以識別西夏文為例，聊聊人工智能如何幫我們認(rèn)識歷史
曾記得有一次聊天，有個朋友描述他對人工智能的印象，總結(jié)成三個詞：西方的、商業(yè)的、未來的。
我當(dāng)即表示你說的很好，庫卡機(jī)器人，唯一的問題是一條都沒說對
按下我們倆怎么展開斗毆暫且不提。這里希望破除的是大家對人工智能的某種固有印象。事實上，人工智能作為一種很早就發(fā)展起來的通用技術(shù)，絕不是西方的專利，也絕不僅僅能夠創(chuàng)造商業(yè)價值。
甚至在某些機(jī)緣巧合下，人工智能能夠成為我們用以認(rèn)識歷史、認(rèn)識自身民族、認(rèn)識祖先與過去的利器。
梁啟超說學(xué)術(shù)乃天下之公器，不僅是說學(xué)術(shù)天下人共有，同時也是說學(xué)術(shù)天下共致。作為一種基礎(chǔ)工具的人工智能，往往能夠在意想不到地方發(fā)生效用。比如說今天為大家介紹的借助人工智能技術(shù)，自動識別西夏文一個純粹中國的人文社科領(lǐng)域。
（美感奇特的西夏文）
雖然這項技術(shù)大多數(shù)人永遠(yuǎn)不會涉足，但這個案例的價值在于可以打破我們對AI的某些偏見。AI不只是集中在那幾個領(lǐng)域，也不是歐美寡頭的玩具，它甚至可能無處不在。
為什么要識別西夏文？其中隱含著哪些困難？
我們知道，西夏是與北宋、遼、金先后對峙的黨項族國家，曾經(jīng)統(tǒng)治河西地區(qū)超過二百年。與大眾認(rèn)知中不同，KUKA機(jī)器人示教器維修，西夏不是個茹毛飲血的野蠻文明。他們曾經(jīng)創(chuàng)立過驚人的文化、藝術(shù)與宗教文明，但隨著1227年蒙古滅西夏，蒙元不為西夏立史，關(guān)于這個政權(quán)的記錄快速消亡，李元昊立國時創(chuàng)立的西夏文也隨之湮滅。
西夏文又名河西字、番文、唐古特文，曾在西夏王朝統(tǒng)轄的今寧夏、甘肅、陜西北部、內(nèi)蒙古南部地區(qū)盛行了約兩個世紀(jì)。但在西夏滅國后，這種參考漢字創(chuàng)立的奇特文字逐漸失傳，最終成為了一種死文字。
直到1804年，武威大云寺發(fā)現(xiàn)了著名的《重修涼州護(hù)國寺感通塔碑》，西夏文才在埋藏了數(shù)百年后重現(xiàn)人世。從此識讀西夏文開始成為了學(xué)界的重要工作。
（《重修涼州護(hù)國寺感通塔碑》局部）
二百年以來，出土的西夏文文獻(xiàn)不斷增多，其中大部分都被英、俄探險家?guī)У搅司惩狻５鲊鴮W(xué)者努力下，西夏文的基礎(chǔ)文字識別已經(jīng)完成，現(xiàn)階段的工作重點是依據(jù)文字列表，去識讀大量西夏文文獻(xiàn)的具體內(nèi)容，揭開西夏以及當(dāng)時中原、西域各國的歷史迷霧。
但在這個過程里，研究人員認(rèn)讀西夏文必須通過手工翻閱查找，耗費時間異常辛苦不說，由于西夏文是一種相似度極高的文字，人工識別還可能存在很大的錯誤率。
所以就有學(xué)者提出，利用計算機(jī)來自動識別西夏文。這種設(shè)想很好，但在具體操作中還是有巨大問題。比如西夏文結(jié)構(gòu)復(fù)雜、組成字符各部分要素高度相似，并且平均筆畫達(dá)到25畫，計算機(jī)識別難以入手。
此外，西夏時期雖然已有印刷術(shù)，但出土文獻(xiàn)還是以手抄本和刻版文字為主，同一個字的在不同文獻(xiàn)上的位置不固定、整體布局會發(fā)生偏移，都給機(jī)器識別帶來巨大困難。
于是有意思的事出現(xiàn)了，寧夏大學(xué)相關(guān)研究機(jī)構(gòu)為代表的學(xué)術(shù)力量，選擇了以人工智能技術(shù)解決西夏文的自動識別。
并且這個工作很早就已經(jīng)開始，不斷有成果涌現(xiàn)。從時間上看，絕不是趕這波AI熱的產(chǎn)物。
人工智能完成西夏文自動識別
其實，用計算機(jī)技術(shù)處理西夏文很早就已經(jīng)開始。
早在1996年，日本國立亞非語言文化研究所就制作了西夏文字庫和排版系統(tǒng)。1997年中國學(xué)者李范文和日本學(xué)者中島干起利用該排版系統(tǒng)合作出版了《電腦處理西夏文〈雜字〉研究》。俄羅斯應(yīng)該也都有西夏文數(shù)據(jù)化和計算機(jī)處理的項目與研究成果。
而使用彈性網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)、AI算法以及深度學(xué)習(xí)來識別西夏文，則是中國領(lǐng)先完成的一個創(chuàng)舉。
（紀(jì)錄片《神秘的西夏》創(chuàng)立文字片段）
用AI識別西夏文，主要依托的是計算機(jī)字符識別（opticalcharacterrecognition，OCR）技術(shù)，這種技術(shù)上世紀(jì)60年代就成為了人工智能研究的主要領(lǐng)域之一。它的核心技術(shù)主張是基于人工智能運算來識別文字符號的數(shù)字影像，并將其轉(zhuǎn)換為對應(yīng)的數(shù)字文本，達(dá)到可識別、可編輯、可轉(zhuǎn)化的目的。
OCR技術(shù)目前在很多領(lǐng)域已經(jīng)相當(dāng)成熟，比如我們經(jīng)常用到的印刷文件文字提取。在OCR識別領(lǐng)域，更多的應(yīng)用是手寫體內(nèi)容的精準(zhǔn)識別，而利用OCR識別考古文獻(xiàn)中的非廣泛使用文字卻基本處于空白。
這里可以結(jié)合論文簡單介紹兩種AI識別西夏文的案例。
比如在《基于彈性網(wǎng)絡(luò)的西夏文識別》當(dāng)中，研究人員利用彈性網(wǎng)絡(luò)技術(shù)，將西夏文中的筆畫特征進(jìn)行網(wǎng)格化提取。再統(tǒng)計像素點在每個網(wǎng)格內(nèi)的概率分布，形成一種可讀取的特征模型。最后使用文檔主題模型方法對提取的特征降維處理，結(jié)合數(shù)據(jù)庫對文獻(xiàn)進(jìn)行識別。
根據(jù)論文這種方法現(xiàn)實，這種方法平均識別率可達(dá)87.99%。
再比如《基于MeanShift算法的西夏文字筆形識別》，MeanShift算法，即偏移均值向量，是機(jī)器學(xué)習(xí)領(lǐng)域的一種基本算法。其基礎(chǔ)理論是利用信息密度來完成聚類、圖像分割、跟蹤任務(wù)，可應(yīng)對相似但界限模糊的圖像處理應(yīng)用。利用這種算法，研究人員將原始資料生成概率統(tǒng)計直方圖，通過相似度來判斷歸類具體的西夏文筆形。
（西夏文智能識別算法流程）
這里僅僅是兩個具體應(yīng)用案例，利用深度學(xué)習(xí)等前沿人工智能技術(shù)識別西夏文的應(yīng)用還在不斷發(fā)展。
文獻(xiàn)與考古領(lǐng)域的人工智能應(yīng)用
可能識別西夏文距離我們的日常生活還相對較遠(yuǎn)，但推廣當(dāng)整個人文社科領(lǐng)域，AI的應(yīng)用可能就會從另一個角度無限貼近我們的生活。
從近處來說，AI推動學(xué)術(shù)效率，可能會影響我們的學(xué)科配置、學(xué)術(shù)訓(xùn)練甚至高等教育體系，從遠(yuǎn)處來看，AI推動的進(jìn)一步識別歷史與文獻(xiàn)的能力，是我們窺探自身過去，了解中國為何是中國的全新工具。
在我們沉浸于未來帶來的快感時，人工智能卻可能在歷史領(lǐng)域快速發(fā)揮它的價值。通過西夏文識別的例子，不難發(fā)現(xiàn)在文獻(xiàn)與考古這些社科領(lǐng)域當(dāng)中，人工智能至少可以發(fā)揮以下幾種功效：
1、考古圖像的識別與歸檔，比如基于算法的文物識別、文物數(shù)據(jù)化、考古現(xiàn)場數(shù)據(jù)化。
2、文獻(xiàn)文本的識別與轉(zhuǎn)碼，比如原始文獻(xiàn)的文字識別讀取、文獻(xiàn)聚類、文獻(xiàn)數(shù)據(jù)化。
3、文獻(xiàn)數(shù)據(jù)庫的知識圖譜化與機(jī)器學(xué)習(xí)應(yīng)用。比如學(xué)科文獻(xiàn)圖譜化、時代文獻(xiàn)圖譜化、科研項目數(shù)據(jù)圖譜化，以及基于知識圖譜訓(xùn)練的人文社科領(lǐng)域智能體。這一點尤其重要，想象力也最為充沛。就像金融、翻譯等領(lǐng)域很可能被AI替代一樣，文獻(xiàn)學(xué)與歷史研究領(lǐng)域大部分依賴考證、校勘、資料爬梳的工作，工業(yè)機(jī)器人維修，也完全可以被AI取代。
類似的人文領(lǐng)域與AI跨界還有很多，有些甚至涉及哲學(xué)與倫理層面的技術(shù)與人文互搏，以后我們會陸續(xù)介紹。
也許AI就像風(fēng)，當(dāng)它是一場風(fēng)暴的時候，家家戶戶都會門窗緊鎖小心防護(hù)。但當(dāng)它是清風(fēng)徐來穿屋而過的時候，在我們不知覺間，AI就已經(jīng)無孔不入了。