Fortiden er ikke færdig
AI kan gøre gamle breve, skjulte byer og lukkede bøger læsbare igen. Det gør fortiden større — og kravet til vores beviser vigtigere.
I 1809 lå en fransk general isoleret på den østlige side af Adriaterhavet.
Auguste de Marmont havde omkring 13.000 soldater under sig. Mellem ham og resten af Napoleons hære lå østrigsk territorium, og en ny krig var på vej. Derfor beordrede Napoleon sin stedsøn Eugène de Beauharnais til at sende Marmont en oversigt over, hvor de franske og allierede styrker befandt sig.
Brevet skulle skrives i kode og bæres frem af en betroet officer.
Det overlevede. Men nøglen gjorde ikke.
Den eneste offentligt kendte gengivelse endte som et kornet billede i et fransk militærhistorisk tidsskrift fra 1969. Øverst stod en enkelt almindelig fransk sætning. Derefter fulgte 24 rækker med tal, bogstaver og håndtegnede symboler.
I mere end to hundrede år kunne ingen læse resten.
I september 2026 gav AI-ingeniøren Carter Church billedet og en enkel opgave til OpenAIs AI-system GPT-6 Astra. Omkring seks timers maskinarbejde senere havde systemet rekonstrueret en læsning af brevet.
Ikke fordi modellen kendte én hemmelig metode, som mennesker havde overset. Den gennemførte en hel kæde af forskellige opgaver.
Først skulle den aflæse 1.300 tegn fra det dårlige billede. Den skulle opdage, hvornår to lidt forskellige kruseduller sandsynligvis var det samme symbol skrevet med en ustabil hånd. Derefter fandt den på nettet en gammel tabel fra den franske kryptologihistoriker Daniel Tant. Tabellen forklarede 33 af brevets 155 forskellige tegn, men ingen havde tidligere forbundet den med netop dette brev.
Det gav omtrent en tredjedel af teksten. For resten byggede modellen et program, som prøvede forskellige bogstaver og ord og målte, hvor meget resultatet lignede fransk. Til sidst kontrollerede den de foreslåede betydninger mod alle de steder, hvor hvert symbol optrådte på billedet.
Det lyder næsten som en fortælling om en maskine, der alene løste fortiden.
Det var det ikke.
Et problem, ingen havde råd til
Mennesker havde allerede gjort en stor del af arbejdet.
En forsker havde fundet brevet. En anden havde samlet den delvise nøgle. Arkiver havde digitaliseret tidsskriftet. Napoleons korrespondance var blevet udgivet i bogform allerede i 1800-tallet. Marmont havde skrevet erindringer. Historikere kendte krigens forløb.
Modellen fandt ikke spor, der var forsvundet. Den samlede spor, som lå spredt.
Det gør samtidig løsningen usædvanligt godt egnet til kontrol. Den rekonstruerede nøgle kan bruges på alle brevets tegn, og Church har offentliggjort både materialet og programmerne bag læsningen. Desuden findes Napoleons oprindelige ordre til Eugène. Den nævner de samme hære i den samme rækkefølge og med de samme tal, som optræder i det afkodede brev.
En forkert nøgle skulle altså ikke bare frembringe tilfældige franske sætninger. Den skulle ved et mirakel frembringe en sammenhængende militær besked, som passer til en anden bevaret ordre fra det samme tidspunkt.
Historikerne er stadig nødvendige. Som Live Science beskriver, fortæller brevet ikke pludselig en helt anden historie om Napoleon. Det gentager i høj grad noget, forskerne allerede vidste, og det skal fortolkes sammen med den øvrige viden om krigen.
Det nye er, at vi nu kan læse selve brevet.
Church kalder det et problem, ingen havde råd til. En specialist kunne sandsynligvis have løst det for mange år siden. Men det ville kræve uger med gammelt fransk, 1.300 utydelige tegn, statistik og kildekontrol — alt sammen for én plade i ét militærhistorisk tidsskrift.
De mennesker, der kunne gøre det, havde vigtigere spørgsmål at bruge tiden på.
Brevet var derfor ikke ulæseligt i streng forstand. Det var strandet i forskellen mellem det mulige og det praktisk mulige.
AI flyttede den grænse.
Hver tid får nye øjne
Vi kan let fortælle historien, som om AI for første gang giver menneskeheden adgang til en lukket fortid.
Det ville være forkert.
Vi har altid brugt nutidens teknologiske landvindinger til at stille nye spørgsmål til det, der allerede er sket.
I slutningen af 1940’erne udviklede den amerikanske kemiker Willard Libby en metode til at måle alderen på organisk materiale ved hjælp af den radioaktive kulstofvariant kulstof-14. Levende organismer optager kulstof, mens de er i live. Efter døden falder mængden af kulstof-14 i et kendt tempo. Ved at måle, hvor meget der er tilbage, kan forskerne beregne omtrent, hvornår organismen døde.
Det gav arkæologien et nyt ur. Lag, redskaber og menneskeknogler kunne placeres i tid på en anden måde end før. Libby fik Nobelprisen i kemi i 1960 for metoden.
Senere gav satellitter og fly os et nyt blik på landskabet.
Arkæologer havde tidligere været nødt til at bevæge sig gennem ørkener og jungler med gamle beretninger, kort, lokalkendskab og velbegrundede gæt. Med billeder og målinger fra luften kunne de pludselig se mønstre, som var usynlige fra jorden.
Radar kan under bestemte forhold trænge gennem tørt sand. LiDAR kan sende laserpulser ned gennem små åbninger i trækronerne og skabe et præcist højdekort af jorden nedenunder. På den måde kan veje, volde, fundamenter og hele bylandskaber træde frem under ørkenen eller skoven.
NASA beskriver, hvordan satellit- og radarbilleder hjalp forskere med at følge gamle handelsruter i Oman, og hvordan afklassificerede billeder fra amerikanske spionsatellitter senere blev et arkiv over landskaber, der siden var blevet bebygget, bombet eller pløjet væk. I Mellemamerika har LiDAR vist, at mayabyer under junglen var langt større og mere sammenhængende, end udgravningerne alene havde afsløret.
Satellitten skrev ikke historien. Den viste, hvor mennesket skulle kigge.
Arkæologerne måtte stadig rejse ud, grave, datere og fortolke. Men de havde fået et nyt synsorgan.
Gammelt DNA gav os noget andet: et nyt slægtskabskort. Ved at udvinde beskadiget arvemateriale fra gamle knogler kunne forskere undersøge uddøde menneskeformer og deres forbindelse til os. Svante Pääbo fik Nobelprisen i 2022 for sine opdagelser om uddøde menneskeformers arvemasse og menneskets evolution.
Kulstof-14 fortalte os mere om hvornår. Fjernmåling fortalte os mere om hvor. DNA fortalte os mere om hvem.
Hver teknologi gav ikke bare bedre svar. Den gjorde nye spørgsmål mulige.
Breve, der ikke kan åbnes
Nogle gange skal flere teknologiske generationer stables oven på hinanden, før fortiden bliver læsbar.
Da Vesuv gik i udbrud i år 79, blev en samling papyrusruller i Herculaneum forkullet. De blev fundet i 1700-tallet, men mange af dem ligner i dag sorte, sammenpressede klumper. Forsøg på at rulle dem ud fysisk kan ødelægge dem.
Man kunne eje teksten uden at kunne læse den.
I 2023 blev højopløselige scanninger af rullerne gjort til grundlag for Vesuvius Challenge. Deltagerne brugte blandt andet tredimensionelle modeller, billedanalyse og maskinlæring til at finde svært synligt blæk inde i de stadig sammenrullede papyruslag.
Mindre end et år senere kunne de begynde at læse ord, som ikke havde været set i omkring to tusind år.
AI var en vigtig del af gennembruddet, men den stod ikke alene. Uden den meget detaljerede tredimensionelle røntgenscanning, den matematiske rekonstruktion af de krøllede lag, papyruseksperterne og den åbne konkurrence havde modellen ikke haft noget at arbejde med.
Det er værd at holde fast i, fordi vi har en tendens til at gøre det nyeste værktøj til hele forklaringen.
Fortidens mysterier bliver sjældent løst af ét instrument. De bliver løst, når en ny evne føjes til en lang kæde af menneskelig omhu.
Fra nyt instrument til ny arbejdspartner
AI passer ind i denne historie, men den har også en lidt anden karakter.
Kulstofmåleren kan datere en prøve. Satellitten kan registrere landskabet ovenfra. DNA-analysen kan aflæse biologisk materiale. Hvert instrument gør en bestemt type spor læsbart.
AI kan arbejde på tværs af dem.
I Marmont-brevet bevægede modellen sig fra billede til tegn, fra tegn til en delvis nøgle, fra nøglen til et statistisk program og fra programmets resultat til historiske breve og erindringer. Den brugte altså ikke kun en ny sans. Den organiserede en undersøgelse på tværs af flere sanser og faglige værktøjer.
Det er den samme evne, jeg tidligere beskrev i AI finder de forbindelser, vi overser. Det nye ligger ofte ikke i den enkelte byggesten, men i den lange kæde: Find et spor, forbind det med et andet, afprøv forbindelsen, lær af fejlen og fortsæt.
Historisk forskning er fuld af den slags kæder.
En beskadiget indskrift skal ikke bare læses. Den skal måske placeres geografisk ud fra dialekten, dateres ud fra navne og bogstavformer og sammenlignes med tusindvis af andre tekster. Her har forskere udviklet AI-systemet Ithaca til at hjælpe med gamle græske indskrifter.
I et kontrolleret forsøg offentliggjort i Nature, hvor dele af tekster blev skjult, genskabte historikere alene tegnene korrekt i 25 procent af tilfældene. Ithaca alene nåede 62 procent. Da historikerne fik modellens forslag som hjælp, nåede de 72 procent.
Det bedste resultat kom altså hverken fra mennesket eller maskinen alene.
Modellen kunne søge mønstre i titusindvis af indskrifter. Historikeren kunne vurdere sprog, samfund og sammenhæng. Maskinen gjorde mulighedsrummet synligt. Mennesket kunne se, hvad der historisk gav mening.
Det er måske sådan, AI bliver et nyt redskab for fortiden: ikke kun som en måler, men som en arbejdspartner, der kan bevæge sig mellem målingerne.
Den uløste kø
I Når de døde taler skrev jeg om en anden knap ressource: opmærksomhed.
Fortiden mangler ikke nødvendigvis materiale. Der ligger breve, regnskaber, kirkebøger, fotografier, domme, kort og genstande i arkiver og magasiner. Problemet er, at et menneske kan bruge et helt arbejdsliv på at samle og forstå en lille del af det.
Derfor kender vi ikke kun fortiden gennem det, der blev bevaret. Vi kender den også gennem det, nogen havde tid og anledning til at undersøge.
Napoleon fik opmærksomhed nok. Alligevel lå ét af brevene i hans enorme eftermæle ulæst. Forestil dig så den lange hale af mindre berømte mennesker, lokale arkiver, fragmenterede indskrifter, glemte kort og fund, som ingen specialist kan retfærdiggøre at bruge måneder på.
Der findes sikkert mysterier, som er uløste, fordi beviserne er væk. Dem kan ingen model trylle tilbage.
Men der findes også en anden kategori: spørgsmål, hvor sporene allerede ligger der, men er fordelt over for mange billeder, arkiver, sprog eller fagområder. Spørgsmål, som er mulige at løse, men for dyre at forfølge.
Det er denne kø, AI kan begynde at forkorte.
Det kan ændre, hvem der får lov at gå på opdagelse. Carter Church var ikke ekspert i Napoleons koder. Han var en nysgerrig AI-ingeniør, som kunne sætte en stærk model i arbejde og bagefter offentliggøre en løsning, andre kunne kontrollere.
Når specialistens færdigheder delvist kan gøres tilgængelige gennem et system, kan flere mennesker afprøve et kvalificeret spørgsmål. Ikke som erstatning for fagfolkene, men som en måde at åbne flere spor, end fagmiljøet selv har tid til at følge.
Det er demokratiseringen af nysgerrighed.
Ikke alle får ret. Men flere får mulighed for at undersøge noget ordentligt.
Den plausible fortid
Der ligger også en fare i netop den evne.
En sprogmodel — et AI-system trænet til at behandle og skabe sprog — er meget god til at skabe sammenhæng. Det er nyttigt, når sammenhængen faktisk findes. Det er farligt, når hullerne i materialet er så store, at modellen må bygge bro med det sandsynlige.
Fortiden kan ikke protestere.
En general kan ikke fortælle os, at modellen har misforstået hans forkortelse. En kvinde fra 1800-tallet kan ikke rette den stemme, vi har konstrueret af hendes breve. En ruin kan ikke forklare, om en lige linje i jorden var en vej, en mur eller et naturfænomen.
Jo mere levende og sammenhængende resultatet bliver, desto lettere er det at glemme forskellen mellem spor og fortælling.
Derfor er Marmont-brevet vigtigt af en anden grund end det dramatiske navn. Det har kvitteringer.
Den foreslåede nøgle kan anvendes på hele teksten. Programmet kan køres igen. Tegnene kan sammenlignes med billedet. Resultatet kan holdes op mod Napoleons bevarede ordre og den kendte militære situation. Usikre tegn kan markeres som usikre frem for at blive glattet ud.
Det er en model for, hvordan vi bør bruge AI på fortiden.
Ikke ved at spørge: Kan maskinen fortælle en overbevisende historie?
Men ved at spørge: Kan den vise os vejen fra sporet til påstanden?
Kulstofmålingen har en usikkerhed. Satellitbilledet kræver kontrol på jorden. DNA-prøven kan være forurenet. En foreslået tekst skal passe til de faktiske tegn. AI fjerner ikke de gamle krav til evidens. Den gør dem vigtigere, fordi den kan producere så meget mere, der lyder rigtigt.
Church formulerede det præcist: Mulige løsninger kan automatiseres. Ansvar kan ikke.
Historien åbner sig igen
Historiebøger kan få fortiden til at se afsluttet ud.
Begivenhederne står i rækkefølge. Årstallene er trykt. Byerne er fundet. Brevene er citeret. De døde har fået deres pladser.
Men fortiden er ikke færdig i den forstand.
Selve begivenhederne ændrer sig ikke. Det gør vores adgang til dem.
Et nyt kemisk ur flytter dateringen af en bosættelse flere århundreder. Et kort skabt med laserlys viser, at en by fortsatte langt ud under skoven. En DNA-prøve forbinder befolkninger, som arkæologerne før holdt adskilt. En scanning åbner en bog, uden at nogen fysisk rører dens sider. En AI finder en kodenøgle og får 1.300 tavse tegn til igen at blive franske ord.
Hver ny teknologi giver menneskeheden nye sanser. Nogle retter vi mod fremtiden. Andre vender vi bagud.
AI er ikke en tidsmaskine. Den kan ikke besøge 1809, og den kan ikke hente det tilbage, som ikke efterlod sig noget spor. Men den kan hjælpe os med at se flere af de spor, vi allerede har, og følge forbindelser, som tidligere var for langsomme, for smalle eller for dyre at forfølge.
Det betyder, at en del af menneskehedens uløste fortid måske ikke venter på nye fund.
Den venter på nye måder at læse de fund, vi allerede har.
Fortiden ændrer sig ikke.
Men det, menneskeheden kan få den til at fortælle, gør.
Kilder og videre læsning
- Carter Church: Breaking the Marmont Cipher, 1809, 2026.
- Live Science: “A kind of Rosetta Stone”: AI decodes 217-year-old secret letter ordered by Napoleon, 2026.
- NASA Earth Observatory: Peering through the Sands of Time: Searching for the Origins of Space Archaeology.
- Nobel Prize: The Nobel Prize in Chemistry 1960.
- Nobel Prize: The Nobel Prize in Physiology or Medicine 2022.
- Yannis Assael m.fl.: Restoring and attributing ancient texts using deep neural networks, Nature, 2022.
- Vesuvius Challenge: 2023 Grand Prize awarded: we can read the scrolls, 2024.