Escanear capa por capa, leer línea por línea
En el año 79 d.C., una erupción del Vesubio sepultó la ciudad de Herculano bajo ceniza volcánica. Una biblioteca privada de la ciudad —conocida hoy como la “Villa de los Papiros”— albergaba cientos de rollos de obras filosóficas y literarias. Los gases a alta temperatura carbonizaron instantáneamente estos rollos, transformándolos en una estructura de carbono puro extremadamente frágil. Durante dos mil años, este estado de carbonización creó una cruel paradoja: los rollos se conservaron, pero se deshacen al tocarlos.
Leerlos significaba destruirlos.
El 25 de junio de 2026, el equipo del Vesuvius Challenge anunció algo extraordinario: el rollo catalogado como PHerc. 1667 —internamente llamado Scroll 4— había sido completamente “desenrollado virtualmente” y leído de principio a fin. Era la primera vez en la historia que la humanidad leía el contenido de un rollo carbonizado sin tocarlo físicamente.
Cuando leí esta noticia, mi primera reacción fue de escepticismo: tinta de carbono sobre papiro carbonizado; los rayos X apenas pueden distinguir diferencias de densidad entre ambos. ¿Cómo demonios se logró?
El núcleo del problema: buscar carbono sobre carbono
Para entender este proyecto, hay que comprender primero la dificultad técnica fundamental.
La tomografía computarizada (TC) de rayos X convencional se basa en las diferencias de densidad o composición entre materiales para generar contraste. Tinta metálica sobre pergamino, con alto contenido de plomo, aparece blanca y brillante en la imagen de TC. Pero los rollos de Herculano usaban tinta de carbono —hollín o polvo de carbón mezclado con aceite— y el papiro que la sostiene también fue carbonizado hasta convertirse en carbono casi puro por el calor volcánico. Ambos materiales tienen coeficientes de atenuación de rayos X prácticamente idénticos. Dicho de otro modo: lo que produce la TC es una masa gris uniforme en espiral, donde el ojo humano no puede distinguir dónde hay escritura.
Esta es precisamente la razón por la que la comunidad académica consideró durante mucho tiempo estos rollos como “ilegibles”. En la página que el equipo publicó junto con su artículo, se lee: “To read one was to destroy it”. Los intentos de desenrollado físico de los siglos XIX, 1969 y los años 80 destruyeron de hecho las capas externas de PHerc. 1667: el rollo, que originalmente medía entre 19 y 24 cm de altura, hoy apenas conserva un núcleo de unos 8 cm.
Cómo se logró: del sincrotrón al aprendizaje automático
Toda la cadena técnica puede descomponerse en cuatro pasos. Ninguno de ellos es enteramente nuevo por separado, pero encadenarlos en un pipeline de ingeniería viable es la verdadera contribución de este trabajo.
Primer paso: adquisición de datos de alta calidad. El escaneo se realizó en la línea de luz BM18 del Sincrotrón Europeo (ESRF) en Grenoble, Francia, complementado con tiempo de haz en la fuente Diamond Light Source del Reino Unido. La BM18 aprovecha la reciente actualización del ESRF a la “Extremely Brilliant Source”, que produce un haz de rayos X con una resolución espacial y una estabilidad excepcionalmente altas. No es una TC ordinaria: la microtomografía de contraste de fase (phase-contrast microtomography) permite capturar fronteras microestructurales que la TC de absorción convencional no puede ver. Un solo rollo generó hasta 300 TB de datos. El ESRF declaró oficialmente que se trata del mayor conjunto de datos jamás producido en la historia de la instalación.
¿Qué implica esto? 300 TB no es solo “mucho”. Significa que, para un rollo de aproximadamente 1,4 metros de largo enrollado en espiral compacta, la resolución del escaneo es suficiente para distinguir cada una de las capas, finas como el papel. Sin esta resolución, los pasos siguientes habrían sido imposibles.
Segundo paso: reconstrucción geométrica y desenrollado virtual. A partir de los datos volumétricos 3D, se traza la trayectoria espiral de las capas de papiro y se proyectan sobre una superficie 2D plana. Este proceso, llamado “virtual unwrapping”, fue desarrollado progresivamente a lo largo de las dos últimas décadas por EduceLab, el grupo dirigido por Brent Seales en la Universidad de Kentucky. Identificar los límites de las capas de papiro en los datos de TC requiere una enorme cantidad de anotación manual: en los comentarios de HN, un miembro del equipo admitió que este trabajo es “extremely tedious and slow and error prone”. Lo que veo aquí es el punto verdaderamente devorador de la ingeniería de procesos: la calidad de la anotación manual determina directamente la precisión de la superficie desenrollada. No es un problema de algoritmo, sino de capacidad de anotación.
Tercer paso: detección de tinta. Este es el eslabón más frágil y a la vez más fascinante de todo el pipeline. La superficie 2D desenrollada sigue pareciendo casi en blanco a simple vista: no hay contraste perceptible entre la tinta de carbono y el sustrato carbonizado. Pero la tinta, al ser aplicada, deja cambios micrométricos en la topografía de la superficie: la punta del cálamo presiona las fibras, la tinta penetra en los poros y, al secarse, crea una textura distinta de la de las zonas circundantes. Estas diferencias de textura existen en los datos de contraste de fase como señales extremadamente débiles, imperceptibles para el ojo humano pero que un modelo de ML adecuadamente entrenado sí puede capturar.
El equipo explicó en HN: “Most of the ink we have come across is carbon based. This leaves a certain texture on the scrolls that is recoverable and viewable with fairly basic physically based rendering.” Pero esto no equivale a “ver directamente”. El modelo aprende a partir de datos anotados: usando fragmentos conocidos (donde la posición de la tinta puede confirmarse con luz visible o infrarroja cercana) como ground truth, el modelo aprende los patrones de señal en las posiciones correspondientes de los datos de TC y luego extrapola al interior de los rollos cerrados, inaccesibles por cualquier otro método.
Cuarto paso: transcripción y verificación por papirología. El mapa de probabilidad de tinta que produce el modelo de ML no equivale a texto legible. La transcripción final la realizan papirólogos profesionales, que, basándose en las posiciones de trazo sugeridas por el modelo y aplicando su conocimiento de la gramática del griego antiguo, las convenciones de escritura y la crítica textual, determinan los caracteres más probables.
Lo que se ha leído
De la parte conservada de PHerc. 1667 se han extraído aproximadamente 22 columnas de texto griego, cuyo contenido es un tratado de filosofía ética. El texto discute conceptos centrales del estoicismo como “hormē” (impulso) y “phronēsis” (sabiduría práctica), y la última columna menciona a “Aristocreón” (Aristocreon), sobrino y discípulo del maestro estoico Crisipo (Chrysippus). Combinando el estilo lingüístico y la temática, los especialistas lo han datado como una obra estoica del siglo II a.C.
El ESRF informó de que la papirologa Federica Nicolardi considera que este podría ser uno de los rollos más antiguos de la colección de Herculano, remontándose al siglo II a.C. o incluso a finales del siglo III a.C.
Al mismo tiempo, el equipo ha progresado en otros dos rollos. En PHerc. Paris 4 (Scroll 1), un escaneo de mayor resolución ha hecho la tinta directamente visible en los datos volumétricos 3D, y los resultados de segmentación se corresponden uno a uno con la lectura ganadora del Vesuvius Challenge de 2023: una validación independiente. En cuanto a PHerc. 139, se ha identificado su título: Filodemo, Sobre los dioses, Libro 8 (Philodemus, On Gods, Book 8), obra del filósofo epicúreo. Es la primera confirmación de que Sobre los dioses comprende al menos ocho libros.
El hecho de que progresen tres rollos en paralelo, y no sea un hallazgo aislado, resulta más convincente que la lectura de un solo rollo.
Qué hay dentro de la caja negra: las dudas de los comentarios de HN
La pregunta que más me interesa es: ¿el modelo de ML “vio” realmente la tinta, o la “adivinó”?
En el hilo de HN hubo un intercambio muy honesto. Un antiguo participante del desafío preguntó: “¿Es posible que el modelo alucine trazos a nivel de carácter, o incluso que invente escritura?”
Un miembro que confirmó trabajar en el equipo del Vesuvius respondió (cito textualmente):
“Yes, it’s quite possible for ML to hallucinate ink, though it is on a much more local scale, like predicting a slightly longer stroke, filling in more of a character than is actually in the data, etc. Perhaps enough to change a reading of a character or show where ink isn’t.”
Es decir: sí, el ML puede alucinar tinta, pero la escala es local: alargar ligeramente un trazo, rellenar un carácter más de lo que los datos realmente respaldan. Este nivel de desviación basta para alterar la lectura de un carácter o mostrar señal donde no hay tinta.
Luego añadió una acotación clave: “It is difficult for ink detection to hallucinate grammatical and idiomatic Greek and Latin.” El modelo de detección de tinta no puede inventar de la nada párrafos enteros de griego antiguo o latín gramaticalmente correctos y con expresiones idiomáticas apropiadas.
Esta es una de las autoevaluaciones de ingeniería más francas que he visto. Revela dos cosas: primera, el modelo no inventa párrafos enteros, así que el “juicio general” sobre el contenido del rollo tiene una base de fiabilidad suficiente; segunda, a nivel de carácter individual, la incertidumbre es real. Como dijo lacónicamente el usuario de HN “167”: “Bottom of the paper, in the appendix. Don’t expect much. They only got fragments of text with a lot of missing words.”
El origen del ground truth también merece un examen. El mismo miembro del equipo explicó que los datos de entrenamiento provienen de anotación manual: los anotadores marcan capa por capa los límites del papiro y la posición de la tinta. Escribió: “Gathering ground truth is hard, and if you don’t have a lot of good ground truth, it doesn’t matter if your code is perfect, you’ll never get results.” Dicho de otro modo: el techo de calidad del ground truth determina el techo de rendimiento de todo el sistema.
Esto es especialmente crítico en el ámbito del patrimonio cultural. A diferencia de ImageNet, con millones de muestras anotadas, los datos de anotación de los rollos carbonizados están limitados por el número finito de fragmentos conocidos y el coste extremadamente alto de la anotación manual. Qué ha aprendido el modelo y qué se le ha escapado son dos preguntas que hoy carecen de respuesta cuantitativa.
Juicio de ingeniería, no conclusiones
Quiero hacer una evaluación sobria de este proyecto, sin tomar partido, solo ordenando hechos y valoraciones.
Lo logrado: es la primera lectura completa del texto de un rollo antiguo carbonizado mediante un método puramente no invasivo, con datos, código y resultados de transcripción completamente públicos. Los medios de verificación incluyen la comparación uno a uno con datos de escaneo independientes (PHerc. Paris 4), así como un pipeline reproducible entre rollos. De los más de 600 rollos de Herculano aún sin abrir, PHerc. 1667 es solo el primero, pero el pipeline ya ha demostrado que funciona.
Las limitaciones: la detección de tinta de carbono se basa en principio en señales de textura, no de densidad, y las señales de textura son débiles, locales y fácilmente contaminadas por el ruido. Lo que el modelo produce es un mapa de probabilidad. La transcripción final realizada por los papirologos conlleva un componente inferencial, especialmente en la determinación de trazos alargados o faltantes, donde el sesgo del modelo puede influir en la lectura de caracteres individuales.
Resumo esta situación así: la lectura a nivel de rollo es fiable, pero la interpretación a nivel de carácter admite un margen razonable de duda. Esto no es una descalificación del trabajo. Al contrario: precisamente porque han abierto todos los datos y el código, esta duda puede concretarse y someterse a verificación.
Si este método lograra difundirse
Volviendo a la perspectiva de ingeniería. El pipeline de escaneo de 300 TB y los subsiguientes pasos de desenrollado, detección y transcripción se han ejecutado en una de las instalaciones de sincrotrón más avanzadas del mundo. Pero la BM18 es una sola línea de luz. Para procesar los más de 600 rollos de Herculano aún sin abrir con este mismo flujo, los recursos críticos son tiempo de haz y mano de obra de anotación (el escaneo en sí es gratuito, mediante propuesta académica).
En la discusión de HN también se preguntó si “la técnica podría aplicarse a otros contextos”. El equipo respondió con cautela pero con una dirección clara: cualquier texto frágil que haya sido carbonizado, plegado o deformado hasta el punto de no poder ser desplegado físicamente podría, en teoría, beneficiarse de este pipeline. Palimpsestos medievales en pergamino, archivos documentales dañados por incendios, e incluso tablillas carbonizadas de épocas aún más antiguas son extensiones naturales.
La condición previa: disponer de un escaneo con suficiente resolución y volumen de datos, y de un grupo de personas dispuestas a anotar ground truth píxel a píxel.
El análisis anterior se basa en la información pública disponible en el momento y en las discusiones de la comunidad. Los detalles técnicos se atienen al preprint publicado oficialmente por el Vesuvius Challenge y a las respuestas públicas de los miembros del equipo en el hilo de HN.