【一線講述】  

　　作者：聶菲（南京大學文學院助理研究員）

　　古文字，主要指中國商代晚期至秦代使用的漢字。二十世紀30年代，殷墟發(fā)掘出大量有字甲骨，證實了商王朝的存在，重塑了世界對中國古代文明的評價。近年，抄有《老子》《詩經(jīng)》等內(nèi)容的戰(zhàn)國竹書呈井噴式涌現(xiàn)。可以說，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，為古文字研究提供了巨大助力。如今，AI技術(shù)蓬勃發(fā)展，當通過人工智能拼綴上第一片甲骨時，實現(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。

　　簡單來講，“破譯”古文字可分為兩步：一是識形，二是讀詞。即先認出古文字形體是什么字，再判定其音義，弄明白它在文獻中的含義。如，先認出甲骨中“[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習過程，進行“記字形”和“讀古書”的訓練。

　　圖1

　　目前對計算機而言，“認字形”十分艱難。機器學習面臨著諸多挑戰(zhàn)，包括圖像預處理結(jié)果不佳、標注樣本稀缺、字形實情極其復雜等。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，機器學習樣本不足。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，為訓練計算機識讀字形提供學習參考。

　　此前計算機識圖多從像素角度入手，受圖像質(zhì)量、樣本量、字形復雜性等影響，特征提取困難，識別率低。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，而是通過動態(tài)路徑數(shù)據(jù)，捕捉專家的書寫順序和對字形結(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態(tài)特征，將人的經(jīng)驗轉(zhuǎn)換成可訓練的數(shù)據(jù)規(guī)則，從而彌補傳統(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，我們的研究已進入初步試驗階段，錄入了12825條字形書寫數(shù)據(jù)進行前期測驗。眼下正在搭建機器學習的模型，相關(guān)代碼達到萬余行，計算機累計運行時間超過400小時，模型迭代3個版本。從生成結(jié)果看已初見成效，計算機能成功模仿人類書寫的筆勢、筆順和大致輪廓，但在部件書寫的準確性、筆畫組合和構(gòu)件位置關(guān)系上，仍有很大的進步空間。

　　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：

　　目前訓練得到的機器書寫路徑是：

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

　　為修正結(jié)果，我們將在現(xiàn)有試驗的基礎(chǔ)上，對機器學習方法和算法結(jié)構(gòu)進行調(diào)試和整改。這項工作可能十分漫長，但也蘊含著無限潛力。