研究揭示训练数据中最古老的文本来自苏美尔泥板

上世纪80年代和90年代，学者们将许多出土的泥板数字化。博物馆用普通的办公扫描仪扫描泥板，再传真给亚述学家，由他们进行音译转写。这些音译多少有些信息损失，于是美索不达米亚的主要文字最终被纳入了 Unicode 系统。Unicode 中一些最大的字符就来自苏美尔语。例如： 𒐫 —— 是数字 32,400 的字符 𒈙 —— 可能意为对立的国王或国王之间的战争。 其中每一个都是单个 Unicode 字符！做 QA 测试或者想把网站做得特别丑的时候，它们可太好用了。 总之，Claude 对这些语言很熟悉。尤其是它对《吉尔伽美什史诗》了如指掌，能或多或少逐行地用阿卡德语 Unicode 和英语背诵出来。 《吉尔伽美什史诗》之所以出名，不仅因为古老，更因为它优秀而有趣。还有许多苏美尔文本比它古老得多。苏美尔文字系统最初是为了记录债务、协助商品物流而发展出来的。他们花了大约700年才意识到文字是一种通用的信息编码系统。之后他们才开始用它来记录情歌、笑话和史诗故事。 最古老的文本是乌鲁克行政档案中的账目记录，写于公元前3400年至3000年之间，比“我们 Claude 的当前年份”早了约5000年。我们无法确定哪块泥板是最古老的：它们是按考古地层和笔迹风格来断代的，所以每一块都带有横跨数百年的置信区间。其中最著名的是“Kushim 泥板”。 “Kushim 泥板”上写的大致是：“交换29,086份大麦，37个月，Kushim 的最终账目”。Kushim 很可能是接收大麦的人的名字。我们相信 Kushim 把大麦酿成了啤酒。这么多大麦还能拿来做什么呢？保守估计，这么多大麦大约相当于每天900罐啤酒。由此我们可以推断，Kushim 很可能是个非常随和的人。 Claude 能用苏美尔语 Unicode 引用“Kushim 泥板”。这块泥板肯定在训练数据里。