AI助力让古文字被看见，首个古彝文编码库发布

北京日报客户端 | 记者 孙奇茹

“乌蒙山连着山外山，月光洒向了响水滩。”近期在各大短视频平台爆火的《奢香夫人》，其主人公奢香夫人是一位彝族“巾帼英雄”，这首同名歌曲早在2009年便已发布，如今突然“翻红”，不仅体现了大众对于少数民族文化高涨的兴趣，也见证着优秀的传统文化不息的生命力。文字是文化的重要载体，古彝文承载了深远的彝族历史内涵，蕴含着丰富的文化信息。近期，合合信息联合上海大学、华南理工大学发布业内首个古彝文基础编码数据库，该项目针对现有的《西南彝志》、云贵一带字符，以智能图像处理、智能文字识别等AI技术开展统一编码，古彝文在数字社会中从此有了“身份证号码”。

以往，古文字主要通过人工识别、校正和进行文献编撰，工作量繁多且效率低下。近年来，人工智能，特别是深度学习技术的发展，为古文字识别提供了高效的工具，极大地提高了古代文献和文字数字化进程的速度和效率，本次古彝文基础编码数据库的发布，将成为古文字数字化的重要成果之一。

当前，古彝文数字化方面的成果相对较少，其原因之一是古彝文字符集庞大，且缺乏成熟的手写样本库。此外，在彝文的发展过程中，种种因素导致异体字、变体字特别丰富，字符和释义“一对多、多对一”是常态。古彝文手写体的随意性、多样性等，都给古彝文的识别带来了极大的挑战。基于上述情况，合合信息与华南理工大学共同成立的文档图像分析识别与理解联合实验室，联合上海大学社会学院组建研究团队，共同解决数据库建设中的学术性、技术性难点。

项目技术负责人、华南理工大学电子与信息学院教授金连文介绍，在对7.6万字符的样本进行训练后，团队成功建立了包含上千个古彝文基础编码的数据库。据悉，通过API数据接口等形式，该数据库有望帮助高校研究人员、文化工作者、兴趣爱好者等人群快速找到古彝文在字典中的读音、汉语释义、用法，如同“大字典”一般，帮助人们降低古彝文书籍、文献阅读的门槛。

构建古彝文“大字典”需要解决的首要问题并非文字识别，而是低质量的图片资料处理。传统的古彝文大多被记录在岩书、布书、竹简等，在潮湿的自然环境下难以完整保存，往往会变得模糊不清或残缺不全。在资料文档数字化的过程中，采用科技手段优化图像质量问题是关键的一环。

在古彝文语料收集过程中，研究团队选取的古籍图片采集工具是合合信息旗下的智能扫描工具扫描全能王，其基于AI技术及智能扫描引擎的“智能高清滤镜”功能，能够自动检测图像中存在的问题，一键处理模糊、阴影、手指、屏幕纹等干扰因素，减轻后续图片处理工作，缩短内容识别、编码的操作周期。为发动更多的社会力量参与到古彝文识别和保护，平台还同步启动了公益性活动，上线了古彝文典籍上传入口，面向全社会征集古籍资料。研究团队在接收古籍后会将其转交给对应专家、部门进行研究，助力中华文化瑰宝传承。

“古彝文数据库的发布并非一个最终的研究结果，而是一项非常重要的基础性工作。”古彝文数字化项目发起人、上海大学人类学民俗学研究所讲师邵文苑表示，基础编码的发布，意味着这些文字在数字社会里从此拥有了“身份证号码”，能够被更多地展现在网络空间上，被更广泛的人群看见、认识、研究。