机器之心原创

作者：张倩

一百多年后，我们仍在为胡适提出的「整理国故，再造文明」而努力，但技术的发展让我们能够以一种新的形式完成这项历史使命。

1919 年 12 月，胡适在《新青年》杂志发表《新思潮的意义》一文，提出建设新文化的理论原则：「研究问题、输入学理、整理国故、再造文明。」由此在学术界引起了一场规模较大的「整理国故运动」。

在他看来，中国的古籍，实在是缺乏系统性。这就导致「一般青年，对于中国本来的文化和学术，都缺乏研究的兴趣」。所以，他希望大家都能「下一番真实的工夫，使彼成为有系统的…… 方能使人有研究的兴趣，并能使有研究兴趣的人容易去研究。」这场「整理国故运动」对于史料的保存与挖掘、中西方文化的连接与融合都起到了非常积极的作用。

经过一百多年陆陆续续的整理，我们的古籍已经具备了一定的系统性，也有越来越多的青年对它们产生了浓厚的兴趣，并从中汲取灵感和养料进行艺术创作。但新的问题开始涌现：古籍被整理好后就放入了图书馆、博物馆妥善保存，普通人想看一眼并不容易。如何让「有研究兴趣的人容易去研究」、让文明触手可及成为了新时代「整理国故」的新命题。

近日，由字节跳动和北京大学数字人文实验室、国家图书馆联合推出的古籍数字化阅读平台「识典古籍」的上线为这个新命题提供了一种解法。

平台链接：

「识典古籍」目前涵盖了 390 部经典古籍（主要来自《四部丛刊》），共计 3000 多万字。与之前访问门槛比较高的一些数字化平台不同，「识典古籍」是完全免费的，而且增加了简繁转换、原本影像对照、全文检索、注疏辅助等一系列便捷功能，人名、地名、书籍、时间、官职等信息都标注了出来，还添加了标点符号，真正做到了让普通人也能走近古籍，深入了解其中的文化内涵。

「识典古籍」支持多种检索方式，比如按古籍类别（经、史、子、集）检索以及按关键词、书名、作者检索等。

「识典古籍」的注疏展示和原本影像对照功能展示。

在「识典古籍」之前，我们也能找到一些类似的数字化古籍平台，比如中国哲学书电子化计划（Chinese Text Project）、书同文古籍数据库等。这些平台有着各自的优势，但也有不同局限。书同文古籍数据库收费较高，普通读者无法随时随地进查阅和使用。中国哲学书电子化计划目前囊括了超过三万部著作，但未能解决一个基本问题——用户常常无法访问。相比之下，「识典古籍」访问起来要便利得多。

这类数字化平台的出现不仅是丰富大众文化生活的需要，也是解决当前古籍保护、传承困境的有效方法。

而且，「识典古籍」项目负责人对媒体解释说，「识典古籍」不只是一个数字化平台，还是一个针对古籍保护的完整项目，包括古籍修复、数字化、活化三大方向。该项目融合了字节跳动积累的文字识别、自动标点、命名实体识别等多项 AI 技术以及来自北京大学等各大高校的学者和文献专家的丰富经验，将为古籍的保护和传承贡献重要的力量。

古籍保护、传承面临的困境

「史在他邦，文归海外」

今年 10 月 3 日，中国人物画史上最杰出的画作之一——《女史箴图》绢本在大英博物馆迎来一年一度的开放展出季。此画是现存已知的最早的中国画长卷之一，笔法如春蚕吐丝，形神兼备。可惜的是，国人要想欣赏这幅画作，也只能远赴伦敦。

《女史箴图》代表了很多中国古籍面临的困境。它们在战争时期被人掠夺或走私到海外，流失、散佚在各国博物馆、图书馆、私人收藏家手中。因此，原文化部副部长兼文物局局长郑振铎曾写下慨叹：「史在他邦，文归海外」。

1949 年前，郑振铎、张元济等学者曾以个人之力收购古籍。1949 年之后，国家对于流失海外的中华古籍的回归一直非常重视，通过政府收购、专项调查等方式促使古籍以各种形式回归祖国。海外华人也基于爱国之情不断将获得的古籍捐赠给祖国。但比起数量巨大的流失古籍，能够顺利回归的古籍原件还是非常之少，普通国人更是没有近距离接触这些流失古籍的渠道。

在这种情况下，古籍的数字化回归是一种更为实际的解决方案。

修复难，数字化也难

我国古籍数量众多，但真正能在网上查阅的数量却很少。造成这种现象的原因是多方面的。

首先，我国古籍现存几十万种，但经过兵燹水火的损毁，只有一部分是保存完好的，其他很多都需要先修复、再数字化。

古籍修复工作之一——碎片连缀。图源：《穿越时空的古籍》

其次，当前的古籍修复、数字化还面临工作效率低、人手短缺等困境。

效率方面，普通古籍修复、整理团队所能调动的资源往往比较有限，一个团队可能只有两台扫描仪，工作效率很难提升。

人才方面，很多人相信「一万小时定律」，但在古籍修复领域，「一万个小时恐怕出不来一个熟手，两万个小时未必能造就一个大师，而且他（她）本人还要努力，」国家图书馆副馆长、国家古籍保护中心副主任张志清感慨说。据统计，全国各高校、社会层面做古典文献专业的人加起来不到 1 万人。

如果以这样的速度、条件修复、整理下去，北京大学数字人文研究中心主任王军算过一笔账：我国现存古籍约有 20 万种，从 1949 年到 2019 年，共修复整理出版了近 38000 种，要将现存古籍全部修复整理出来，可能需要三百年的时间。

可见，古籍的数字化需要一场生产效率的变革。

人工智能让古籍焕发新生

近几年，国内科技企业正越来越多地参与到古籍的数字化工作中来。比如在 2021 年，阿里巴巴的「汉典重光」平台帮助一批珍藏于美国加州大学伯克利分校的中文古籍善本，以数字化方式回归故土，首批 20 万页古籍已完成数字化，并沉淀为覆盖 3 万多字的古籍字典。公众可通过该平台翻阅、检索古籍。

无论是「汉典重光」还是「识典古籍」，我们都能看到 AI 技术在提高古籍数字化效率方面发挥的作用。

「识典古籍」项目负责人介绍说，为了实现全文检索、标点添加、人名地名标注等功能，「识典古籍」用到了字节跳动积累的文字识别、自动标点、命名实体识别等多项 AI 技术，克服了古籍数字化过程中的很多难题。

字节跳动

文字识别

文字识别就是用 OCR 技术对古籍的影印版文字进行单个切分、文字识别、顺序识别。所谓文字切分，是指古籍扫描件中的单字检测技术，能够获取每个字符的具体位置。文字识别就是将切分的图片送入文字识别模型，获取每个文字的具体编码。顺序识别就是结合文字内容和文字位置，获取整张古籍扫描件的阅读顺序。

这一流程的难点在于，古籍用的是繁体字，而繁体字又存在异体字和生僻字，同样一个简体字在古籍中的写法可能有十几种，如何识别并将它们在搜索结果中完整呈现是一项巨大的挑战。目前行业内 OCR 识别准确率平均为 93% 至 94%，「识典古籍」的准确率可以达到 96% 至 97%。

常见异体字辨别。图源：

自动标点

自动标点技术是通过序列标注的方式自动为古籍添加标点。这项工作之前都是由专家、学者来完成，因为他们对古籍有足够的了解。

目前，AI 已经能够胜任一部分工作。「识典古籍」已经支持「，。？！、：；」七种标点。但由于古籍的自然语言理解比普通文本要难得多，目前 AI 还是会犯一些错误（3% 到 4% 左右）。

随着算法的迭代，项目团队有望将标点准确率提升到 98% 左右。

命名实体识别

命名实体识别是通过序列标注，识别古籍文本中的命名实体。「识典古籍」支持识别人名、地名、书籍、时间、官职这五种类型的实体，但它的最终形态并不会止步于此。

「识典古籍」项目负责人介绍说，随着平台版本的迭代，他们希望用知识图谱技术将这些人名、书名、地名等信息关联起来，并将其与百科业务打通，为读者提供更加系统的上下文背景信息。

当然，这些技术也离不开人的支持。王军表示，北大在这次合作中联合各大高校学者和文献专家，负责人工审核与校对，弥补人工智能有识别错误率的短板，并利用自有学术平台，连接更多专业研究者和学生群体。

「在这一系列技术的支撑下，我们不需要再花 300 年才能把 26 万本古籍转换过来，也许我们 30 年就能做到，」王军说。

古籍数字化的下一步：活化

如今，古籍的保护和传承正在受到前所未有的重视。今年 4 月，中共中央办公厅、国务院办公厅印发了《关于推进新时代古籍工作的意见》。今年的全国两会上，「加强文物古籍保护利用」首次被写进《政府工作报告》。各大科技公司也在积极响应这些号召，在古籍保护、传承工作中发挥自己的优势。

就「识典古籍」而言，它还存在很多可以改进的地方，比如典籍数量较少、标点错误率较高，文字也有一定的错误存在。

目前，北京大学 - 字节跳动数字人文开放实验室已经制定了初步目标：在未来三年内陆续完成 10000 种古籍的智能化整理工作，基本覆盖儒家、道家和佛学的核心典籍目录。项目团队的技术理想是通过人工智能算法实现古籍全自动整理校对。如果能够实现这样的能力，他们也非常愿意将其开放给全社会，让所有整理古籍的人都能够免费使用他们的平台。

在聊完古籍的数字化问题之后，王军提出了一个更加尖锐的问题：「如何让一个习惯刷手机的普通用户来看这些晦涩难懂的古代文献呢？」

他给出的答案是：重新阐释。「这种重新阐释不是一字一句去翻译，而是要跟当代人生活结合在一起，为我们当代人精神提供养料，这样才能真正实现活化，」王军解释说。

这种「活化」的提法和胡适的「整理国故，再造文明」是一脉相承的，但也有其时代创新性。

王军认为，放到今天的全球互联网语境下，「再造文明」意味着我们要将整理古籍这件事放到全球文明体系下来看待，「我们保护的不仅仅是中华文明，而是全人类的珍贵文化遗产，所以我们要放在这个大的文明体系下来重新审视我们自己的文明。就像胡适这一批知识分子说的，典籍的重新整理不仅要连接过去与现代，而且要沟通东方和西方，否则就变成一种孤芳自赏。」

这也是北京大学和字节跳动合作的一个终极目标，即要打造融媒体环境下典籍传承的完整生态，为当代人提供心灵滋养和精神寄托。