智能识别能否破解古文字“密码”

很多人或许都有这样的经历：在旅游景点或宾馆饭店的大堂，书写着古文字的碑刻或卷轴突现眼前，目光是被吸引了，但是写的究竟是些什么字却颇费猜详。在场者或如观天书，一头雾水；或各持己见，争执不休。显然，此时如有AI来帮忙，拍张照，来个图像智能识别给出准确答案，那该有多好！当然，这在当下已经不是奢望，因为古文字识别程序确已触手可及。

或许有人认为，古文字早已不再通用，看不懂也无伤大雅，识别工具可有可无。然而这种想法大错，因为兹事体大。古文字研究具有重要文化价值和传承意义。中国文化的传承以古文献为基本载体，古文献分传世文献与出土文献两类，而作为中华文化传承两翼之一的古文字文献以其相对年代更早，且更真实地保存了文献的原始面貌，因而成为中国文化遗产中最具历史厚度的部分，被视为“中华优秀传统文化的根脉”。而且古文字学已有两千年的研究历史，早已形成信息丰富的知识体系，这种系统知识对于各学科领域而言均是不可或缺的信息资源，王国维先生“二重证据法”的提出，正是立足于对古文字知识体系重要价值的认知。推进中国自主知识体系建构，古文字知识的社会普及也是不可忽略的一环。然而，古文字又属于“冷门绝学”，其知识系统的社会知晓度极低。而智能图像识别，是真正面向大众开启古文字知识库“冷门”的钥匙。

殷王武乙（文丁？）贞问祭祀先公先王卜骨故宫博物院藏

令人遗憾的是，目前可供社会公众使用的古文字识别网络程序凤毛麟角，如微信小程序“字鉴”、PC版“中国文字智能检索网络数据库”等，这与30年来已发表的好几十篇古文字识别研究论文形成了反差。古文字智能图像识别是典型的应用型研究，不应停留于纸面。而现有工具虽然实现了从无到有的突破，但尚需完善之处不在少数。有鉴于此，我们就古文字智能识别的未来研发策略略陈管见，以就教于方家。

第一，突破只管“供货”不让“验货”的局限。目前的古文字识别程序由于种种原因，尚无法做到百分之百的识别准确率。同时由于古文字知识的冷门，程序使用者也往往难以找到其他途径来验证识别信息的准确与否。因此，古文字识别程序如果效仿现代汉字识别模式，即只给出某个古文字图像属于现行字符集中的哪个字的信息，是不可取的；而是需要为识别结果添加其文献出处等验证路径。实际操作中，一般可将识别的字单位归属结果跳转至相关识别对象所出的第一手文献信息页面，以便使用者查证识别结果的准确性并进一步了解相关的扩展性知识，如链接到该字的出处、释读、时代等信息页面。该功能对于非古文字专业者而言是极大的利好，它能有效排除识别错误给普通大众带来的误导，又能让不同领域的研究者深入探索所识别文字的更多学术信息，促进专业学习和研究。

第二，突破专类古文字识别的“悖论式”使用尴尬。古文字识别程序如果只限定某一专类古文字，如甲骨文、金文的识别，在社会应用中难免遭遇尴尬：需要借助工具来识别古文字者，大概率是对需识别古文字所属种类亦无所知的人群，往往无法找到对应的识别程序。因此，消除古文字智能识别程序对于文字种类的限制是必要的。可以在各种专类古文字识别程序的上位，再添加“不明类型古文字识别”的功能，以便使用者先通过该功能确定识别对象所属的类别，再进入专类程序以提升识别结果的精确度。当然，这一目标实现的前提，是识别程序的深度学习训练样本不能仅局限于某一种类的古文字，而必须包含所有古文字种类。

第三，避免将“智能识别”降格为“只能识别”。古文字材料中存在大量未被纳入电脑通用字符集中的字，即所谓“集外字”，给古文字识别带来一系列难题：即便识别程序能够识别某古文字，也由于其在字符集中的缺位而无法给出识别结果。此外，如果是有验证环节的识别程序，用户在验证检索查询中遭遇集外字，也将面临识别文本无法输入、检索结果无法跳转等问题。对此，需要开展两方面的研发：其一，遵循电脑字符集国际标准，对识别程序应覆盖的古文字文献用字进行严格的数字化整理，即对古文字中所有具有存在必要的字符，赋予唯一对应的标准字符集内码，在此基础上研发相应的古文字字符集，并为其生成字体后嵌入识别程序，以此支持识别过程中集外字的正确显示，并满足集外字其他数字化处理的需求。其二，为应对识别过程中需要进行的集外字检索输入问题，则应开辟针对性的集外字检索路径，如偏旁检索和笔画检索。在偏旁检索路径下，使用者可通过输入集外字的任一偏旁构件，来汇聚所有包含该偏旁或构件的集外字，此时使用者只需从结果中点选对应集外字，即可跳转到该集外字的检索结果页面。笔画检索路径同此。而当初步检索结果较多时，则可同时输入笔画和偏旁，以此缩小检索范围，提高检索效率。

第四，坚持先普及后提高的研发思路。古文字智能图像识别可分“专业型”和“普及型”两类。所谓“专业型”，即通过智能识别等AI技术完成未识古文字的考释工作，这一愿景固然备受期待，但受古文字材料出土发现有限等客观条件制约，尚不具备落地基础。因此，当下研发重点应放在“普及型”，即对既有古文字知识系统进行智能识别解读程序的研发。事实上，历经两千多年研究积累，现有古文字知识体系已经非常丰富，而迄今未识的古文字之所以未识，一般都是受客观研究条件的限制而陷于瓶颈的，短期内很难有大面积突破。因此，“普及型”优先的理由其实很简单：一座超大图书馆已经存在，却对社会大众关闭大门，因此尽快让它开放，比在其中添加几本新书更为重要。另外，古文字研究本身是一种跨学科研究，只有通过古文字知识的普及，实现更多研究领域的协同攻关，才更加有利于古文字考释瓶颈问题的突破。

（作者单位：华东师范大学中国文字研究与应用中心）