AI研究甲骨文:五年的工作一天就做完了

2023-04-22 07:54:44 来源:凤凰网

4月20日,是联合国定下的“中文日”。每年的这一天,联合国都会举办各种中文推广活动,让世界各地的人都能体验中文的魅力。

而中文的故事,还要从甲骨文说起。


(资料图片)

甲骨文是中国现存最早的文字,最早的甲骨文可以追溯到商朝晚期(约公元前1200年),它的发现将中国信史向上推进了约1000年,可以解读出大量珍贵信息。

然而,甲骨文研究是一项极度消耗人力的工作。

全世界目前已发现的殷商甲骨文不到5000字,真正被释读出来的字数仅在1500-2000字之间。在“先秦史研究室”网站上,学者们会公布最新的甲骨文校重、缀合结果,依靠人力,一年只能更新几十组。甲骨文的整体研究工作往往被基础资料整理所困,推进困难。

首都师范大学甲骨文研究中心的莫伯峰教授团队,联合微软亚洲研究院武智融研究员,希望用人工智能找到甲骨文难题的另一个解法。

“校重”难题

1899年,金石学家王懿荣用龙骨熬药时,发现龙骨上刻着一些“符文”。因为对古文字颇有研究,他辨认这不是单纯的划痕,而是一种远古时期的文字,随即把它们收藏了起来。在殷墟甲骨被科学挖掘以前,经历了多年的私人挖掘、倒卖,因此流散到了很多地方。

从甲骨文首次被发现至今,出土的甲骨实物约有15万片。这些甲骨在不同的人手中流转,留下了多张拓本图像,这些对同一片甲骨的不同拓本被称为“重片”,是解读甲骨文的重要材料。

不同时期的拓片,外观差距很大|微软亚研院

甲骨重片数量繁多,质量参差不齐,整理和校对重片成了一项重要的基础工作,被称作“校重”。多年来,校重依靠学者靠肉眼和经验一一对照,费时费力。正如《甲骨文合集补编》前言中所述:“这种对重、选片的工作,其烦琐、费工是局外人难以想象的。”

到了今天,大多数拓本图像已经数字化,一个新想法应运而生:人工智能是不是可以为校重工作加速?

难题的另一种解法

微软亚洲研究院的武智融一直在寻找一个好课题。毕业后,他专注于研究视觉方面的自监督模型,了解到甲骨文研究的困境后,他感到豁然开朗:“甲骨文既是文字,又是图像,比一般的多模态研究更有趣。”

一开始,他想研究甲骨文释读,但之后武智融发现,想要释读甲骨文,就得先把校重工作做好。

在武智融看来,校重工作天然就适合机器来做。判断一张拓片是不是重复的,理论上需要把它和现存的重片都比对一遍。随着时间流逝,甲骨不仅会模糊,还会破裂成小块,一些不完整的拓片让校重工作更难。

B(局部)和 A(整片)是重片,C(局部)和A(整片)是重片,不能断定B和C就一定是重片。这种情况下,基于全局特征来计算两张拓片相似度的办法就不奏效了。

于是武智融决定从局部下手:如果两张拓片的多个“点与点”之间能够精准地对应上,便能断定它们很大程度上为重片。

尽管字迹模糊,但每个字的关键点仍然可以对应|微软亚研院

武智融训练了一套自监督学习的深度神经网络算法——甲骨文校重助手 Diviner。

自监督学习与监督学习的区别,在于模型在训练时是否需要人工标注的标签信息。所谓监督学习,是利用大量的标注数据来训练模型,使模型基于标记的输入和输出数据进行推理,而自监督学习是让模型自己来寻找规律进行分类。

武智融先尝试用监督学习的方式训练,但发现这种方式并不适用甲骨文校重。首先,重片的形状差异大,模型很快就被搞迷糊了,其次,监督学习需要人工标注大量的数据,而甲骨文的数据没有那么多。

于是武智融决定把这个工作交给模型自己去解决:人类更擅长给出基于整体的、甚至主观“微妙”的判断,如果是循着规律的密集排查,机器的效率远在人之上。

因为岁月的侵蚀和多次流转,甲骨的不同拓本可能会有粗细之差,为了让模型学会自己寻找重片,武智融先人工模拟出一些甲骨文可能发生的变化,例如变粗、变细、变模糊,为其加随机噪音和旋转。通过这种方式让模型明白,不管是粗是细,只要关键点位能一一对应,就是同一个字,这样一来,模型的识别能力就不受拓片的清晰度、对比度、噪音、旋转等外界因素的影响。

变粗变细变模糊,都是同一个字,对人类来说很简单的道理,机器却不一定学得会|微软亚研院

当然,基于局部匹配的方法能行得通还有很重要的一个原因:来自于同一块甲骨的重片,文字大小是不会变动的。武智融将每张拓片分割成能承载足够信息,又尽可能小的方格,哪怕重片是破碎的,也可以对应得上。

新模型的比对效率甚至高于他的预期。

将18万幅数字化拓本输入Diviner之后,模型发现了大量甲骨重片,不仅复现了专家过去所发现的数万组重片,而且经过初步整理,已发现了三百多组未被前人发现的校重新成果

给人类专家做助手

Diviner成果已经在对专家工作产生实质性的帮助。

Diviner新发现的重片,补齐了一些没有拓全的拓本,一些时间久远字迹模糊的拓本也被清晰的重片替代。过去的很多疑惑都被解决了,专家们如获至宝。

Diviner还可以直接帮助“缀合”。缀合的目的是将一些支离破碎的甲骨,拼接成一个更完整的甲骨,复原整片甲骨的信息,有助于完整性地解读史料。

人工对Diviner的结果再次验证,从反馈来看,Diviner的“查重”准确率能接近97%。这将鼓励更多机构甚至个人将其私藏的甲骨文拓本拿出比对,供学术界讨论研究。

很多团队在尝试用人工智能技术帮助甲骨文的研究、传播,他们有人做甲骨文翻译,也有人做“认识甲骨文”小程序,但还是那个老生常谈的问题,人机协作中,机器如何辅助好人类专家。

武智融举了个例子。

甲骨文最初的目的是记录占卜。占卜者将龟甲炙烤后,通过出现的裂纹的长短、粗细、隐现来判断吉凶、成败,并将占卜的内容和结果刻在卜兆的近处,即为卜辞。

武智融和莫伯峰教授交流时才知道,卜兆在拓片上是模糊不清的,判断卜兆信息的位置高度依赖专家经验。

人工智能能帮人类专家做数据、资料的恢复工作,但只有专家学者才知道“一是一横,二是两横,三是三横,四是四横,一横之差,看似相似度非常高,阐释出来的意义却全然不同”。

人工智能技术如何才能对甲骨文研究产生直接且具体的推动作用?随着Diviner项目的进程,他开始更好地理解这个议题。

Diviner还能有其他延伸用途吗?

“有一次,同事开玩笑说,也许未来这套算法可能用于指纹识别,对刑侦有帮助也不错。”武智融笑了笑说。

注:文章中用到的拓本来自四本甲骨著录书。①《甲骨文合集》②《甲骨文合集补编》③《上海博物馆所藏甲骨文字》④《殷虚书契续编》

标签:

精彩推荐

关于我们 | 联系我们 | 免责声明 | 诚聘英才 | 广告招商 | 网站导航

 

Copyright @ 2008-2020  www.cguiw.com  All Rights Reserved

品质网 版权所有
 

联系我们:435 227 67@qq.com
 

未经品质网书面授权,请勿转载内容或建立镜像,违者依法必究!