|
|
樓主 發(fā)表于: 2022-10-12
, 來自:江蘇省0==
中國是全球擁有古籍最多的國家，國內現(xiàn)存漢文古籍300萬部,，散居在海外的古籍超過40萬部,。然而，紙質古籍損毀是不可逆轉的,，雖然古籍原生性保護有很大改善,，“紙”的脆弱卻依然無法改變，人們也并沒有太多機會接觸到艱澀難懂的古籍文本,。
不過在數(shù)字時代,，這種情況正在發(fā)生變化，古籍的“再生性”保護,，逐漸向數(shù)字化、平臺化,、智能化的方向發(fā)展,。當人工智能遇上“之乎者也”，會擦出怎樣的火花,？
“整理國故,，再造文明”，胡適在一百年前說,。國故也即是古籍,，古代的書，一般指1911年之前歷朝寫本,、刻本,、稿本、拓本等。這些紙質文獻在悠悠歷史長河中其命運可謂顛沛流離,。紙質古籍損毀是不可逆轉的,。如明代《永樂大典》，永樂時期的原本已經完全湮滅不見,，嘉靖重抄本11000冊現(xiàn)存不到5%,。這樣的損失難以估量。
哲學家羅素曾說：“中華文明是唯一的歷史文化從未間斷的文明,�,！惫偶鳛橹腥A文化的一支重要血脈，便是文明未斷的依據(jù)之一,，今年,，國家圖書館藏清宮“天祿琳瑯”歷時8年修復成功，在標準的存藏條件下,，能保存200年,。
盡管古籍原生性保護有很大改善，但依然改變不了“紙”的脆弱,。2015年年初,，位于莫斯科西南部的俄羅斯科學院社會科學信息研究所圖書館突發(fā)火災，約有200萬冊文獻資料遭到損毀,。俄羅斯科學院院長稱“這是俄羅斯科學界的切爾諾貝利事件”,。
在很多人的印象里，古籍文本往往艱澀難懂,，而且接觸機會不多,。但在數(shù)字時代，這種情況正在發(fā)生轉變,，目前數(shù)字化,、平臺化、智能化成為古籍“再生性”保護的方向,。在國外,，哈佛燕京圖書館和美國國會圖書館，已經將他們收藏的中華古籍掃描完成,，并對外公開,。但它們僅僅是圖片掃描版，并未利用智能技術實現(xiàn)文本化,，無法復制粘貼,，只能服務于少數(shù)研究者。
國內較為有名的古籍智能平臺,，如“漢典重光”古籍平臺,，讓一批珍藏于加州大學伯克利分校的中文古籍善本,，以數(shù)字化的形式回歸，該平臺涵蓋的古籍數(shù)量為20萬頁,。再如浙江大學的“古籍智慧平臺”,，其利用OCR光學字符識別技術，將圖片中的文字換成文本格式,，它的識別準確率在90%以上,。
這些平臺有著各自的優(yōu)勢，但也各有各的局限性,，如網(wǎng)速慢,、智能化程度低。比如“書同文古籍數(shù)據(jù)庫”收費較高,，“中國哲學書”電子化計劃目前囊括了超過三萬部著作,，用戶卻常常無法正常訪問,。
今年3月,，字節(jié)跳動與北京大學聯(lián)合成立“北大——字節(jié)數(shù)字人文開放實驗室”，雙方協(xié)作研發(fā)推出古籍數(shù)字化平臺——識典古籍。10月，識典古籍測試版已上線，目前，已整理上傳390本古籍經典（均為四部叢刊書目）,，3000卷，3000多萬字,，預計在3年內將整理10000種古籍，基本覆蓋儒家、道家和佛家的經典書目,，對用戶免費開放,。
識典古籍有何技術特點,？項目負責人介紹,，識典古籍主要運用了三種技術,，文字識別、自動標點,、命名實體識別,。
文字識別技術，即使用OCR技術對古籍的影印版文字進行單個切分,、文字識別,、順序識別。所謂文字切分,，是指古籍掃描件中的單字檢測技術,，能夠獲取每個字符的具體位置；文字識別,，將切分的圖片送入文字識別模型,，獲取每個文字的具體編碼；順序識別，結合文字內容和文字位置,，獲取整張古籍掃描件的閱讀順序,。
OCR的應用流程，是用電子設備對紙本古籍進行掃描,，內容轉錄到計算機中,，并生成相應的數(shù)字文檔，效率與人工錄入不可同日而語,。目前行業(yè)內OCR識別準確率平均為93%至94%，識典古籍的準確率為96%至97%,。
自動標點技術,，是通過序列標注的方式對古籍自動進行標點劃分，支持“,，,。？,！,、：；”七種常用標點,。舉例來說,，“學而時習之不亦說乎”，自動標點后的結果是“學而時習之,，不亦說乎,？”命名實體識別，則是通過序列標注識別古籍文本中的命名實體,，支持識別人名,、地名、書籍,、時間,、官職這五種類型的實體。
人工智能識別的工作完成后,，為了方便用戶閱讀,，整理平臺要進一步對成型的文本進行整理。
首先,，是對3%和4%錯誤率進行人工修改,，分出段落和標題，然后再賦予不同的格式,。而對于不同質量的古籍文獻,，整理標準不一，人力承擔著不同的職能，大致流程為制定整理標準,、人工整理,、審核、上架,，相關管理者是有古籍知識經驗的北大團隊,。
其次，是對用戶訪問數(shù)據(jù)進行統(tǒng)計,。然后是資源管理的功能,，用戶可以更清晰地看到每本書的基礎信息，具體內容,，以及當前所處的整理狀態(tài),。
最后，將古籍劃分等級,，如經典書目,、常讀書目、基礎書目,，像《論語》這種經典書目,，對正確率、標點和注釋的要求都較高,。負責人介紹,，目前這些功能有的已經成型，有的還需要進一步增強,，古籍數(shù)字化并非易事,。
中國是全球擁有古籍最多的國家，國內現(xiàn)存漢文古籍300萬部,，散居在海外的古籍超過40萬部,，它們依然面臨著衰朽，而已完成數(shù)字化的古籍為7.4萬部,，數(shù)字化進程仍處于初步階段,。
其中面臨幾大難點。首先是部分古籍在數(shù)字化之前要先完成修復,，但古籍修復工序復雜,，難以完全用科技手段，且培養(yǎng)古籍修復人員需要極高的時間成本,。其次,，花費高昂，有專家估算,，如果將全國尚未數(shù)字化的古籍全部數(shù)字化,，采集、組織、加工,、存儲,、管理等費用大約需要60億元。第三,，技術難度高,，現(xiàn)有的數(shù)字化很多是由縮微膠片轉換而成,，呈黑白影像且分辨率較低,，難以切實滿足讀者的需求。
過去,，古籍內容轉化為數(shù)字文本主要依靠專家人工錄入,，耗時費力,。北京大學數(shù)字人文研究中心主任王軍算過一筆賬：我國現(xiàn)存古籍約有20萬種，從1949年到2019年,，共修復整理出版了近38000種,，要將現(xiàn)存古籍全部修復整理出來,，可能需要三百年的時間,。若利用人工智能技術輔助修復整理，大概二三十年就能完成。
相關負責人介紹說,，目前古籍的使用人數(shù)眾多,，一些高校斥資買古籍數(shù)據(jù)庫,，但是訪問不是很方便。建立數(shù)字化平臺,，各類學科的專業(yè)人士能更容易查看古籍文獻,。一些潛在的古籍愛好者，數(shù)字化平臺可將這部分用戶迅速連接起來,。
目前,，識典古籍測試版的句讀錯誤率在3%到4%，文字識別也有一定的錯誤率存在,，影響閱讀體驗,。在人工智能機器學習一段時間后，準確率將會提升到98%左右,。
作為北京大學-字節(jié)跳動數(shù)字人文開放實驗室的成員,，王軍有著豐富的古籍數(shù)字化經驗，他曾研發(fā)過“《宋元學案》知識圖譜可視化系統(tǒng)”,，對240萬字的《宋元學案》進行了文本處理和分析,，將2000多位宋元理學學者、近100個學術流派所涉及的人物,、時間,、地點、著作等提取出來構造成知識圖譜,。
據(jù)他介紹,，對于識典古籍的開發(fā)和應用，北京大學主要從三方面入手,，第一,，聯(lián)絡國內的圖書館尋求公版資源，保障版本的正當性,；第二,，聯(lián)系北師大、復旦,、南大,、陜西師大等高校的學者和文獻專家，進行人工審核與校對,，彌補人工智能有識別錯誤率的短板,；第三,，北大利用自有的學術平臺，鏈接學術界和高校的年輕用戶,，對識典古籍進行推廣,。
字節(jié)跳動旗下有多個信息分發(fā)平臺，沉淀著大量關于內容平臺的經驗和技術,，這些技術可以逐漸向古籍智能數(shù)字化的方向上遷移,。過去半年，識典古籍技術開發(fā)團隊整合了包括字節(jié)跳動人工智能實驗室,、今日頭條的設計團隊和抖音的開發(fā),、測試團隊成員加入，其中有不少是古文獻專業(yè)和文史哲專業(yè)的成員,。
識典古籍在使用性上強調用戶體驗,，網(wǎng)頁打開流暢。主頁有檢索欄,，用戶可直接搜索書目,；右上方是書庫，點進去可看到經,、史,、子、集四個欄目,；下方是古籍書樣,，如《周易》、《荀子》,、《左傳》,，主頁下方是“儒家經典”“道家經典”“文學經典”三個欄目。點開一本書,，左邊是目錄,，右邊是正文,，上方有四個功能項,，依次點擊可看到古籍原本的影像、注疏,、繁簡字體切換以及書庫,，且每部古籍都有精校和粗校的標簽提示。
目前識典古籍只有網(wǎng)頁版,，相關技術負責人預測,，今年11月份識典古籍將會推出移動端，到時會鏈接到抖音和今日頭條,，活化更多的古籍內容,。
在數(shù)字化之外，一年多來，字節(jié)跳動在古籍修復和活化上也有所進展�,，F(xiàn)在,，字節(jié)跳動資助國家圖書館定向修復的珍貴古籍104冊件，現(xiàn)已完成50多冊件,，包括一批稀有的樣式雷圖檔,。在活化方面，抖音平臺推出“尋找古籍守護人”計劃,，四大名著,、二十四史、四書五經相關的視頻播放量超過600億次,，涵蓋漫畫,、影視、美食,、音樂等多種內容體裁,。
古籍承載著中華文明，它的傳播是需要大眾參與,。未來,，通過識典古籍，向全社會開放古籍閱讀檢索研究能力,，還將實現(xiàn)全自動整理校對,，更高效地實現(xiàn)存量古籍全部數(shù)字化。同時,，鼓勵擁有文獻的學者自行上傳文獻,，豐富平臺內容，用戶甚至可參與再創(chuàng)作和再闡釋,，與平臺形成一種良性互動,，助力古籍文化傳承和研究。
來源：新京報
|
