Engenheiro de IA afirma ter decifrado Linear A

Tom Di Mino não é só mais um entusiasta com uma hipótese: ele aplicou o que hoje é a prática mais madura de engenharia de IA em humanidades, não como oráculo, mas como amplificador sistemático de intuição linguística. Usou Claude Code para automatizar a varredura de padrões morfológicos em mais de 1.400 inscrições digitizadas (GORILA + SigLA), cruzando posições sintáticas, repetições contextuais e correspondências fonéticas com línguas semíticas antigas. Isso não é 'IA traduzindo'; é IA como microscópio estatístico, acelerando testes de hipóteses que levariam décadas à mão, exatamente o que vimos no caso da vulnerabilidade do Linux descoberta por Carlini com a mesma ferramenta.

O achado central, o verbo *nawaya* ('habitar'), foi extraído de uma fórmula ritual repetida em cinco santuários. A chave foi reconhecer que *301 era um marcador gramatical, não um símbolo isolado. Isso ecoa a lógica usada em provas matemáticas recentes geradas com LLMs: identificar invariantes estruturais em sequências aparentemente caóticas. Só que aqui o invariante não é algébrico, é litúrgico.

Em abril, a CEVIU destacou como amadores com IA resolveram problemas matemáticos antigos, mas eram casos onde a IA gerava passos brutos, ainda dependendo de validação humana pesada. Em maio, vimos uma IA refutar uma conjectura geométrica autonomamente. Agora, em junho, Di Mino mostra a terceira camada: IA como parceira técnica em tempo real, integrada ao fluxo de trabalho de um pesquisador com domínio profundo, histórico, linguístico e arqueológico. Ele não substituiu a expertise; codificou sua heurística em scripts reutilizáveis. É a 'Era Centauro' em ação nas ciências humanas, não só no software.

Se confirmado, o trabalho de Di Mino não apenas decifra Linear A, redefine o papel da IA em disciplinas baseadas em evidência escassa. Não há corpus paralelo (como o Rosetta Stone para o egípcio), nem língua descendente direta. A validação virá de coerência interna, não de correspondência externa. Isso impõe limites rigorosos ao que modelos de linguagem podem alegar: aqui, a IA não 'adivinhou', mas operacionalizou uma cadeia de inferência testável, sílaba por sílaba, logograma por logograma. É um caso prático de como LLMs deixaram de ser ferramentas de geração para se tornarem infraestrutura de investigação histórica.