La IA ayuda a leer papiros de Herculano sin abrirlos

El 25 de junio de 2026, el Vesuvius Challenge anunció que había reconstruido de extremo a extremo la parte conservada de un rollo carbonizado de Herculano y recuperado textos extensos de otros ejemplares sin abrirlos físicamente. La noticia no es que una inteligencia artificial haya «leído» por sí sola una biblioteca romana. Es que una cadena de instrumentos, geometría computacional, modelos de detección de tinta y filología empieza a producir páginas que otros especialistas pueden inspeccionar. Entender esa cadena permite distinguir una lectura arqueológica sólida de una imagen vistosa generada por un algoritmo.

Los resultados presentados en Nápoles incluyen casi 1,5 metros y unas 20 columnas de texto de PHerc. 1667, más de 70 columnas de PHerc. 172 y la identificación de obras atribuidas a Filodemo. Estas cifras y atribuciones proceden del anuncio de la Universidad de Kentucky, que también deja clara una limitación esencial: PHerc. 1667 conserva solo una parte del rollo original. «Completo», en este contexto, significa que se ha procesado de extremo a extremo la porción superviviente, no que se haya recuperado un libro antiguo intacto.

El resultado visible tiene cuatro capas

Los papiros quedaron carbonizados por la erupción del Vesubio del año 79. Abrirlos mecánicamente puede separar, deformar o destruir capas que llevan siglos comprimidas. El desenrollado virtual sustituye ese gesto irreversible por cuatro operaciones comprobables. Primero, una tomografía de rayos X convierte el objeto en un volumen de pequeños elementos tridimensionales, o vóxeles. Después se localiza dentro del volumen una superficie de papiro. Esa superficie curva se representa como una malla y se aplana. Finalmente, un modelo estima dónde puede haber tinta y un papirólogo decide si las formas permiten leer letras, palabras y argumentos.

Cada peldaño puede fallar de una manera distinta. Un escaneo con resolución insuficiente no contiene el detalle necesario, aunque el modelo sea excelente. Una segmentación que salta de una hoja a la contigua mezcla dos zonas que nunca estuvieron juntas. El aplanado puede estirar o duplicar trazos. El detector de tinta puede convertir textura natural en falsas letras. Y una secuencia gráfica real todavía puede admitir varias restauraciones filológicas. Por eso «la IA leyó el rollo» es una descripción demasiado pobre: borra el instrumento, la geometría y la interpretación humana que hacen posible comprobar el resultado.

La propia página técnica del Vesuvius Challenge reconoce dónde está hoy la frontera. La tomografía entrega vóxeles, no columnas de texto; el trazado de superficies sigue siendo semiautomático y falla donde las hojas están muy juntas o rotas. La tinta ha aparecido en nueve de los 45 rollos y fragmentos escaneados, pero no siempre de forma legible. Son datos más útiles que una promesa general, porque indican el denominador y separan un caso logrado de una solución universal.

Ver el soporte no equivale a ver la tinta

La dificultad física es poco intuitiva. En muchos de estos manuscritos, tanto el papiro carbonizado como la tinta contienen principalmente carbono. Una radiografía puede representar bien pliegues, fibras y huecos, pero ofrecer muy poco contraste de atenuación entre escritura y soporte. Los investigadores buscan entonces señales más débiles: diferencias locales en textura, composición o relieve, aprendidas a partir de fragmentos abiertos donde sí se conoce qué puntos tienen tinta.

Un estudio publicado el 18 de junio de 2026 en Scientific Reports examinó precisamente si la topografía superficial contiene información aprovechable. El equipo entrenó un modelo con profilometría óptica tridimensional de papiros abiertos y comprobó que podía separar regiones entintadas y no entintadas en el conjunto reunido. Pero el artículo no afirma haber encontrado un relieve universal de las letras. La transferencia al dejar fuera un papiro cada vez fue heterogénea, y el rendimiento empeoró al reducir la resolución lateral. La conclusión prudente es una prueba de concepto condicionada por los datos y por la modalidad de imagen.

Esa letra pequeña enseña a leer cualquier resultado de visión artificial. Hay que preguntar de qué ejemplares salen las etiquetas, si el ensayo separa objetos completos entre entrenamiento y evaluación, y qué ocurre al cambiar el escáner, la resolución o el estado de conservación. Dividir al azar pequeñas teselas de una misma superficie puede inflar el rendimiento: el modelo ve durante el entrenamiento la textura particular del objeto que luego aparece en la prueba. Excluir un papiro entero es más exigente porque mide mejor la generalización a un artefacto nuevo.

La geometría es tan decisiva como el modelo

Antes de buscar tinta hay que encontrar la hoja adecuada dentro de un bloque deformado. Imaginemos un periódico arrugado, quemado y comprimido hasta que dos páginas contiguas casi se tocan. Una ruta incorrecta a través del volumen puede producir una superficie visualmente continua formada por trozos de páginas diferentes. El detector podría marcar señales reales y, aun así, la frase resultante no haber existido nunca en el objeto.

Por eso una demostración convincente no presenta solo una imagen plana. Debe permitir volver desde cada zona legible a la superficie tridimensional, al volumen tomográfico y, en último término, al artefacto catalogado. El manuscrito técnico sobre el primer desenrollado integral, publicado por el proyecto con sus materiales, documenta esa cadena en el informe de PHerc. 1667. La trazabilidad espacial importa más que el aspecto nítido: una imagen mejorada sin coordenadas y sin versión del proceso es difícil de auditar o repetir.

Los datos de partida tampoco son una fotografía convencional. La instalación ESRF explica que su línea BM18 usa un haz fino y estable para construir representaciones tridimensionales de alta calidad; algunos escaneos alcanzaron hasta 300 terabytes por rollo. El balance oficial del ESRF vincula esas imágenes con el desenrollado y el análisis neuronal posteriores. El tamaño no garantiza verdad, pero ayuda a entender por qué el cuello de botella incluye almacenamiento, calibración, reconstrucción y revisión, no solo entrenar una red.

Una lectura necesita evidencia filológica

El último paso cambia de disciplina. Un mapa de probabilidad de tinta no contiene automáticamente un texto griego. Especialistas identifican manos, comparan formas de letras, proponen separaciones de palabras, marcan lagunas y valoran restauraciones posibles. La identificación de «Filodemo, Sobre los dioses, libro 8» en PHerc. 139 depende de una secuencia visible, de la lectura del nombre y del numeral, y de su relación con obras conocidas. La atribución gana fuerza cuando varias pistas convergen; no porque el sistema asigne una etiqueta con confianza alta.

También conviene separar descubrimiento y confirmación. En febrero de 2025, las Bibliotecas Bodleianas ya habían comunicado la primera imagen interior de PHerc. 172 después de escanearlo en Diamond Light Source. Su nota institucional decía entonces que los especialistas de Oxford todavía interpretaban el texto y que el trabajo continuaba. La presentación de junio de 2026 añadió más de 70 columnas y una identificación concreta. Esa secuencia muestra cómo debe evolucionar una afirmación científica: de señal observada a lectura provisional y de ahí a una edición defendible.

La incertidumbre no rebaja el hallazgo. Al contrario, indica qué parte puede comprobarse y qué parte sigue abierta. «Probable tratado estoico», «título aún desconocido» o «lectura insegura en un pliegue» contienen más información que una reconstrucción presentada como certeza. Para un lector, la regla transferible es pedir que la salida conserve sus lagunas. Cuando un sistema rellena silenciosamente lo que no ve, ya no sabemos qué procede del objeto y qué procede de una expectativa.

Cómo auditar la próxima “lectura imposible”

Ante cualquier noticia sobre IA que recupera un manuscrito, una inscripción o una imagen médica, se puede aplicar el mismo examen. ¿Cuál es el objeto exacto y quién lo custodia? ¿Qué instrumento generó los datos y con qué resolución? ¿Cómo se obtuvo la referencia usada para entrenar o validar? ¿Se evaluó sobre objetos no vistos? ¿Puede rastrearse una letra desde la imagen procesada hasta el volumen original? ¿Quién interpreta la salida y cómo representa las dudas? Una respuesta clara en cada paso forma una cadena de evidencia; un salto sin documentación es una hipótesis, aunque la imagen parezca convincente.

En Herculano, la colaboración abierta también facilita ese control. El reto ha publicado imágenes tridimensionales y software, mientras instalaciones científicas, bibliotecas y papirólogos aportan funciones distintas. Eso no elimina sesgos ni errores, pero permite que una afirmación tenga múltiples puntos de inspección. La meta no es premiar al algoritmo que produce letras más bonitas, sino recuperar textos que puedan convertirse en ediciones críticas y soportar desacuerdo experto.

La capacidad que deja este avance es concreta: reconstruir la ruta completa desde el artefacto hasta la frase. Escáner, superficie, tinta y lectura son cuatro pruebas diferentes. Si una noticia solo muestra la última, falta saber cómo llegó allí; si documenta las cuatro y conserva la incertidumbre entre ellas, la inteligencia artificial deja de ser una explicación mágica y se convierte en una herramienta científica auditable.