作者 |辰紋

來(lái)源 |洞見(jiàn)新研社

過(guò)去，一個(gè)古文獻(xiàn)研究專家在處理一批珍貴刻本。突然，一個(gè)從未見(jiàn)過(guò)的生僻字映入眼簾。按照傳統(tǒng)工作流程，他需要查閱大量工具書(shū)才能弄清這個(gè)字的含義，期間可能花費(fèi)數(shù)小時(shí)甚至數(shù)天，這在學(xué)界是司空見(jiàn)慣的現(xiàn)象。

但現(xiàn)在，他只需打開(kāi)“識(shí)典古籍”平臺(tái)，使用最新上線的編輯器搜字、造字、復(fù)制字圖功能，將這個(gè)字拆解拼接，系統(tǒng)便從20余萬(wàn)個(gè)字形中精準(zhǔn)匹配出了結(jié)果——整個(gè)過(guò)程不到10秒。

這正是字節(jié)跳動(dòng)用技術(shù)助力古籍?dāng)?shù)字化帶來(lái)的變革。通過(guò)AI技術(shù)，識(shí)典古籍不僅大幅降低了古籍整理門(mén)檻，提升了工作效率，更解決了困擾古文獻(xiàn)研究領(lǐng)域多年的生僻字整理難題。

01 古籍?dāng)?shù)字化的三大難題

古籍整理，單從字面上來(lái)理解，與普通人的生活幾乎沒(méi)有任何關(guān)聯(lián)，但從宏觀視角來(lái)看，作為歷史文明傳承的載體，古籍的價(jià)值無(wú)可替代。它們既是中國(guó)古典學(xué)不可或缺的研究基礎(chǔ)，也是社會(huì)大眾繼承和發(fā)揚(yáng)傳統(tǒng)文化的寶貴資源，同時(shí)還是世界理解中華文明的重要途徑。

早在1919年，胡適就在《新青年》雜志上發(fā)起了著名的“整理國(guó)故”運(yùn)動(dòng)，提出“研究問(wèn)題、輸入學(xué)理、整理國(guó)故、再造文明”的主張，胡適本人也身體力行，投入巨大精力進(jìn)行國(guó)學(xué)研究，創(chuàng)辦《國(guó)學(xué)季刊》；推動(dòng)古史討論，擬出“最低限度的國(guó)學(xué)書(shū)目”，向廣大青年大力推薦……

進(jìn)入21世紀(jì)，古籍整理工作的重要程度也在學(xué)界、國(guó)家管理機(jī)構(gòu)、乃至社會(huì)層面形成了共識(shí)。2007年，重大文化工程“中華古籍保護(hù)計(jì)劃”啟動(dòng)；2018年，《中華人民共和國(guó)公共圖書(shū)館法》頒布，“公共圖書(shū)館要加強(qiáng)館內(nèi)古籍保護(hù)”成為法條……

根據(jù)國(guó)家古籍保護(hù)中心調(diào)查結(jié)果顯示，我國(guó)現(xiàn)存20多萬(wàn)種古籍，存世50萬(wàn)個(gè)版本，古籍?dāng)?shù)量達(dá)3200多萬(wàn)冊(cè)，然而當(dāng)前古籍整理工作的現(xiàn)狀卻是數(shù)字化程度極低，許多書(shū)只是完成了初步的影像掃描，真正實(shí)現(xiàn)文本數(shù)字化的不到四萬(wàn)種。

之所以會(huì)存在這樣的困境，專業(yè)人才匱乏是首要障礙。

全國(guó)高等院校古籍整理研究工作委員會(huì)副秘書(shū)長(zhǎng)吳國(guó)武在接受媒體采訪時(shí)曾透露，目前全國(guó)范圍內(nèi)專業(yè)從事古籍整理的人員僅有一萬(wàn)人左右。華東師范大學(xué)古典文獻(xiàn)學(xué)在讀博士生劉帥以自己作為參照，“一年能整理幾十萬(wàn)字就很了不起了”。

需要整理的古籍?dāng)?shù)量巨大，但在供應(yīng)端，專業(yè)人才不夠，單人效率又有限，古籍整理工作推進(jìn)自然就快不起來(lái)。

其次是生僻字處理存在技術(shù)瓶頸，由于古籍中存在大量異體字、俗體字和避諱字，使得文字識(shí)別準(zhǔn)確率難以提高。傳統(tǒng)OCR技術(shù)是為打印材料設(shè)計(jì)的，面對(duì)古書(shū)中的不同字體風(fēng)格、非漢字筆畫(huà)符號(hào)、折痕和破損缺字，識(shí)別效果大打折扣。

最后是資金與版權(quán)的桎梏。從1999年“文淵閣四庫(kù)全書(shū)”數(shù)據(jù)庫(kù)發(fā)布以來(lái)，古籍?dāng)?shù)據(jù)庫(kù)成為中國(guó)古典研究不可或缺的基礎(chǔ)設(shè)施，同時(shí)大多數(shù)的重要典籍也都已經(jīng)完成了數(shù)字化。

由于最方便使用的古籍圖文庫(kù)基本上都是商業(yè)數(shù)據(jù)庫(kù)，這就限制了普通公眾的訪問(wèn)。

隨著人力校對(duì)成本越來(lái)越高，商業(yè)古籍庫(kù)擴(kuò)容的邊際收益斷崖式下跌，這就使得現(xiàn)階段很多古籍?dāng)?shù)字化工作成果有些“養(yǎng)在深閨人未識(shí)”的狀態(tài)，不能被公眾充分利用，并且發(fā)展建設(shè)難以為繼。

02 從“字圖”到“造字”的技術(shù)破局

正是在這樣的背景之下，字節(jié)跳動(dòng)在2022年10月，與北京大學(xué)合作推出了完全公益的古籍智能閱讀和整理平臺(tái)——“識(shí)典古籍”，旨在通過(guò)技術(shù)力量改變傳統(tǒng)古籍整理模式。

識(shí)典古籍初期就整合了三大核心技術(shù)，文字識(shí)別（OCR），自動(dòng)標(biāo)點(diǎn)和實(shí)體識(shí)別，這意味著機(jī)器已經(jīng)能夠初步“讀懂”古文。

就在不久前，針對(duì)古籍?dāng)?shù)字化中最棘手的生僻字問(wèn)題，識(shí)典古籍平臺(tái)推出了編輯器造字、拼字、字圖復(fù)制功能，將古籍?dāng)?shù)字化工作的效率又向前推動(dòng)了一大步。

在以往的古籍?dāng)?shù)字化過(guò)程中，遇到字庫(kù)中沒(méi)有的生僻字或異體字時(shí)，研究人員的通常做法是截取該字在古籍掃描圖中的局部區(qū)域的圖片作為替代，稱之為“字圖”。

然而這樣處理存在明顯缺陷，字圖有當(dāng)時(shí)古籍本身的印刷書(shū)寫(xiě)風(fēng)格和背景，不宜閱讀；同時(shí)，不同字圖可能實(shí)為同一字，卻因無(wú)法識(shí)別而被重復(fù)截取，造成整理混亂。

識(shí)典古籍給出的解決方案是自研了一套拼字輸入法（拼出字圖）、造標(biāo)準(zhǔn)宋體字（造出字圖）等算法，以幫助研究人員在整理古籍時(shí)能夠快速的輸入生僻字甚至“造”出字體。

拼字輸?法的技術(shù)原理并不復(fù)雜，就是讓用戶在自己認(rèn)識(shí)的簡(jiǎn)單字和簡(jiǎn)單筆畫(huà)的基礎(chǔ)上，去搜索更加復(fù)雜的漢字，即便不清楚這個(gè)漢字的字音、字義，也能憑借字形快速匹配。

例如，“矦”字可由“?”“廠”“矢”組成，輸入這些部件即可召回該字。對(duì)于普通人來(lái)說(shuō)，雖然這個(gè)字我不認(rèn)識(shí)，但總有它的部分我認(rèn)識(shí)，認(rèn)識(shí)什么輸入什么，就可以把這個(gè)字拼出來(lái)。這種方式比五筆輸入法更直觀，無(wú)需記憶詞根，也支持生僻字檢索。

在研發(fā)過(guò)程中，團(tuán)隊(duì)面臨的核心挑戰(zhàn)是漢字組合的極端復(fù)雜性。例如一個(gè)“椪”字，就有“木並”、“木?業(yè)”、“木丷亞”、“木八亞”等多種拆分方式，組合數(shù)量呈階乘級(jí)增長(zhǎng)，傳統(tǒng)窮舉方法根本行不通。

團(tuán)隊(duì)曾嘗試用有向無(wú)環(huán)圖來(lái)建模漢字部件關(guān)系，想象一堆有箭頭連接的積木，箭頭只指向后方，且絕對(duì)不允許形成一個(gè)閉合的圓圈，這樣我們就可以從起點(diǎn)一路暢通無(wú)阻地走到終點(diǎn)，但十萬(wàn)漢字構(gòu)建的圖譜對(duì)性能挑戰(zhàn)巨大，也難以量化匹配效果。

那段時(shí)間，組內(nèi)成員兵分幾路，有人繼續(xù)嘗試圖結(jié)構(gòu)優(yōu)化，有人從組合數(shù)學(xué)角度尋找新思路。大家頻繁交流、互相“挑戰(zhàn)”，常常列舉出各種bad case推翻對(duì)方方案，卻又在碰撞中萌生新的靈感。

最終，識(shí)典古籍研發(fā)團(tuán)隊(duì)設(shè)計(jì)出了一套高性能、通過(guò)計(jì)算漢字細(xì)節(jié)特征進(jìn)行匹配的解決方案，可支持在20余萬(wàn)個(gè)漢字中實(shí)時(shí)搜索。

該方案在初始加載階段，不僅會(huì)整體收集每個(gè)漢字的組成部分作為其特征，還會(huì)構(gòu)建一套簡(jiǎn)繁字、偏旁部首的等價(jià)映射表，如“馬”可代“馬”、“水”可代“氵”。

在搜索階段，算法會(huì)先對(duì)用戶輸入進(jìn)行前置處理以提升容錯(cuò)能力，比如相似的“”和“乚”都會(huì)被處理成“乚”，然后比對(duì)用戶輸入與所有漢字特征之間的差異，按匹配程度排序返回最佳結(jié)果，若匹配失敗，算法還會(huì)自動(dòng)使用等價(jià)映射表重新檢索，如輸入“水”、“木”可查找出“沐”，顯著降低輸入門(mén)檻，更貼合用戶的用字習(xí)慣。

記得那天下午，當(dāng)?shù)谝话嫠惴?yàn)證通過(guò)、匹配準(zhǔn)確率大幅提升時(shí)，整個(gè)團(tuán)隊(duì)都感到“內(nèi)心無(wú)比激動(dòng)”。長(zhǎng)期困擾項(xiàng)目的瓶頸終于突破，多位成員在現(xiàn)場(chǎng)忍不住鼓掌。

拼字輸入法主要輔助研究人員找到當(dāng)今已經(jīng)被編碼的漢字，對(duì)于古籍中存在的?些沒(méi)有被計(jì)算機(jī)編碼的漢字，識(shí)典古籍團(tuán)隊(duì)又開(kāi)發(fā)了基于IDS造出標(biāo)準(zhǔn)宋體字的算法，通過(guò)結(jié)構(gòu)化的描述?式去表達(dá)任意?個(gè)漢字，進(jìn)而為這個(gè)生僻字量?設(shè)計(jì)字體。

根據(jù)識(shí)典古籍團(tuán)隊(duì)介紹，IDS是Unicode標(biāo)準(zhǔn)定義的漢字結(jié)構(gòu)描述語(yǔ)法，通過(guò)IDC符號(hào)（用于描述漢字結(jié)構(gòu)，如?、?、?、?、?等）和漢字部件組合而成。例如，“古”字是上下結(jié)構(gòu)，其IDS就是 “?十口”。

通過(guò)分析漢字的空間結(jié)構(gòu)輸入相應(yīng)的IDS表達(dá)式生成字體字形，以上是不同空間結(jié)構(gòu)的示例

造字的核心是解析用戶輸入的IDS表達(dá)式，為每個(gè)部件選擇合適的變形和空間布局，組合成新字。例如，在處理左右結(jié)構(gòu)時(shí)，需控制部件寬度比例和間距；在處理包圍結(jié)構(gòu)時(shí)，需確定缺口位置并在缺口處合理放置被包圍的部件。

團(tuán)隊(duì)在開(kāi)發(fā)過(guò)程中摒棄了“大而全”的幻想，比如像‘廴’只需主要考慮‘?’布局，無(wú)需過(guò)多考慮?、?、?、?等其他情況，轉(zhuǎn)而遵循實(shí)際漢字布局規(guī)則，逐步實(shí)現(xiàn)了覆蓋常見(jiàn)結(jié)構(gòu)的造字引擎。

由于造字是基于IDS的，所以它天然就具有漢字的組成信息，因此用戶“造”出來(lái)的字經(jīng)平臺(tái)審核通過(guò)后也可以使用上述的拼字輸入法搜索出來(lái)，實(shí)現(xiàn)相互聯(lián)動(dòng)。

就像識(shí)典古籍研發(fā)團(tuán)隊(duì)說(shuō)的那樣，編輯器搜字、造字、復(fù)制字圖功能就像一個(gè)“萬(wàn)能積木”，讓古籍整理這項(xiàng)傳承文明的事業(yè)不會(huì)因?yàn)椤白帧倍蛔璧K，而讓團(tuán)隊(duì)自豪的是，當(dāng)看到自己設(shè)計(jì)的造字工具能生成古籍中千變?nèi)f化的字形，甚至一些早已遺失在歷史中的字體重現(xiàn)屏幕時(shí)，“一種跨越時(shí)空的技術(shù)成就感油然而生”。

03 將文化基因刻入數(shù)字未來(lái)

識(shí)典古籍的價(jià)值不僅僅提高了古籍專業(yè)研究人員的工作效率，更是通過(guò)技術(shù)手段降低了古籍整理的門(mén)檻，使公眾參與成為可能。

去年識(shí)典古籍平臺(tái)聯(lián)合全國(guó)22所高校，發(fā)起了“我是校書(shū)官”活動(dòng)，吸引了1萬(wàn)余名學(xué)生報(bào)名參加，其中許多人的專業(yè)都與古籍無(wú)關(guān)。

這項(xiàng)活動(dòng)的參與流程非常簡(jiǎn)單，志愿者在平臺(tái)上領(lǐng)取任務(wù)，系統(tǒng)提供清晰的指導(dǎo)和要求。校對(duì)過(guò)程中，AI會(huì)輔助標(biāo)識(shí)出可能存在的問(wèn)題，志愿者只需重點(diǎn)關(guān)注這些區(qū)域即可。

平臺(tái)還建立了質(zhì)量保障機(jī)制。所有校對(duì)結(jié)果會(huì)經(jīng)過(guò)多種審核，包括機(jī)器審核、專業(yè)人員審核等，在提高整理質(zhì)量的同時(shí)，也是人才培養(yǎng)的過(guò)程。

在這項(xiàng)活動(dòng)中，一些非專業(yè)的同學(xué)原本對(duì)古籍一無(wú)所知，但參加活動(dòng)，校對(duì)三個(gè)月后，也算跨過(guò)了古籍研究的門(mén)檻，養(yǎng)成了閱讀古籍的習(xí)慣，更難能可貴的是，識(shí)典古籍以這種類似于眾包的模式，重塑了古籍整理生態(tài)。

從這一視角來(lái)看，古籍?dāng)?shù)字化的價(jià)值遠(yuǎn)遠(yuǎn)超出了保護(hù)本身，它讓古籍內(nèi)容變得更加可用、易懂，為文化傳承和創(chuàng)新提供了基礎(chǔ)。

全國(guó)高等院校古籍整理研究工作委員會(huì)副秘書(shū)長(zhǎng)吳國(guó)武教授在接受媒體采訪時(shí)曾表示，“古籍相當(dāng)于先人的知識(shí)體系，將經(jīng)典智慧為現(xiàn)代人所用，是非常重要的任務(wù)”，數(shù)字化后的古籍可以被更容易地檢索、分析和利用，為學(xué)術(shù)研究提供支持。

更重要的是，數(shù)字化古籍還正在成為文化創(chuàng)新的源泉。從去年風(fēng)靡全球的游戲“黑神話悟空”，到今年的動(dòng)畫(huà)電影《哪吒2》，都是傳統(tǒng)文化創(chuàng)造性轉(zhuǎn)化的案例，而浩瀚的典籍文化遺產(chǎn)正是文化產(chǎn)業(yè)取之不盡的素材資源。

根據(jù)官方公布的數(shù)據(jù)，識(shí)典古籍平臺(tái)在數(shù)萬(wàn)名來(lái)自高校、社會(huì)及字節(jié)跳動(dòng)員工的古籍整理志愿者共同努力下，現(xiàn)已經(jīng)免費(fèi)公開(kāi)3萬(wàn)余部古籍，每月有超240萬(wàn)用戶訪問(wèn)量。在2025年底，將發(fā)布4萬(wàn)部古籍面向公眾開(kāi)放。

AI正在讓那些沉睡在圖書(shū)館庫(kù)房里的古籍蘇醒，重新跳動(dòng)起來(lái)，融入當(dāng)代人的文化生活之中。就像幾個(gè)世紀(jì)前，這些書(shū)籍影響著當(dāng)時(shí)的文人學(xué)者那樣，繼續(xù)參與中華文明的演進(jìn)與傳承。