中國是世界四大文明古國之一，中國浩如煙海的文獻典籍記錄了歷史。然而遺憾的是，近代以來(lái)超過(guò)400萬(wàn)冊中國古籍由于種種原因流散海外。
阿里巴巴達摩院、四川大學(xué)、美國加州大學(xué)伯克利分校近日公布，他們花費兩年多的時(shí)間，教會(huì )了AI識別中國古籍，將它們以數字化的形式接回故土，置于網(wǎng)絡(luò )公益平臺，向所有人開(kāi)放。
這個(gè)項目的名字叫“漢典重光”，意為讓失落的珍貴古籍重放光芒。“漢典重光”以97.5%的準確率，識別了20萬(wàn)頁(yè)古籍，覆蓋3萬(wàn)多字的古籍字典。
現代科技照亮中國古籍“回家”之路
中國古籍擁有非常龐大且復雜的知識體系，包括甲骨簡(jiǎn)牘、敦煌遺書(shū)、宋元善本、明清精槧、拓本輿圖、少數民族文獻等等。所涉及的范圍也是極其廣泛，有應對自然災害、流行疫病、經(jīng)濟波動(dòng)、政治斗爭、外交危機、氣候變遷等的經(jīng)驗，有戰爭、瘟疫、地震、洪澇災害、病蟲(chóng)害等方面的經(jīng)驗總結，還有醫療、中藥、養生、家具、服飾、飲食文化等生活經(jīng)驗。
加州大學(xué)伯克利分校的東亞圖書(shū)館是全美三大東亞圖書(shū)館之一，90萬(wàn)冊藏書(shū)里四成都是中文書(shū)，還有不少甲骨文和拓片。第一次到這兒的中國學(xué)者總感覺(jué)在穿越歷史的“蟲(chóng)洞”，這些古籍不能運回中國，那就用數字化手段讓古籍的內容“回家”。
2019年，阿里巴巴和四川大學(xué)提出“數字化回歸”設想，四川大學(xué)歷史文化學(xué)院副院長(cháng)王果與中央文史研究館館員陳力牽線(xiàn)搭橋，溝通北美、歐洲、日韓等地藏書(shū)機構，最后獲得加州大學(xué)伯克利分校支持，達成共識，將伯克利東亞圖書(shū)館的中文古籍善本逐步數字化。
前所未有的挑戰
據王果介紹，“漢典重光”的分工非常明確——采集側把紙質(zhì)書(shū)變?yōu)橛坝“妫瑪底只a(chǎn)側把影印版變?yōu)槲淖职妫瑧脗葹槲淖职嬖黾訖z索、字典和知識圖譜等研學(xué)系統。東亞圖書(shū)館完成第一個(gè)環(huán)節后，四川大學(xué)將和達摩院共同完成另外兩個(gè)步驟。其中，四川大學(xué)將提供一切非計算層面的專(zhuān)業(yè)支持，并與達摩院的機器視覺(jué)實(shí)驗室合作，共同開(kāi)發(fā)古籍AI技術(shù)。
首批數字化的古籍共20萬(wàn)頁(yè)，包含40余種珍貴宋元善本。剛開(kāi)始大家對這個(gè)項目很有信心，但實(shí)際一上手才知道難度有多大。
首先是中國古籍的載體很多，紙、布、竹子、木頭、甲骨、石碑……幾乎所有能用的載體都被古人留了字，不同載體上面的字識別起來(lái)差別非常大。年代久遠的紙張大多殘缺不全，上面還布滿(mǎn)斑點(diǎn)，而且排列非常復雜。古人喜歡從上到下，從右到左，還非常喜歡在上面做批注。
字跡的精美也成了負擔。隸書(shū)、楷書(shū)、草書(shū)、行書(shū)都漂亮，但也真難認。大部分字還是手寫(xiě)的，不但兩個(gè)人寫(xiě)的同一個(gè)字不一樣，同一個(gè)人寫(xiě)的同一個(gè)字也差別很大，很多字還有不同寫(xiě)法。
團隊原有的OCR（圖像文字識別）的識別準確率只有40%，這顯然是不夠的，較早涉足古籍識別的Google Books（谷歌圖書(shū)）針對的都是英文古籍，對中文也不適用。
大量創(chuàng )造性和創(chuàng )新性的辛勤勞動(dòng)
沒(méi)有前車(chē)可鑒，只能自己來(lái)了。“這就像教小朋友識字，確實(shí)難，但也有簡(jiǎn)單的部分，我們就由易到難慢慢做。”王果說(shuō)。
前所未有的開(kāi)拓性成果，包含著(zhù)中國學(xué)者大量創(chuàng )造性和創(chuàng )新性的辛勤勞動(dòng)。
達摩院的古籍識別算法，用AI替代人工，大幅壓縮了專(zhuān)家標注工作量。在機器為主進(jìn)行識別的97.5%的內容中，約有1%（1萬(wàn)字左右）需要專(zhuān)家錄入；機器不能識別的余下2.5%（2.5萬(wàn)字）的文字，全部交給專(zhuān)家做后期標注。相比人工專(zhuān)家錄入，百萬(wàn)字書(shū)籍的數字化工作量從1000天降低到了35天，效率比人工專(zhuān)家錄入方案提升近30倍。這種古籍識別算法，為中華古籍的回歸提供了另一種可行可期的思路。
非計算機層面的工作也非常重要，四川大學(xué)專(zhuān)門(mén)組織了30多個(gè)歷史系學(xué)生來(lái)做標注，這很耗神，眼力、腦力缺一不可，但這個(gè)過(guò)程沒(méi)法省略，就像學(xué)生要學(xué)習，算法也要迭代，“只有數據夠多夠好，機器才能搞定”。
這是一件非常難但非常有意義的事情。古籍識別的挑戰巨大，但大家還是想通過(guò)技術(shù)讓古籍活起來(lái)，用科技守護文明。
據了解，達摩院、四川大學(xué)、美國加州大學(xué)伯克利分校、中國國家圖書(shū)館、浙江圖書(shū)館將繼續投入人力、物力，擴大古籍數字化回歸的數量，讓所有蒙塵的古籍重煥新生。
達摩院院長(cháng)張建鋒表示，阿里計劃將這套技術(shù)工具連同古籍數字化平臺一并捐贈，交由權威公共機構長(cháng)期運營(yíng)，最終將成為一個(gè)開(kāi)放的網(wǎng)絡(luò )平臺，供大眾檢索學(xué)習。
（來(lái)源：新華社 記者童芳）
