字数多于《康熙字典》，校企联合AI赋能古彝文识别

科技日报记者 金凤

古彝文传承至今已有数千年历史，是世界上最古老的文字之一。2022年12月21日，上海大学社会学院与上海合合信息科技股份有限公司（以下简称合合信息）正式签署校企合作协议，双方将合力完成以国家珍贵古籍《西南彝志》为中心的贵州古彝文图像识别及数字化校对项目（以下简称古彝文数字化项目）。

上海大学社会学院院长黄晓春、合合信息智能技术平台事业部副总经理郭丰俊共同出席签约仪式（受访者供图）

(资料图片仅供参考)

此前，在中国西南多家高校的共同努力下，规范和通用彝文的数字化工作已取得重要突破。此次上海大学携手合合信息推进的古彝文数字化项目，更侧重于对原生态彝文识别的攻坚克难。项目将根据上海大学古彝文研究员设计的四字节编码系统，引入合合信息智能文字识别技术，对异体字、变体字、误用字和混用字等进行标注、识别、比对，并由此建立起精确的彝文古籍电子数据库，在古彝文研究领域属于首创。

亟待识别的古彝文，比《康熙字典》字数还多

彝文是云南、贵州、四川等地的彝族人使用的文字，而“古彝文”专指在民间流通使用的原生态彝文。根据《滇川黔桂彝文字集》，目前记录在册的古彝文多达87046个。非母语研究者在翻译古彝文时，通常需要在母语者的帮助下记音，再用汉语逐字直译，最后采用汉语对整句话进行意译。

古彝文与汉字并非一一对应关系，存在大量的异体字、变体字。在相对规范的汉译本彝文典籍中就有至少15％的变体字，原稿中只会更多；每个字的异体写法少则2-3个，多则几十种。从总量上看，未经整理规范的古彝文字符数高达八万七千多个，比《康熙字典》的四万七千余字还多。据古彝文数字化团队研究人员透露，若想要找到某个字在一本古籍里的全部样例，手动查阅需要耗费一整天，如建立起完善的古彝文数据库和翻译系统，可极大提升研究效率。

“汉文古籍识别所面对的页面残损、字形复杂、字迹模糊等问题，在彝文古籍识别中全部存在，还有一些任务是更加特殊的。”合合信息智能技术平台事业部副总经理郭丰俊博士提到，彝文古籍时常出现加字、替字、整句倒置、文字方向不统一等现象，给文字定位造成挑战。再加上古彝文从未经过统一，异体字、变体字众多。合合信息将基于“AI+OCR”融合下的智能文字识别技术，解决古彝文识别的版式检测、图像处理和文字识别的难题。

用科技开启古彝文“传统的新生命周期”

1950年，当代著名社会学家费孝通先生访问贵州毕节时，率先认识到彝文古籍对理解西南边疆历史的重要性，并鼓励筹建翻译机构，也为当下的古彝文研究提供了支持。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所在的上海大学社会学院，便长期设有费孝通田野调查项目资助计划。

古籍数字化的过程同时也是保护古籍的过程。2017年，多位全国人大代表联名建议实施中华古籍数字资源总库体系建设工程，实现历史文明的有序传承。本次合合信息与上海大学共同研究的《西南彝志》共计26卷，有“彝族历史文化的百科全书”之誉，对研究彝族历史、经济、文化十分重要。

邵文苑提到，古彝文文献和口传史诗中记录了很多南诏古国、夜郎古国、巴蜀古国的奇闻逸事，在理解典籍的基础上，可以通过电影、音乐剧、浸入式戏剧等形式进行创作，或打造“元宇宙”世界、IP主题乐园，让更多人跨越语种的隔阂，感受更多元的民族文化，倾听独具特色的中国故事。

“传统也和人一样有生老病死的过程，并和人一样有通过后代延续‘生命’的能力，这种理论被称为‘传统的生命周期’。”邵文苑表示，智能文字识别技术“牵手”传统典籍研究，会是古彝文“传统的新生命周期”的开始。

关键词： 康熙字典