7月5日，上海，2024世界人工智能大會。安陽師范學(xué)院團(tuán)隊宣布全球首個甲骨文多模態(tài)數(shù)據(jù)集正式開源。所謂多模態(tài)，是指包含一萬片甲骨拓片、摹本，以及甲骨文單字對應(yīng)位置、對應(yīng)字頭、對應(yīng)隸定字以及辭例分組、釋讀順序等數(shù)據(jù)。研究人員可基于該數(shù)據(jù)集開發(fā)甲骨文檢測、識別、摹本生成、字形匹配以及釋讀等方向的智能算法。

近年來，安陽師范學(xué)院甲骨文信息處理教育部重點實驗室利用計算機(jī)綴合甲骨碎片圖像70余組，位列全國第一。其中一組綴合后形成了新的連貫文辭，如果釋讀無誤的話，這句話可能記錄了公元前1900多年的一次日偏食天象。這引起人們的極大關(guān)注。

最近二十年，甲骨文破譯逐漸進(jìn)入瓶頸期。為此，在政府相關(guān)部門推動下，多所高校研究團(tuán)隊致力于探索人工智能（AI）輔助研究甲骨文的技術(shù)。國內(nèi)互聯(lián)網(wǎng)巨頭和科技公司紛紛入局，與學(xué)術(shù)界開展跨學(xué)科合作。人工智能的應(yīng)用為甲骨文研究提供了新的思路。玄幻的殷商甲骨文與科幻的人工智能碰撞，這是屬于中華文化獨有的浪漫。

AI需要一個怎樣的甲骨文數(shù)據(jù)庫

投喂給人工智能的標(biāo)準(zhǔn)化、多模態(tài)數(shù)據(jù)集，起點是二十年前一位數(shù)學(xué)老師開發(fā)的輸入法。

1991年，安陽殷墟花園莊東地H3坑內(nèi)出土甲骨1583片，這是殷墟甲骨發(fā)掘史上第三次重大發(fā)現(xiàn)。彼時，從河南師范大學(xué)數(shù)學(xué)系畢業(yè)的劉永革分配到安陽師范專科學(xué)校（安陽師范學(xué)院前身）任教才第三年。在職業(yè)生涯的前十年里，他與甲骨文研究并無交集。

上世紀(jì)90年代末，安陽師專安排青年教師進(jìn)修考研。劉永革等十人來到西安，目標(biāo)是考上西北工業(yè)大學(xué)計算機(jī)工程學(xué)院。當(dāng)時個人微型計算機(jī)剛剛興起，進(jìn)機(jī)房之前需要穿鞋套以防靜電。劉永革是數(shù)學(xué)專業(yè)出身，考試有四門課，其中三門以前沒學(xué)過，他便去書店買來專業(yè)書籍現(xiàn)學(xué)。有同學(xué)新買了一臺照相機(jī)，招呼大家去秦始皇陵兵馬俑坑參觀游覽，開玩笑說：“劉永革，別復(fù)習(xí)了，你陪我去，你肯定考不上嘛。”劉永革應(yīng)該沒去看兵馬俑——他在2000年獲得計算機(jī)軟件與理論碩士學(xué)位，方向是數(shù)據(jù)庫應(yīng)用。

21世紀(jì)初，安陽師院有一批從事甲骨文研究的中青年學(xué)者，包括李雪山、韓江蘇等，他們都曾在上世紀(jì)80年代“殷商文化研究班”受業(yè)于甲骨文專家胡厚宣。寫論文要引用甲骨文，甲骨文怎么輸入電腦？雖然有一種甲骨文編碼輸入法，但是學(xué)習(xí)成本很高，就像五筆字型輸入法一樣，需要背誦一整套編碼。老師們找到已在計算機(jī)科學(xué)系任教的劉永革，希望他開發(fā)一種完全不同以往的新的輸入法。首先，用軟件描摹甲骨文字，將描出的圖形矢量化，制成字體庫。再根據(jù)日本學(xué)者島邦男的甲骨文部首自然分類法設(shè)計檢索體系。用Visual C++編寫動態(tài)數(shù)據(jù)交換程序。使用時，呈現(xiàn)甲骨文常用部首的圖形界面，只需鼠標(biāo)點選檢索，再點選需要的文字即可，不用背碼。對于文字?jǐn)?shù)量不多的甲骨文來說，這種輸入法是非常合適的。

涉及甲骨文研究，不僅要輸入單字，還要能輸入整句、要找出前人的釋讀成果進(jìn)行對照，最好配上甲骨拓片或摹本的原圖。圈內(nèi)學(xué)者常開玩笑說，其他學(xué)科閱讀資料可以用文本文檔或者word文檔，甲骨文研究只能看PDF文件——用它才能瀏覽清晰的拓片圖像。歷史與文博學(xué)院的韓江蘇教授意識到，甲骨文研究需要一個字、圖、文資料一體化、便于檢索的數(shù)據(jù)庫?！凹坠俏膱D文資料庫”2004年成功申請國家社科基金，甲骨文輸入法的成功經(jīng)驗在焉，劉永革很自然地加入了課題組。好好一個計算機(jī)專業(yè)老師，毅然跨界投身甲骨文的世界。他帶領(lǐng)計算機(jī)系的年輕人從頭學(xué)習(xí)甲骨文，為課題組增添新鮮血液。至結(jié)項驗收時，收錄數(shù)十種權(quán)威研究文獻(xiàn)的精華和7萬多張甲骨拓片。

郭青萍是安陽師院中文系教授，退休后自學(xué)甲骨文并從事甲骨文篆刻。一次，他請劉永革幫忙檢索幾個現(xiàn)代漢字對應(yīng)的甲骨文字形。劉永革很快把結(jié)果給到了老先生?！拔曳瓡檎铱赡芤ㄒ粋€月，你這么快就找到了？！這個電腦很好。我也要學(xué)電腦！”那年郭青萍89歲，家里人不支持他。他拿出7000元偷偷交給劉永革，要他幫忙選購一臺電腦。劉永革說：“老先生好學(xué)呀。我給他買了一臺顯示器很大的那種，方便他看字。后來他用電腦又寫了三本甲骨文方面的書稿交付出版。”2008年，劉永革等申報的《基于甲骨文語料庫的計算機(jī)輔助考釋技術(shù)研究》獲批國家自然科學(xué)基金項目。甲骨文資料的數(shù)字化極大地便利了研究者，也為即將到來的人工智能時代做好了鋪墊。

2016年3月，谷歌旗下DeepMind團(tuán)隊開發(fā)的AlphaGo（初級圍棋）程序擊敗韓國九段棋手李世石，震驚世界。這也被認(rèn)為是一個人工智能發(fā)展大周期的元年。一個月后，國家相關(guān)部委領(lǐng)導(dǎo)在河南安陽調(diào)研時說，要利用大數(shù)據(jù)、云計算等現(xiàn)代技術(shù)手段做好甲骨文的破譯工作。兩年后，安陽師院甲骨文信息處理教育部重點實驗室獲批，劉永革出任實驗室主任。按照規(guī)定，教育部重點實驗室學(xué)術(shù)委員會主任應(yīng)由院士擔(dān)任?！拔覀儼碴柺切〉胤剑恼J(rèn)識什么院士喲?！?/p>

好在，他們“蹲”到了2015年新當(dāng)選中國工程院院士的戴瓊海。劉永革就聘請他做學(xué)術(shù)委員會主任。戴瓊海是清華大學(xué)自動化系教授，長期致力于立體視覺和計算攝像理論、關(guān)鍵技術(shù)研究，現(xiàn)任中國人工智能學(xué)會理事長。

2019年是甲骨文發(fā)現(xiàn)120周年。安陽師院在甲骨文研究專家宋鎮(zhèn)豪指導(dǎo)下，發(fā)布“殷契文淵”甲骨文數(shù)據(jù)平臺。這是當(dāng)今世界資料最齊全、最規(guī)范、最權(quán)威的甲骨文數(shù)據(jù)平臺，對國內(nèi)外研究者免費開放，至今已更新4期，包括甲骨著錄154種、甲骨論著34417種，收錄23余萬種圖像。利用上億像素的照相機(jī)，通過高清拍攝、微距拍攝、三維建模、紅外線拍攝、多光譜拍攝，對每一片甲骨拍攝150余張照片。借助微痕增強(qiáng)技術(shù)，使研究者能清晰地看到甲骨上較淺的刻痕，更準(zhǔn)確地分析筆畫和輪廓。部分有特殊含義的甲骨文是用丹砂“涂朱”的，對這部分文字的研究也是甲骨文研究中的一個分支。有些甲骨因年代久遠(yuǎn)，紅色丹砂脫落殆盡，但通過光譜分析，仍然可以確定甲骨文中的涂朱部分。此外，根據(jù)機(jī)器學(xué)習(xí)的要求，添加圖像數(shù)據(jù)標(biāo)注。

回首過去，當(dāng)初為甲骨文輸入法制作的矢量字庫，已經(jīng)“魔改”得面目全非。技術(shù)發(fā)展超越人的想象。

用計算機(jī)把破碎的甲骨拼起來

張展，2019年獲中國科學(xué)院大學(xué)計算機(jī)應(yīng)用技術(shù)專業(yè)博士學(xué)位，2021年中國科學(xué)院沈陽自動化研究所博士后出站，研究方向為計算機(jī)視覺、模式識別和數(shù)字圖像處理。在學(xué)校，張展和河南安陽籍郭安是室友。找工作時，郭安回安陽師院謀求教職，張展便順道來安陽看看機(jī)會。這是他第一次見到劉永革。老劉希望張展留下，但后者還沒有打定主意。一段時間后，劉永革接到張展的電話。他非常高興：“不用說相應(yīng)的待遇。張展來我這里，他成家前，我發(fā)動系里的老師，要求每個人都給他介紹對象。我得讓他留在安陽。”

劉永革一眼看中張展，因為他的研究方向非常適合從事計算機(jī)輔助甲骨碎片綴合工作。而甲骨碎片綴合是短期內(nèi)能夠?qū)嵸|(zhì)性推動甲骨文釋讀破譯的手段。

當(dāng)前的甲骨文釋讀工作確實處在一個瓶頸期，在甲骨學(xué)再繼續(xù)發(fā)展的道路上，遇到了文字釋讀滯后的障礙，給甲骨學(xué)商史研究的再深入造成了困難。中國文字博物館于2016年至2024年間開展了兩次甲骨文釋讀優(yōu)秀成果征集評選。對破譯未釋讀甲骨文并經(jīng)專家委員會鑒定通過的研究成果，單字獎勵10萬元。第一次，復(fù)旦大學(xué)蔣玉斌摘得一等獎，拿到了10萬元獎勵。第二次，復(fù)旦大學(xué)陳劍和吉林大學(xué)周忠兵同時獲得一等獎。8年，3個字，這就是今天破譯甲骨文的速度。

為何破譯如此之難？目前學(xué)界公認(rèn)甲骨文有4500多個單字，其中已經(jīng)破譯近1500字，剩下的3000多字都是較難釋讀的，譬如沒有對應(yīng)的現(xiàn)代漢字，或是后世不再使用的地名、人名。甲骨文破譯是從已知推理未知。1991年安陽殷墟花園莊東地H3坑的發(fā)掘是距今最后一次甲骨大發(fā)現(xiàn)。近三十年，新發(fā)現(xiàn)的甲骨增量太少，也使釋讀研究工作陷入巧婦難為無米之炊的境地。

為此，很多學(xué)者將目光投向存量甲骨挖潛，希望從中壓榨出有價值的新線索。現(xiàn)存甲骨多以碎片的形態(tài)存世。一是因為甲骨用于占卜，經(jīng)過鉆鑿、火燒，滄海桑田，繩編斷絕。二是早期甲骨收藏者在安陽小屯村收購甲骨，按片計價。村民便將挖出來的甲骨掰碎出售。所以后來就改為按甲骨上有多少字來計價收購。甲骨往往沿龜腹甲的天然紋裂而碎，其小者比人的指甲蓋大不了多少。如果將甲骨碎片綴合起來，就能得到新的連貫的句子，學(xué)者加以句讀，從而獲得全新的解讀。

然而，甲骨整理繁難且極費人工。故宮博物院是世界第三大甲骨收藏單位，所藏2萬多片殷墟甲骨，此前絕大多數(shù)從未整理出版。“故宮博物院藏古文字?jǐn)?shù)字平臺”的階段性成果，也僅僅是公布了《故宮博物院藏殷墟甲骨文》“馬衡卷”“謝伯殳卷”中的300余件甲骨藏品高清影像及其拓本。人工綴合甲骨碎片需要記憶大量的甲骨文信息，專業(yè)要求高、工作量大。一所高校能有幾個研究甲骨文的人才，他們寒窗苦讀，皓首窮經(jīng)，才堪堪夠格參與這項工作。古人考釋文字如同射覆，意即如猜謎一般，靠直覺，沒有數(shù)學(xué)公式推導(dǎo)那樣的規(guī)律可循。有學(xué)者感慨，甲骨斷痕的邊緣并無一定的規(guī)律，而人對信息的敏感是有偏好的，此處敏感別處未必敏感，因而遺漏甚多。

計算機(jī)沒有直覺，只有數(shù)字和概率。與人不同，它可以找到?jīng)]有規(guī)律的邊緣信息進(jìn)行匹配。

張展向我們展示如何用計算機(jī)輔助綴合甲骨碎片。首先準(zhǔn)備一片待綴合的甲骨碎片拓片圖像，分辨率精度400dpi（經(jīng)插值運(yùn)算獲得600dpi），修理甲骨輪廓周圍的毛刺，提取段痕邊緣的一條曲線。將邊緣曲線旋轉(zhuǎn)正負(fù)20°，得到同一條曲線不同傾斜角度的集合。用邊緣曲線集合與選定的一批甲骨拓片的輪廓線相擬合。在邊緣曲線上分多個小段進(jìn)行采樣，計算源甲骨碎片圖像與目標(biāo)甲骨碎片圖像邊緣采樣點之間的距離和，作為不相似度處理。當(dāng)不相似度值小于某一設(shè)定值的時候，意味著可能產(chǎn)生一組成功的綴合。

解釋起來有些費勁，但計算機(jī)只在瞬息間就能輸出綴合結(jié)果。

最初，張展跑完程序，得到一組綴合結(jié)果，發(fā)朋友圈，大家喜出望外。隨即，他們得知這組甲骨碎片已被前人綴合過，不過至少證明這個方法行得通。不久后，實驗室終于得到新的“獨家”綴合結(jié)果。不僅文辭能夠連上，貫穿兩片甲骨的刻痕也明顯能夠貫通。隨著項目深入，得到一組又一組綴合結(jié)果。一篇篇對綴合后連接起來的甲骨文句的考釋文章接踵發(fā)表。

這種綴合方法取得了小小的成功。但要再進(jìn)一步，還有難關(guān)。目前的技術(shù)能夠讓選定的一片甲骨匹配另一片或者一批甲骨。如果要讓計算機(jī)在大批量甲骨圖像中一次找出可綴合的一對或多對甲骨，需要新的算法和更強(qiáng)大的算力。除了技術(shù)因素，還有一個問題困擾著研究者。全世界現(xiàn)存約16萬片甲骨，分散在15個國家、181家館藏機(jī)構(gòu)。相比之下，經(jīng)過整理可供研究且公開發(fā)布的甲骨拓片資料就很少了。而機(jī)構(gòu)與機(jī)構(gòu)之間、國家與國家之間的交流合作、資源共享并非易事。

為此，安陽師院團(tuán)隊今年正式啟動“全球甲骨數(shù)字回歸計劃”，爭取國家、省、市三級政府部門和社會各界的支持，希望到國內(nèi)外保存甲骨的館藏機(jī)構(gòu)進(jìn)行數(shù)據(jù)采集，讓散落各地的甲骨“回家”。這是一個宏偉而又浪漫的計劃。凡是用浪漫來形容的事，往往都是很難的，可能需要很多年才能完成。劉永革對張展說：“你看，我搞了一輩子數(shù)據(jù)庫。你一輩子做好甲骨碎片綴合這件事，也就成了。”與數(shù)千年的甲骨文相比，人生仿若滄海之一粟。很多事情的成功有漫長的路要走，其待后人乎！