【一線講述】  

　　作者：聶菲（南京大學(xué)文學(xué)院助理研究員）

　　古文字，主要指中國(guó)商代晚期至秦代使用的漢字。二十世紀(jì)30年代，殷墟發(fā)掘出大量有字甲骨，證實(shí)了商王朝的存在，重塑了世界對(duì)中國(guó)古代文明的評(píng)價(jià)。近年，抄有《老子》《詩(shī)經(jīng)》等內(nèi)容的戰(zhàn)國(guó)竹書呈井噴式涌現(xiàn)?？梢哉f，古文字是解讀中華文明基因的關(guān)鍵。

　　古文字研究與科技發(fā)展密不可分。紅外采集、高精度掃描等技術(shù)手段極大改善了資料條件，索引、搜索引擎、數(shù)據(jù)庫(kù)，為古文字研究提供了巨大助力。如今，AI技術(shù)蓬勃發(fā)展，當(dāng)通過人工智能拼綴上第一片甲骨時(shí)，實(shí)現(xiàn)的不僅是技術(shù)突破，更是中華文明根脈的賡續(xù)與新生。

　　簡(jiǎn)單來講，“破譯”古文字可分為兩步：一是識(shí)形，二是讀詞。即先認(rèn)出古文字形體是什么字，再判定其音義，弄明白它在文獻(xiàn)中的含義。如，先認(rèn)出甲骨中“[圖1]”是“王”，再讀懂刻辭與商王有關(guān)。人工智能輔助古文字研究，就是要模仿人類專家的學(xué)習(xí)過程，進(jìn)行“記字形”和“讀古書”的訓(xùn)練。

　　圖1

　　目前對(duì)計(jì)算機(jī)而言，“認(rèn)字形”十分艱難。機(jī)器學(xué)習(xí)面臨著諸多挑戰(zhàn)，包括圖像預(yù)處理結(jié)果不佳、標(biāo)注樣本稀缺、字形實(shí)情極其復(fù)雜等。其中，“數(shù)據(jù)困境”是顯性瓶頸，古文字單字量低，有效樣本密度低，機(jī)器學(xué)習(xí)樣本不足。最近，我所在的課題組參與開發(fā)了“古文字線上書寫系統(tǒng)”，旨在收集專家書寫古文字的動(dòng)態(tài)路徑，將古文字字形轉(zhuǎn)換成有順序、有方向的矢量線段，為訓(xùn)練計(jì)算機(jī)識(shí)讀字形提供學(xué)習(xí)參考。

　　此前計(jì)算機(jī)識(shí)圖多從像素角度入手，受圖像質(zhì)量、樣本量、字形復(fù)雜性等影響，特征提取困難，識(shí)別率低。為了破題，我們課題組轉(zhuǎn)換了思路——并非讓模型分析靜態(tài)字形，而是通過動(dòng)態(tài)路徑數(shù)據(jù)，捕捉專家的書寫順序和對(duì)字形結(jié)構(gòu)的理解，幫助模型像人一樣“思考”如何書寫古文字。我們希望通過提取人類書寫古文字的動(dòng)態(tài)特征，將人的經(jīng)驗(yàn)轉(zhuǎn)換成可訓(xùn)練的數(shù)據(jù)規(guī)則，從而彌補(bǔ)傳統(tǒng)方法在異體字處理上的缺陷，解決數(shù)據(jù)量不足等問題。

　　目前，我們的研究已進(jìn)入初步試驗(yàn)階段，錄入了12825條字形書寫數(shù)據(jù)進(jìn)行前期測(cè)驗(yàn)。眼下正在搭建機(jī)器學(xué)習(xí)的模型，相關(guān)代碼達(dá)到萬(wàn)余行，計(jì)算機(jī)累計(jì)運(yùn)行時(shí)間超過400小時(shí)，模型迭代3個(gè)版本。從生成結(jié)果看已初見成效，計(jì)算機(jī)能成功模仿人類書寫的筆勢(shì)、筆順和大致輪廓，但在部件書寫的準(zhǔn)確性、筆畫組合和構(gòu)件位置關(guān)系上，仍有很大的進(jìn)步空間。

　　圖2

　　圖3

　　例如甲骨文中“千”字有一類形體作“[圖2]”形，是在側(cè)視站立人形“[圖3]”的基礎(chǔ)上，在其腿部加一橫筆分化而來，其書寫順序一般是先寫出側(cè)視身體軀干和手臂，再寫后加的一橫筆：

　　目前訓(xùn)練得到的機(jī)器書寫路徑是：

　　可以看出，計(jì)算機(jī)已能再現(xiàn)字形輪廓和筆順，但對(duì)第二筆的起始位置把握欠佳：第二筆不應(yīng)與第一筆交叉穿出；二、三筆雖順序相接，但筆跡并不相連，即第二筆的終點(diǎn)并非第三筆的起點(diǎn)。

　　為修正結(jié)果，我們將在現(xiàn)有試驗(yàn)的基礎(chǔ)上，對(duì)機(jī)器學(xué)習(xí)方法和算法結(jié)構(gòu)進(jìn)行調(diào)試和整改。這項(xiàng)工作可能十分漫長(zhǎng)，但也蘊(yùn)含著無(wú)限潛力。