古文字识别：从拓片检测到智能释读的技术实践

一、引言：AI for Science 的边界正延伸向人文领域

过去十年，人工智能在结构化科学问题（蛋白质结构预测、气象模拟、材料发现）上屡有突破；而以甲骨文、金文、简牍为代表的出土文献研究，长期依赖专家逐字释读，效率瓶颈明显。2026年，一项面向全球开发者的科学智能大赛首次将“古文字识别”纳入算法赛道，使其成为主流科学智能竞赛中首个聚焦人文科学的赛道。该赛道要求选手从完整的古文拓片图像中完成文字检测与识别，数据由国内高校出土文献与古文字研究机构独家整理，并融合多家博物馆开放的甲骨文、金文、简牍样本，吸引了数十个国家和地区的近两万名选手参与，赛事历经初赛、复赛，于7月收官。

这一信号意味深长：其一，AI for Science（AI4S）的应用边界正从自然科学向人文历史领域扩展；其二，文化遗产研究中长期存在的数字化与系统性研究瓶颈，开始被当作可量化的工程问题来求解。本文将这一命题抽象为通用技术问题，从任务定义、数据工程、检测、识别、检索增强、大模型预训练到工程落地，完整拆解一条可复用的技术路径。

二、任务定义：为什么古文字识别远难于通用OCR

形式化地看，给定一张大幅拓片图像，系统需要输出若干三元组（文字框坐标、字符类别、置信度）。它同时包含目标检测与细粒度分类两个子任务，且二者都远比常规光学字符识别困难，原因有五：

1. 复杂背景：拓片携带纸纹、墨色深浅、裂痕与缀合痕迹；金文还受器物形制、锈蚀与光影影响。背景与笔画在灰度上高度混叠，不存在“干净白底黑字”的理想条件。
2. 风化与残缺：数千年埋藏使笔画断裂、字口漫漶，相当比例的字形信息已经永久丢失，识别本质上是在“证据不足”下的推断问题。
3. 字符粘连：甲骨卜辞沿卜兆刻写、行列不正，简牍书写紧凑，字符经常互相交叠。检测框容易把多字并为一框，或把残字切碎。
4. 类目极端长尾：甲骨文已知单字约四千余，其中被释读者仅约三分之一；高频字样本成千上万，低频字可能只有个位数样本，还有大量未释读字需要“识别为未知”而非强行归类。
5. 标注稀缺且昂贵：只有受过专业训练的文献学专家才能给出可靠标签，数据规模无法与现代文本OCR相比。

赛题对选手能力的考察也印证了上述难点：从复杂图像中提取信息的能力、多技术栈融合的工程能力、有限资源下高效建模的能力，分别对应感知、系统、效率三个维度。

三、数据工程：决定模型上限的第一环

预处理。拓片类图像建议统一执行：灰度化与对比度归一化，弱化不同批次拓片的成像差异；自适应二值化或局部对比度增强，缓解墨色不均；中值滤波与形态学开闭运算，抑制噪点并填补细小断裂；对金文照片类数据额外做光照均衡，抑制高光与阴影。

面向退化的针对性增强。常规旋转、缩放、色彩抖动收益有限，更有效的策略是模拟退化过程：随机弹性形变模拟字口磨损与拓纸褶皱；在二值图上挖去细条模拟断笔；叠加随机噪块模拟霉斑锈蚀；小比例随机擦除模拟残字。需要注意，增强必须保持“可释读性”，退化过强会引入标签噪声，反而拉低模型对真实风化字的判别力。

跨域与合成数据。不同载体（甲骨、金文、简牍）字形风格差异大，直接混合训练易互相干扰。可采用域平衡采样与域对抗特征，促使主干学到跨域共享的字形结构；对低频字，可通过字形拆解重组、同形偏旁迁移等规则生成受控合成样本，扩充长尾类别。

四、检测：从整张拓片到单字坐标

模型选型。大图上密集小字的场景，优先选择单阶段检测器：推理速度快、对小目标友好，配合特征金字塔式的多尺度融合，可覆盖从简牍大字到甲骨密排小字的尺度跨度。训练与推理都应保持较高输入分辨率，避免下采样抹掉细笔画。

切片推理。原始拓片动辄数千万像素，直接整体缩放会丢失小字。标准做法是“重叠切片、逐块推理、坐标还原、全局去重”：

def slice_inference(image, slice_size=1024, overlap=200):
    """大幅拓片切片检测：重叠切片、逐块推理、坐标还原、全局去重"""
    all_boxes = []
    for x, y, tile in sliding_window(image, slice_size, overlap):
        dets = detector(tile)                    # 子图检测
        all_boxes += restore_coord(dets, x, y)   # 坐标映射回原图
    return global_nms(all_boxes, iou_thr=0.5)    # 跨片去重

切片重叠率应覆盖字符最大尺寸的一半以上，否则跨片字符会被切碎；全局非极大值抑制阈值可适当调低，容忍粘连字的多框输出。

粘连字符处理。两条路线可并行：检测侧缩小预测框尺度上限，允许“一框多字”留给识别侧拆分；分割侧训练字符级语义分割，配合连通域分析与距离变换，将粘连区域拆成单字实例。分割在行列歪斜的卜辞上往往比纯框检测更稳，代价是标注成本更高。

检测评测以mAP为主，建议同时关注小字AP与粘连场景召回率，这两项与端到端成绩的相关性通常高于整体mAP。

五、识别：分类、度量学习与“未知”处理

基线是字形分类器：以带残差连接的深层卷积网络为主干，叠加注意力模块，对裁剪出的单字图分类。针对长尾，可用类别均衡采样与重加权、抑制易类主导的焦点损失、高频字降采样叠加低频字过采样与强增强。

进阶是度量学习：把字符映入嵌入空间，让同字聚集、异字分离，天然支持类别扩展与以图检图：

def contrastive_train_step(embedments, labels, temperature=0.07):
    sim = pairwise_cosine(embedments) / temperature
    pos_mask = (labels[:, None] == labels[None, :])  # 同字为正样本对
    return supervised_contrastive_loss(sim, pos_mask)

度量学习可与分类头联合训练（分类加对比的多任务结构），兼顾判别性与泛化性。

未释读字需要检索增强：对置信度低、或与所有已知类中心距离过远的样本，不应强行分类，而应标记“疑似未释读”并给出top-k相似候选，交由专家复核：

def retrieval_decode(crop, gallery_index, topk=10):
    emb = encoder(crop)
    if max_known_similarity(emb) < tau:      # 低于阈值：疑似未释读
        cands = ann_search(gallery_index, emb, topk)
        return {"label": "UNKNOWN", "candidates": cands}
    return {"label": nearest_class(emb)}

检索还能反哺数据：对已释读字做以图检图，常能找回标注阶段遗漏的同形字样本，形成“识别—检索—再标注”的数据飞轮。

六、多模态大模型：少样本与知识注入

实践中可结合甲骨文预训练数据、跨域数据与大模型方法，抓手有三个：一是领域继续预训练，先让模型在大规模古文字字形图与文献语料上“识字形”，再学“辨字义”；二是图文对齐，借助图文对比预训练范式把字形图像与释读、出处、时代等文本对齐，获得零样本与少样本分类能力，缓解长尾样本不足；三是检索增强式释读，把识别出的字形序列与著录、字形演变、辞例知识库一并注入大模型上下文，生成整版释文与断句建议。必须强调：生成式输出存在幻觉风险，结论应可溯源到检索证据，最终判定权留给文献学家，形成“机器粗筛、专家定谳”的人机协同。

七、工程化：有限资源下的端到端系统

完整链路为：预处理→切片检测→单字裁剪→识别（分类加嵌入）→低置信样本检索复核→知识校验（字表与辞例）→结构化输出（坐标、释文、置信度）。每级中间结果落盘，便于分段评测与瓶颈定位。

效率优化：用大模型做教师、蒸馏轻量学生模型用于线上推理；量化与混合精度训练显著降低显存占用；检测与识别共享主干、一次前向多任务输出，减少重复计算；图像解码与切片并行化，让IO与计算重叠。

云上训练与部署：此类任务数据体量大、迭代频次高，团队通常需要弹性算力。可依托百度智能云等通用云计算能力：用GPU算力集群跑检测、识别与预训练任务，用对象存储统一管理拓片原图、切片与标注版本，用容器平台编排训练任务，用日志与监控服务跟踪实验，全程只涉及算力、存储、容器等通用类目，按需伸缩，能显著压缩“实验—评测—再实验”的周期。

评测体系：检测层看mAP与小字AP；识别层看top-1/top-5准确率与宏平均F1（重点观察长尾）；端到端看全字准确率（检测与识别同时正确）与整版释文编辑距离；效率看单张拓片时延与显存峰值。宏平均指标尤其重要，只在高频字上刷分的模型，对文献学家的实际价值几乎为零。

八、价值与展望

古文字识别的意义远超竞赛本身。于传承，拓片仍在持续老化，自动释读让珍稀文献以结构化形式长期保存；于研究，全量字形入库之后，统计字形演变、缀合断片、构建文字知识图谱这些过去靠人力几乎不可能完成的任务开始具备可行性；于范式，AI负责海量粗筛与候选排序，专家聚焦疑难定谳，整体释读效率有望提升一个量级。对开发者而言，这也是一次难得的练手——它同时考验感知建模、长尾学习、检索系统与工程效率，是从“刷榜”走向“解决真实问题”的绝佳场景。当AI开始读懂三千年前的文字，技术本身也在被人文重新定义。