidades, distribuição de trabalho e transações institucionais. Embora as origens exatas da escrita continuem sendo debatidas, seu desenvolvimento inicial esteve estreitamente associado às necessidades práticas da administração.

Os primeiros escribas eram, em um sentido importante, mais contadores do que autores de obras literárias.

Com o tempo, a escrita ultrapassou amplamente essas funções, tornando-se capaz de registrar leis, tradições religiosas, conhecimentos científicos, acontecimentos históricos e obras literárias. Suas origens administrativas, entretanto, revelam algo importante sobre a relação entre informação e civilização: a capacidade de preservar registros ajudou as instituições a coordenar atividades através de grandes distâncias, ao longo de gerações e em estruturas sociais cada vez mais complexas.

Esse contexto histórico também ajuda a compreender por que as comparações entre os registros mesopotâmicos e as gravações paleolíticas precisam ser feitas com cautela.

Um caçador-coletor que gravava uma pequena escultura de marfim e um administrador mesopotâmico que registrava entregas de cereais pertenciam a sociedades profundamente diferentes, separadas por dezenas de milhares de anos. Dispomos de evidências arqueológicas substanciais sobre a finalidade administrativa das primeiras tabuletas mesopotâmicas, enquanto as funções das marcas aurignacianas permanecem incertas.

Ambas as tradições demonstram a capacidade humana de produzir arranjos duradouros de sinais visíveis. Entretanto, somente no caso mesopotâmico podemos associar com segurança muitos desses sinais a sistemas identificáveis de registro de informações.

Essa distinção é fundamental. Semelhanças na estrutura estatística podem justificar comparações, mas não permitem estabelecer uma função compartilhada, muito menos uma ligação histórica direta entre as duas tradições.

A escrita, contudo, ainda passaria por outra transformação.

Ao longo dos milênios seguintes, ela ultrapassou definitivamente os limites da contabilidade e da administração. Tornou-se um meio de preservar a literatura, a mitologia e as reflexões humanas sobre a própria existência. Uma de suas realizações mais extraordinárias foi a Epopeia de Gilgámesh, cujos manuscritos cuneiformes preservados registram histórias compostas há milhares de anos.

---

Quando os Símbolos Começaram a Representar a Linguagem

A transição dos registros numéricos e pictográficos para sistemas de escrita plenamente desenvolvidos envolveu relações cada vez mais complexas entre os sinais visíveis e a linguagem falada.

A escrita protocuneiforme inicial estava voltada principalmente para o registro de números e objetos. Com o tempo, o sistema incorporou um repertório muito mais amplo de sinais e desenvolveu progressivamente a capacidade de representar conteúdos linguísticos.

Na Mesopotâmia, esse processo acabaria dando origem à escrita cuneiforme, capaz de expressar a língua suméria.

O Egito desenvolveu sua própria tradição de escrita aproximadamente no mesmo período histórico, com evidências que remontam a cerca de 3250 a.C. Seu surgimento esteve estreitamente associado à administração, à autoridade real e à organização institucional.

Posteriormente, a escrita também surgiu de maneira independente em outras regiões do mundo, incluindo a China e a Mesoamérica.

Essa distinção entre registrar informações e representar a linguagem é fundamental.

Uma sequência de marcas repetidas pode codificar uma quantidade. Um símbolo geométrico convencional pode identificar um grupo, um objeto ou um conceito ritual. Esses sinais podem comunicar informações sem necessariamente representar palavras ou estruturas gramaticais de uma língua falada.

A escrita, em seu sentido linguístico mais estrito, faz algo além disso: estabelece uma correspondência organizada entre os sinais visíveis e a linguagem.

As gravações paleolíticas examinadas por Bentz e Dutkiewicz não fornecem evidências convincentes dessa correspondência.

Suas propriedades estatísticas diferem acentuadamente daquelas encontradas em sistemas de escrita estabelecidos.

Uma complexidade estatística semelhante não demonstra equivalência de significado ou função.

As marcas aurignacianas podem ter constituído uma antiga forma de notação, mas os pesquisadores não descobriram um alfabeto esquecido nem uma língua desconhecida à espera de tradução.

Tampouco existem evidências de que essas marcas pré-históricas encontradas na Alemanha tenham evoluído diretamente para a escrita cuneiforme mesopotâmica. O intervalo cronológico é enorme, e o registro arqueológico não estabelece qualquer continuidade desse tipo.

O que o estudo sugere é uma capacidade muito antiga de codificar informações por meio de convenções compartilhadas, e não a existência de uma escrita ancestral que conectaria a Europa pré-histórica à Suméria.

A evolução da escrita, entretanto, não foi linear nem se limitou a uma única civilização. Em diferentes regiões do mundo, as sociedades desenvolveram maneiras distintas de representar, preservar e transmitir informações, algumas delas de forma independente. A linha do tempo interativa a seguir apresenta os principais marcos dessa longa história, desde as expressões simbólicas pré-históricas e os primeiros sistemas de escrita até a inteligência artificial moderna e as formas emergentes de comunicação entre agentes de IA.

Dos Símbolos na Pedra ao Neuralese 40 mil anos de sinais e comunicação
Explore a linha do tempo · 29 marcos ↗

---

O Que a Inteligência Artificial Consegue — e Não Consegue — Ler

A inteligência artificial está abrindo novas possibilidades para investigar as civilizações antigas. Técnicas de aprendizado de máquina podem reconhecer símbolos recorrentes, comparar inscrições de diferentes sítios arqueológicos, auxiliar na reconstrução de textos danificados e identificar relações estatísticas que poderiam passar despercebidas à observação humana.

Algumas aplicações já produziram resultados significativos. Em 2023, Gutherz e seus colaboradores demonstraram que sistemas de tradução automática neural eram capazes de traduzir textos em acadiano para o inglês, trabalhando tanto com representações digitais dos sinais cuneiformes quanto com suas transliterações. A pesquisa mostrou como métodos computacionais podem ajudar os estudiosos a examinar as enormes coleções de tabuletas mesopotâmicas que ainda permanecem sem tradução.

Entretanto, existe uma distinção fundamental entre traduzir uma língua antiga e decifrar um sistema desconhecido de sinais.

O acadiano é estudado há gerações. Os especialistas compreendem grande parte de seu vocabulário e de sua gramática, e milhares de traduções existentes fornecem os exemplos necessários para treinar e avaliar modelos computacionais. Os pesquisadores não estavam pedindo aos algoritmos que descobrissem uma língua desconhecida. Estavam ensinando-os a traduzir uma língua cuja estrutura linguística já era amplamente compreendida.

A situação é completamente diferente no caso da Linear A, da misteriosa inscrição do Disco de Phaistos e, sobretudo, das gravações paleolíticas examinadas por Bentz e Dutkiewicz. Nesses casos, não dispomos de traduções confiáveis, inscrições bilíngues ou contexto linguístico suficiente. No caso do material paleolítico, sequer sabemos se as marcas representam linguagem, informações numéricas, convenções rituais ou algo sem relação com a comunicação.

Por isso, o estudo de 2026 não tentou decifrar os sinais. Seus classificadores de aprendizado de máquina examinaram características mensuráveis das sequências e investigaram se essas propriedades permitiam distinguir as marcas paleolíticas dos sistemas posteriores de registro de informações.

Essa abordagem apresenta uma conexão conceitual com os modelos de linguagem modernos. Os grandes modelos de linguagem aprendem dependências estatísticas entre tokens, o que lhes permite prever sua ocorrência em diferentes contextos. Bentz e Dutkiewicz utilizaram medidas estatísticas e algoritmos de classificação muito mais simples, mas ambas as abordagens exploram as regularidades matemáticas que podem surgir em sequências de símbolos.

Entretanto, reconhecer regularidades não é o mesmo que estabelecer significados. Um classificador pode identificar semelhanças entre dois conjuntos de símbolos sem determinar se eles desempenhavam funções comparáveis.

A crítica metodológica publicada por Alexander Koplenig em setembro de 2026 torna essa limitação particularmente concreta. Ele questionou a maneira como as marcas individuais haviam sido classificadas, a possibilidade de que anotações acrescentadas às transcrições tivessem sido inadvertidamente incluídas nos cálculos estatísticos e a confiabilidade de estimativas de entropia e propriedades relacionadas obtidas a partir de sequências extremamente curtas.

Em sua reanálise, após remover essas anotações, ele demonstrou como sequências curtas produzidas por um processo aleatório simples poderiam apresentar propriedades estatísticas que dificultavam as comparações com o material arqueológico.

Esses resultados colocaram em questão a solidez das conclusões originais. A semelhança estatística observada entre as marcas paleolíticas e os primeiros registros protocuneiformes poderia refletir, ao menos em parte, limitações dos dados e da metodologia, e não a existência de sistemas de informação com funções equivalentes.

Isso não demonstra que as marcas pré-históricas fossem desprovidas de significado. Demonstra apenas que as evidências estatísticas disponíveis não permitem identificar com segurança sua função.

Uma comparação interessante surge em outro ramo da inteligência artificial: o Neuralese, nome por vezes atribuído aos protocolos de comunicação desenvolvidos por agentes artificiais que aprendem a cooperar.

Em experimentos envolvendo múltiplos agentes baseados em redes neurais, pesquisadores observaram o surgimento de sistemas de sinais que facilitam a coordenação. Alguns apresentam regularidades reconhecíveis e propriedades elementares de composicionalidade, embora não tenham sido explicitamente programados para reproduzir a linguagem humana.

A comparação é reveladora porque os pesquisadores que estudam agentes artificiais podem realizar experimentos impossíveis para os arqueólogos. Eles podem modificar mensagens, observar como os agentes receptores se comportam, alterar as tarefas e medir se a comunicação melhora o desempenho. Dessa maneira, conseguem investigar o significado funcional de um sistema de sinais que, à primeira vista, lhes seria desconhecido.

No caso dos artefatos paleolíticos, os emissores e receptores originais desapareceram há dezenas de milhares de anos. Suas intenções, práticas sociais e possíveis regras de comunicação não podem ser recuperadas experimentalmente. Possuímos os vestígios materiais, mas não o contexto comportamental que nos permitiria determinar como esses sinais eram utilizados.

AI-Talks.org · Nota de Pesquisa Interativa

A IA Consegue Compreender uma Língua Desconhecida? Três casos, três tipos diferentes de evidência. Clique para explorar.

+

A inteligência artificial pode traduzir línguas antigas, analisar inscrições ainda não decifradas e investigar a comunicação entre máquinas. Entretanto, essas realizações envolvem problemas científicos fundamentalmente diferentes.

Caso 01

Acadiano

Traduzindo uma Língua Conhecida

O acadiano era falado na antiga Mesopotâmia e registrado por meio da escrita cuneiforme. Embora tenha deixado de ser falado há muito tempo, os estudiosos conseguiram reconstruir grande parte de seu vocabulário e de sua gramática.

Sistemas de tradução automática podem aprender com transcrições e traduções existentes, produzindo novas traduções que os especialistas conseguem avaliar com base no conhecimento linguístico já estabelecido.

O que torna isso possível? Dicionários, conhecimentos gramaticais, traduções paralelas e um conjunto substancial de evidências textuais.

Contrato acadiano de venda de uma casa, c. 2350–2150 a.C. The Metropolitan Museum of Art, nº 86.11.204. Registro do museu · Fonte da imagem · CC0.

Caso 02

O Disco de Phaistos

Um Sistema de Sinais Ainda Não Decifrado

Esse disco minoico de argila, datado do segundo milênio antes de Cristo, apresenta sinais estampados e organizados em espirais. Sua inscrição permanece indecifrada, e a língua ou o sistema que poderia estar por trás dela ainda não foi identificado com segurança.

A IA pode catalogar os sinais, examinar sua distribuição e comparar hipóteses concorrentes. Entretanto, as evidências disponíveis são limitadas e não oferecem uma maneira independentemente verificável de determinar se uma interpretação proposta está correta.

O que está faltando? Uma identificação linguística segura, um conjunto suficientemente amplo de textos comparáveis e evidências independentes que associem os sinais a significados.

Disco de Phaistos, face A. Museu Arqueológico de Heraklion, Creta. Fotografia: Gleb Simonov (2024). Fonte da imagem · CC0.

Agente A Emissor

● ◆ ●

→

Mensagem

Agente B Receptor

Resultado da tarefa → Teste comportamental
A mensagem modifica o comportamento do agente receptor?

Caso 03

Neuralese

Investigando a Comunicação Emergente

Agentes artificiais treinados para cooperar podem desenvolver protocolos de comunicação que não foram explicitamente projetados por seus programadores.

Diferentemente dos arqueólogos que estudam civilizações desaparecidas, os pesquisadores de IA podem intervir diretamente no sistema. Eles conseguem modificar uma mensagem, observar o comportamento do receptor e testar se determinados sinais transmitem informações funcionalmente relevantes para uma tarefa.

O que torna os testes possíveis? Tarefas conhecidas, comportamentos observáveis, intervenções controladas e resultados de desempenho mensuráveis.

Esquema conceitual original, AI-Talks.org (2026). Representação ilustrativa da comunicação experimental entre agentes artificiais; não corresponde à visualização de uma rede neural real.

As Mesmas Ferramentas Matemáticas, Diferentes Níveis de Evidência

No caso do acadiano, o conhecimento linguístico torna a tradução possível e permite avaliar sua qualidade. No Disco de Phaistos, podemos examinar padrões estatísticos, mas os significados propostos carecem de verificação independente. Nos experimentos com Neuralese, os pesquisadores podem testar diretamente se os sinais afetam o comportamento dos agentes. Reconhecer uma estrutura não equivale a recuperar seu significado.

Fundamentação científica: Gutherz et al. (2023) — Tradução neural do acadiano; Andreas et al. (2017) — Tradução do Neuralese; Mordatch & Abbeel (2018) — Comunicação emergente em sistemas com múltiplos agentes.

Licenciamento das imagens: Fotografias históricas: CC0 1.0 — Domínio público . O diagrama do Neuralese é uma ilustração editorial original.

Essa diferença define tanto as possibilidades quanto as limitações da inteligência artificial na arqueologia.

Volto a pensar no Disco de Phaistos, que tanto me impressionou durante minha visita a Creta, em 1999. Hoje, técnicas avançadas de obtenção de imagens e métodos computacionais permitem documentar seus sinais com extraordinária precisão, examinar sua disposição e compará-los com outras inscrições antigas. Esses recursos podem ampliar o conjunto de evidências disponíveis e ajudar a descartar hipóteses sem sustentação.

Entretanto, o disco permanece indecifrado. Medidas mais precisas não fornecem automaticamente o contexto linguístico e cultural que nos falta.

A verdadeira contribuição da inteligência artificial é, portanto, metodológica. Ela amplia aquilo que os arqueólogos podem observar, quantificar, comparar e testar. Suas conclusões adquirem significado científico quando são sustentadas por evidências independentes, controles estatísticos adequados e interpretações abertas à crítica.

A inteligência artificial pode revelar estruturas nos vestígios arqueológicos. Determinar o que essas estruturas significavam continua sendo um problema histórico muito mais difícil.

---

A Longa História da Memória Externa

As origens da escrita costumam ser apresentadas como uma sequência histórica relativamente simples. Primeiro veio a fala, seguida pela agricultura, pelos assentamentos permanentes, pelas cidades e, finalmente, pela linguagem escrita.

Essa sequência contempla transformações importantes, mas oculta uma história muito mais antiga e complexa.

Muito antes das primeiras civilizações urbanas, os seres humanos já produziam objetos capazes de preservar vestígios visíveis de suas atividades, crenças e experiências. Pinturas rupestres, pequenas esculturas, adornos e gravações geométricas demonstram que a expressão simbólica fazia parte da vida humana dezenas de milhares de anos antes do surgimento dos primeiros sistemas de escrita.

Antes da Escrita: A Arte da Humanidade Pré-Histórica

Três extraordinárias tradições de arte pré-histórica, apresentadas em ordem cronológica, dos períodos representativos mais antigos aos mais recentes.

Contexto arqueológico

As imagens estão organizadas cronologicamente de acordo com períodos artísticos representativos, e não segundo as datas da ocupação humana mais antiga ou das primeiras pinturas de cada sítio. A datação da arte pré-histórica apresenta dificuldades consideráveis. Os pigmentos podem não conter materiais orgânicos adequados à datação; figuras diferentes em um mesmo abrigo podem pertencer a períodos distintos; e métodos de datação indireta podem produzir intervalos cronológicos amplos. Essas imagens demonstram uma longa história de representação visual, mas não permitem concluir que as pinturas pré-históricas constituíam uma forma de linguagem escrita.

Referências e datação:
Ministério da Cultura da França — Cronologia de Lascaux
Museo Nacional de Altamira — Cronologia
UNESCO — Parque Nacional da Serra da Capivara
ICOMOS — Serra da Capivara: avaliação para o Patrimônio Mundial

Esses objetos introduziram uma possibilidade extraordinária: algo produzido por uma pessoa poderia permanecer disponível para outras muito depois de seu criador ter desaparecido.

Um padrão gravado poderia ser reproduzido. Uma imagem reconhecível poderia evocar uma tradição compartilhada. Uma sequência de marcas talvez servisse como lembrete, registro ou meio de comunicação. Essas possibilidades não demonstram que toda gravação codificasse informações, mas ilustram o potencial dos objetos materiais para ampliar a memória humana além da experiência individual.

Os artefatos aurignacianos de Jura da Suábia fazem parte dessa história muito mais longa.

Bentz e Dutkiewicz propuseram que suas marcas geométricas refletiam práticas deliberadas e convencionais, apoiando essa interpretação nas regularidades quantitativas identificadas no material arqueológico. A crítica posterior de Koplenig demonstrou por que as evidências disponíveis não permitem estabelecer essa interpretação com segurança.

O debate permanece em aberto. Não podemos reconstruir com confiança as regras que orientavam essas marcas, determinar se comunicavam informações específicas ou estabelecer uma relação evolutiva com os sistemas de escrita que surgiriam muitos milênios depois.

Ainda assim, os artefatos preservados oferecem evidências de práticas intencionais de gravação, cuja organização pode ser investigada matematicamente. Sua importância não depende de demonstrarmos que os europeus pré-históricos já haviam inventado a escrita.

O surgimento da escrita na Mesopotâmia e no Egito, no final do quarto milênio antes de Cristo, continua sendo uma das grandes transformações intelectuais e sociais da humanidade. Com o tempo, a escrita tornou possível preservar registros administrativos cada vez mais elaborados, tradições jurídicas, textos religiosos, observações científicas e obras literárias. O conhecimento podia acumular-se ao longo das gerações sem depender exclusivamente da transmissão oral ou da memória individual.

As consequências foram muito além da comunicação. Os registros escritos ajudaram as instituições a coordenar atividades econômicas, preservar obrigações, estabelecer relações de autoridade e manter sua continuidade através do tempo e do espaço.

Nesse sentido, a escrita tornou-se uma das mais importantes tecnologias de memória externa desenvolvidas pela humanidade.

Ao longo dos milênios seguintes, o papel, a imprensa, as bibliotecas e o armazenamento digital ampliaram enormemente essa capacidade. Hoje, a inteligência artificial introduz uma nova possibilidade: sistemas externos capazes não apenas de armazenar e recuperar informações, mas também de transformá-las, estabelecer conexões entre diferentes fontes e auxiliar no raciocínio sobre seus conteúdos.

A distinção é importante. Uma tabuleta de argila preserva um registro; um livro organiza e reproduz conhecimentos; um modelo computacional pode analisar informações e gerar novas representações a partir delas. Essas tecnologias não constituem etapas de uma progressão única e inevitável, mas refletem o esforço contínuo da humanidade para ampliar suas capacidades cognitivas por meio de recursos materiais e tecnológicos.

Há algo particularmente impressionante em utilizar a inteligência artificial para investigar gravações produzidas há aproximadamente 40 mil anos. Estamos aplicando uma de nossas tecnologias mais recentes a algumas das mais antigas manifestações preservadas da atividade simbólica humana.

As marcas do Adorant permanecem indecifráveis. Talvez nunca seja possível estabelecer com certeza sua finalidade. A análise estatística consegue descrever sua organização, mas não pode, por si só, recuperar as intenções das pessoas que as gravaram.

Essa incerteza não diminui sua importância arqueológica. Ela nos lembra que a história da cognição humana não pode ser reconstruída apenas a partir das grandes realizações tecnológicas. Depende também dos vestígios preservados de práticas cotidianas cujos significados desapareceram.

As primeiras tradições de escrita que chegaram até nós surgiram no final do quarto milênio antes de Cristo. No entanto, dezenas de milhares de anos antes disso, os seres humanos já gravavam, pintavam e moldavam objetos de maneiras que certamente possuíam significado dentro de suas comunidades, mesmo que hoje esse significado esteja além do nosso alcance.

Ao terminar este artigo, volto às experiências que primeiro despertaram meu interesse pela arqueologia: as ferramentas de pedra polida da coleção de meu pai, os livros que li quando era jovem e, muitos anos depois, o momento em que estive diante do Disco de Phaistos, em Creta. Minha formação como físico me deu outra maneira de abordar esses objetos — por meio da medição, da comparação e do experimento —, mas nunca substituiu o fascínio que veio primeiro.

Talvez seja também por isso que escrever sobre esses temas seja importante para mim. Escrevo, em parte, para compreendê-los melhor, organizar aquilo que aprendi e dar alguma permanência a ideias que, de outro modo, permaneceriam dispersas em minha memória.

O Adorant continua resistindo à interpretação. O mesmo acontece com o Disco de Phaistos. E talvez essa resistência seja justamente parte do que os mantém intelectualmente vivos. Eles me lembram que o passado não é um livro esperando pacientemente para ser lido. Às vezes recuperamos uma língua, às vezes apenas um padrão e, em outras ocasiões, nada além da certeza de que outro ser humano, em algum momento remoto, produziu algo deliberadamente.

Para mim, isso já é suficiente para fazer com que a distância de milhares de anos pareça inesperadamente pequena.

---

Referências

Arqueologia, Símbolos Pré-Históricos e as Origens da Escrita

• Bentz, Christian, and Ewa Dutkiewicz. 2026. “Humans 40,000 y Ago Developed a System of Conventional Signs.” Proceedings of the National Academy of Sciences 123 (9): e2520385123. Published online February 23, 2026.
• Koplenig, Alexander. 2026. “Coding Choices and Short-Sequence Artifacts Undermine Claims of a Conventional Paleolithic Sign System.” Proceedings of the National Academy of Sciences 123 (38): e2627836123.
• Kelley, Kathryn, Mattia Cartolano, and Silvia Ferrara. 2025. “Seals and Signs: Tracing the Origins of Writing in Ancient South-West Asia.” Antiquity 99 (403): 64–82. First published online November 5, 2024.
• Spar, Ira. 2004. “The Origins of Writing.” Heilbrunn Timeline of Art History. New York: The Metropolitan Museum of Art.
• UNESCO World Heritage Centre. n.d. “Göbekli Tepe.” UNESCO World Heritage List.

Teoria da Informação, Inteligência Artificial e Comunicação entre Máquinas

• Shannon, Claude E. 1948. “A Mathematical Theory of Communication.” Bell System Technical Journal 27 (3): 379–423; 27 (4): 623–656.
• Gutherz, Gai, Shai Gordin, Luis Sáenz, Omer Levy, and Jonathan Berant. 2023. “Translating Akkadian to English with Neural Machine Translation.” PNAS Nexus 2 (5): pgad096.
• Andreas, Jacob, Anca Dragan, and Dan Klein. 2017. “Translating Neuralese.” In Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), 232–242. Vancouver: Association for Computational Linguistics.
• Mordatch, Igor, and Pieter Abbeel. 2018. “Emergence of Grounded Compositional Language in Multi-Agent Populations.” Proceedings of the AAAI Conference on Artificial Intelligence 32 (1): 1495–1502.

Contexto Histórico e Pessoal

• Mee, Arthur (concepção original). O Tesouro da Juventude. Adaptação brasileira de The Children’s Encyclopaedia / The Book of Knowledge. 18 volumes. W. M. Jackson, Inc., Brasil, diversas edições publicadas a partir da década de 1920. Visão geral da coleção e material histórico.
• Ceram, C. W. 1951. Gods, Graves, and Scholars: The Story of Archaeology. Translated by E. B. Garside. New York: Alfred A. Knopf. Originally published in German as Götter, Gräber und Gelehrte: Roman der Archäologie (Hamburg: Rowohlt, 1949).
• Time-Life Books. Década de 1990. História em Revista. Edição brasileira, 25 volumes ilustrados. São Paulo: Abril Livros / Time-Life Books.
• Lambert, Joseph B. 1997. Traces of the Past: Unraveling the Secrets of Archaeology Through Chemistry. Reading, MA: Addison-Wesley / Helix Books.

Essas referências têm para mim um significado particularmente pessoal. Durante a infância, devorei os volumes de O Tesouro da Juventude, uma coleção enciclopédica que me apresentou à história, à geografia, à ciência, à literatura e às realizações da civilização humana. Mais tarde, Gods, Graves, and Scholars, de C. W. Ceram, e as coleções de história ricamente ilustradas da Time-Life aprofundaram meu interesse pela arqueologia e pelo mundo antigo. Seus relatos de descobertas extraordinárias, acompanhados de fotografias, mapas e reconstruções, apresentaram-me civilizações, monumentos e artefatos que eu viria a conhecer pessoalmente muitos anos depois.

Durante minha formação científica, Traces of the Past: Unraveling the Secrets of Archaeology Through Chemistry (1997), de Joseph B. Lambert, acrescentou uma nova dimensão a esse interesse de longa data, mostrando como a química, a física e as técnicas analíticas modernas podem revelar informações sobre materiais e civilizações antigas. O livro também me ajudou a reconhecer as conexões entre a arqueologia e meu próprio trabalho como físico, particularmente meus interesses de pesquisa em espectroscopia e nas propriedades físicas dos minerais.

---

Leituras Complementares no AI-Talks.org

Evolução Humana, Arqueologia e Civilizações Antigas

• Pinheiro, Maurício Veloso Brant. 2026. “Nós Somos os Neandertais: IA, Homo Artificialis e a Substituição Silenciosa da Inteligência Humana.” AI-Talks.org, 29 de agosto de 2026. Examina a evolução cognitiva humana, a interação entre Homo sapiens e neandertais e a possibilidade de que a inteligência artificial represente uma nova transformação na evolução e na ecologia da inteligência.
• Pinheiro, Maurício Veloso Brant. 2026. “O Que a Idade do Bronze Tardia Revela Sobre a Fragilidade Moderna.” Rumo a uma Ciência do Colapso — Parte II. AI-Talks.org, 12 de maio de 2026. Investiga como secas, guerras, migrações, rupturas comerciais e fragilidades institucionais interagiram no colapso sistêmico do mundo altamente interconectado da Idade do Bronze Tardia e discute seus paralelos com a vulnerabilidade das redes modernas.

Neuralese, Comunicação Emergente e Agentes Autônomos de IA

• Pinheiro, Maurício Veloso Brant. 2026. “Agentes de IA Criaram uma Sociedade Virtual.” AI-Talks.org, 25 de maio de 2026. Analisa o experimento Emergence World, no qual agentes autônomos de IA interagem em sociedades virtuais persistentes, examinando cooperação, comportamento coletivo, instituições, instabilidade e segurança em sistemas multiagentes.
• Pinheiro, Maurício Veloso Brant. 2026. “O Que é Neuralese? A Linguagem Latente da IA.” AI-Talks.org, 28 de junho de 2026. Explora comunicação entre máquinas, representações latentes, raciocínio interno e as dificuldades de interpretar sistemas de inteligência artificial cujos processos não precisam assumir a forma de linguagem humana.

---

Créditos das Imagens e Licenciamento

As fotografias reproduzidas neste artigo e nas galerias que o acompanham ilustram sítios arqueológicos, artefatos e sistemas antigos de escrita discutidos no texto. Cada entrada identifica o objeto ou sítio, sua data aproximada, a instituição responsável ou localização arqueológica, o fotógrafo ou fornecedor da imagem e a respectiva licença de reutilização. As datas referem-se às obras arqueológicas, e não às fotografias.

Arte Rupestre e Arte Pré-Histórica

• Pinturas da Caverna de Lascaux — França. Paleolítico Superior, aproximadamente 21.500–21.000 anos atrás. Lascaux é conhecida por suas pinturas monumentais de auroques, cavalos, cervos e outros animais. A fotografia reproduzida neste artigo mostra uma reconstrução moderna em Lascaux II, e não a caverna original, protegida por razões de conservação. Fotografia: Eline13Viki+ (2024). Wikimedia Commons — Pinturas de Lascaux. Licença: CC0 1.0 — Dedicação ao Domínio Público.
• Bisão Policromático — Caverna de Altamira, Espanha. Paleolítico Superior, período Magdaleniano, aproximadamente 19.000–17.000 anos atrás. Um dos mais célebres exemplos de pintura animal pré-histórica, combinando pigmentos naturais e os contornos do teto da caverna para sugerir movimento e volume. O complexo de Altamira também contém obras consideravelmente mais antigas. Fotografia creditada ao Museo de Altamira e a D. Rodríguez. Wikimedia Commons — Bisão Policromático. Licença: CC BY-SA 3.0.
• Pinturas Rupestres Pré-Históricas — Serra da Capivara, Brasil. Período pré-histórico; aproximadamente 12.000–6.000 anos atrás é utilizado aqui como um intervalo cronológico regional representativo, e não como uma datação direta do painel fotografado. Os abrigos de arenito do Parque Nacional da Serra da Capivara, no Piauí, preservam pinturas representando animais, figuras humanas e cenas de atividades coletivas. Algumas interpretações arqueológicas propõem fases de ocupação e atividade artística substancialmente mais antigas. Fotografia: Diego Rego Monteiro (2012). Wikimedia Commons — Serra da Capivara. Licença: CC BY-SA 4.0.

Artefatos Pré-Históricos e Primeiros Sistemas de Escrita

• O Adorant — Caverna de Geißenklösterle, Alemanha. Período aurignaciano, aproximadamente 40 mil anos atrás. Pequena placa de marfim de mamute com uma figura antropomórfica, entalhes e fileiras de marcas geométricas. Descoberta no Jura da Suábia, no sudoeste da Alemanha; Landesmuseum Württemberg, Stuttgart. Fotografia: Hendrik Zwietasch / Landesmuseum Württemberg. Wikimedia Commons — The Adorant. Licença: CC BY 4.0.
• Tabuleta Administrativa Protocuneiforme — Mesopotâmia. Aproximadamente 3100–2900 a.C., período Jemdet Nasr. Antigo registro contábil em argila, provavelmente proveniente de Uruk, documentando a distribuição de cevada ou outro cereal. Seus sinais numéricos e pictográficos ilustram as origens administrativas da escrita mesopotâmica. The Metropolitan Museum of Art, Nova York, nº de inventário 1988.433.1. Registro da coleção do museu · Wikimedia Commons — Tabuleta Administrativa. Imagem cortesia de The Metropolitan Museum of Art, coleção Open Access. Licença: CC0 1.0.
• Contrato Acadiano de Venda de uma Casa — Mesopotâmia. Aproximadamente 2350–2150 a.C. Tabuleta de argila do arquivo de Quradum registrando uma transação imobiliária, ilustrando o uso de sistemas de escrita já estabelecidos em atividades jurídicas e econômicas. The Metropolitan Museum of Art, Nova York, nº de inventário 86.11.204. Registro da coleção do museu · Wikimedia Commons — Contrato Acadiano. Imagem cortesia de The Metropolitan Museum of Art, coleção Open Access. Licença: CC0 1.0.

Monumentos das Civilizações Antigas

• Estela da Vitória de Naram-Sin — Império Acádio. Reinado de Naram-Sin, aproximadamente 2254–2218 a.C. Relevo monumental que comemora a vitória do rei sobre os lullubi, combinando imagens de poder real com inscrições que preservam informações históricas e políticas. Musée du Louvre, Paris, nº de inventário SB 4. Fotografia: Ur-Pabilsag (2019). Registro da coleção do Louvre · Wikimedia Commons — Estela da Vitória de Naram-Sin. Licença: CC BY-SA 4.0.
• Estela de Hamurábi — Babilônia. Reinado de Hamurábi, aproximadamente 1792–1750 a.C. Monumento de basalto inscrito com uma extensa coleção de decisões jurídicas em cuneiforme paleobabilônico, encimado por um relevo que representa Hamurábi diante do deus Shamash. Musée du Louvre, Paris, nº de inventário SB 8. Fotografia: Urko Dorronsoro (2011). Registro da coleção do Louvre · Wikimedia Commons — Código de Hamurábi. Licença: CC BY-SA 2.0.
• Disco de Phaistos — Face A, Creta Minoica. Segundo milênio a.C., geralmente datado de aproximadamente 1700–1650 a.C. Disco de argila cozida com sinais estampados dispostos em espiral, cuja inscrição permanece indecifrada. Heraklion Archaeological Museum, Creta, Grécia. Fotografia: Gleb Simonov (2024). Wikimedia Commons — Disco de Phaistos, Face A. Licença: CC0 1.0.
• Estatueta de um Escriba — Egito Antigo. Novo Império, XVIII Dinastia, aproximadamente 1427–1347 a.C. Estatueta de serpentinita representando um escriba egípcio sentado, com um rolo de papiro sobre o colo, ilustrando o papel especializado dos profissionais responsáveis pelos registros na sociedade egípcia antiga. Proveniente de Tebas, Alto Egito. The Metropolitan Museum of Art, Nova York, nº de inventário 31.4.1a. Registro da coleção do museu · Wikimedia Commons — Estatueta de um Escriba. Imagem cortesia de The Metropolitan Museum of Art, coleção Open Access. Licença: CC0 1.0.
• Epopeia de Gilgámesh — Tabuleta XI. Período neoassírio, primeiro milênio a.C.; a tradição manuscrita representada é convencionalmente datada do século VII a.C. Réplica moderna em gesso de uma tabuleta cuneiforme contendo a narrativa mesopotâmica do dilúvio. Harvard Semitic Museum, Cambridge, Massachusetts. Fotografia: Daderot (2016). Wikimedia Commons — Epic of Gilgamesh, Tablet XI. Licença: CC0 1.0.
• Pedra de Roseta — Egito Ptolemaico. 196 a.C. Decreto em granodiorito inscrito em hieróglifos egípcios, demótico e grego antigo. Seu texto multilíngue forneceu evidências fundamentais para a decifração dos hieróglifos egípcios no século XIX. British Museum, Londres, nº de inventário EA24. Fotografia: Andres Rueda (2012). Registro da coleção do British Museum · Wikimedia Commons — Pedra de Roseta. Licença: CC BY 2.0.

Ilustrações e Diagramas Originais

A ilustração de destaque do artigo, representando objetos arqueológicos, inscrições antigas, instrumentos científicos e inteligência artificial, foi gerada com IA sob a direção editorial do autor para o AI-Talks.org (2026). Trata-se de uma ilustração conceitual, e não de uma fotografia documental ou de uma reconstrução exata de objetos arqueológicos específicos.

Os diagramas originais sobre Neuralese e teoria da informação apresentados nos quadros explicativos são visualizações esquemáticas preparadas especificamente para este artigo. Seu objetivo é ilustrar conceitos científicos, e não reproduzir artefatos históricos ou observações experimentais.

Notas de Licenciamento e Editoriais

Fotografias distribuídas sob licenças CC BY e CC BY-SA exigem atribuição, identificação da licença e indicação de modificações, quando aplicável. As disposições ShareAlike aplicam-se às adaptações das fotografias licenciadas. Imagens distribuídas sob CC0 podem ser reutilizadas sem exigência legal de atribuição, embora a identificação do fotógrafo ou da instituição responsável continue sendo uma boa prática acadêmica.

Os intervalos cronológicos são aproximados. Em particular, a estimativa utilizada para a Serra da Capivara refere-se ao contexto arqueológico regional e não deve ser interpretada como uma datação direta da pintura ilustrada. Da mesma forma, a fotografia de Lascaux apresenta uma reconstrução moderna, e não uma parede original da caverna.

Todas as fotografias arqueológicas são creditadas aos respectivos fotógrafos, instituições e fontes no Wikimedia Commons. As ilustrações editoriais geradas por IA são identificadas separadamente para distinguir imagens conceituais da documentação arqueológica.

---

Maurício Veloso Brant Pinheiro, PhD
Professor of Physics, Federal University of Minas Gerais (UFMG)
Founder, Author and Editor, AI-Talks.org
About Us

Editorial transparency note: This article, as with all articles published on this site, was conceived, directed, written, and reviewed by Prof. Maurício Veloso Brant Pinheiro. Artificial intelligence was used as an assistant for editorial refinement, formatting, image generation, SEO metadata, and publication workflow.

---

Copyright 2026 AI-Talks.org