象形文字新解：古汉字数字化研究的技术实践

一、引言：从“个人新解”到“可复现的研究”

在古文字研究领域，常见这样的研究路径：研究者围绕一件青铜器铭文展开考释，将某个字的构件拆解为若干象形来源并推断造字意图；再从《诗经》《尚书》等传世文献中寻找字义互证；继而以《说文解字》的训释为旁证，甚至将字形演变与地望、遗址关联起来。例如，有研究者在讨论《何尊》——这件铸有“宅兹中国”铭文的西周早期青铜器——时，将“善”字的图形分析为与“鬲”“羊”相关的构件组合，并由此推测其与获鼎、铸器等事件的联系；讨论“贲”“黄”等字时，又把字形与河流、高原等地望线索放在一起交叉验证；从《诗经·邶风》的“有鷕雉鸣”到马王堆帛书类出土材料，线索横跨文学、金文、简帛多个领域。

这类“新解”的价值在于提出了假说，但其方法高度依赖研究者的记忆与阅历：同一结论需要翻检大量文献、比对大量拓片，旁人很难复现其推理链条。从工程视角看，这本质上是一个多源异构数据的检索、关联与推理问题——而这恰好是软件开发者擅长解决的。本文以“象形文字新解”为题，介绍如何用现代数据技术为古文字研究搭建一套可复现的支撑系统。

二、研究素材的数字化：先有数据，才有“新解”

古文字研究的素材大致分三类，建模方式各不相同。

第一类是图像素材：拓片、摹本、器物照片。它们体量大、格式多样，适合以对象存储统一管理，元数据（器名、出土地、年代、著录编号）落在结构化数据库中，通过外键关联图像地址。

第二类是文献素材：传世典籍如《诗经》《尚书》《说文解字》《周礼》，以及出土文献如帛书、简牍释文。这类素材应按“篇章—句—字”三级切分，并为每个字位建立倒排索引，才能支持“某字在哪些文献、哪些句子中出现过”这类查询。

第三类是研究素材：释文、考释笔记、假说。这是最容易被忽视的一层。建议把“假说”作为一等公民建模，记录提出者、依据、置信度与被反驳情况。

示意性的字级数据模型如下：

{
  "char_id": "Z-0001",
  "form": "善",
  "variants": ["譱"],
  "occurrences": [
    {"source": "何尊", "part": "铭文", "era": "西周早期"}
  ],
  "decompositions": [
    {"ids": "⿱鬲羊", "proposer": "研究者甲", "note": "象形造字假说", "confidence": 0.4},
    {"ids": "⿱羊誩", "proposer": "《说文》系统", "note": "从誩从羊", "confidence": 0.8}
  ]
}

注意 decompositions 是一个数组：同一个字允许多种拆解并存，各有来源与置信度。这既尊重了学术争议，也为后续的对比验证留下空间。

三、生僻字与异体字的表达：Unicode 与 IDS

古文字数字化的第一道坎是“字打不出来”。基本汉字区覆盖不了大量古文字与异体字，需要借助两个机制。

其一是Unicode的CJK扩展区。从基本区（U+4E00–U+9FFF）到扩展A、B直至最新的扩展区，散布着数万个古字。判断一个字符落在哪个区块，是清洗语料的基础操作：

def locate_block(ch: str) -> str:
    cp = ord(ch)
    blocks = [
        (0x4E00,  0x9FFF,  "CJK基本区"),
        (0x3400,  0x4DBF,  "CJK扩展A区"),
        (0x20000, 0x2A6DF, "CJK扩展B区"),
        (0x2A700, 0x2EBEF, "CJK扩展C~F区"),
        (0x30000, 0x323AF, "CJK扩展G~H区"),
    ]
    for lo, hi, name in blocks:
        if lo <= cp <= hi:
            return name
    return "其他区块"

其二是IDS（表意文字描述序列）。当某字形尚未收入Unicode时，可用描述符表达构件关系：⿰表左右、⿱表上下、⿴表包围、⿳表三层竖排。例如按前述假说，“善”可暂记为 ⿱鬲羊；而《说文》系统的写法“譱”则可示意记为 ⿱羊誩。IDS的价值在于：即使字体缺字，结构信息也不会丢失，检索与比对仍可进行。

工程上要注意三件事：入库前统一做Unicode规范化（NFC），避免“视觉相同、码位不同”的重复记录；为IDS建立解析器，把描述串解析成构件树；对暂无码位的字形，用“占位符+图像引用”兜底，保证图像证据永远可达。

四、古文字OCR：小样本、高噪声下的识别问题

拓片识别与常规文档OCR差别很大，难点集中在三点。

第一，样本极少。许多字形只见于寥寥数器，无法指望通用模型直接覆盖。可行路线是：以检测模型先定位字框，再用少样本学习或度量学习方法做字形分类；同时用图像增强人为扩充样本——旋转、缩放、模拟锈蚀噪声、按笔画库合成“伪拓片”。

第二，噪声结构特殊。拓片的黑白分布反映的是雕凿与锈蚀，而非书写墨迹。预处理阶段需要针对椒盐状噪声做形态学滤波，并在训练数据中保留真实噪声分布，避免模型“学会”了干净数据、到了真拓片上失效。

第三，字形是连续变化的。古文字同一字存在大量异体，类别边界模糊。更务实的做法是把OCR定位为“召回工具”而非“判定工具”：系统给出Top-K候选与相似度，由研究者确认。识别结果永远带有人工复核状态字段，进入数据库前必须经过确认或修正。

五、知识图谱：把“字—形—义—文献—地望”连成网

“新解”式研究的核心动作是跨线索关联，这正是知识图谱的长项。可以把概念抽象为五类节点：字形、构件、文献、地望、假说。三元组示例：

(字形:善,   有异体,   字形:譱)
(字形:譱,   说文释义, "吉也")
(字形:善,   出现于,   铭文:何尊)
(铭文:何尊, 年代,     西周早期)
(假说:H-001, 主张,    "善从鬲从羊，与获鼎铸器相关")
(假说:H-001, 证据,    字形:善)
(假说:H-001, 状态,    待验证)

有了图谱，许多过去靠翻书完成的工作变成一次查询：列出某器铭文中所有在《说文》中训释存疑的字；找出所有同时出现在《诗经》与西周金文中的字；追踪某假说的全部证据链是否自洽。

特别值得强调的是“假说”节点的价值。像“善从鬲从羊”这类与传统训释不同的观点，系统不应裁决其对错，而应保证：任何人在任何时间都能查到该假说、它的证据、它的反对证据，以及它是否被后续发现支持或削弱。这把学术争鸣从“散落在各处文章里的只言片语”变成了结构化、可追溯的数据。

六、古籍语义检索：让线索自己浮出水面

在图谱之上，还需要语义检索层，解决“我记不清原句，但记得大意”的问题。

古汉语的分词与命名实体识别是基础：把“濟有深涉”切分为词，识别出“濟”是水名；把文本中的地望线索（河流、高原、州郡名）标注出来并与地理坐标关联。之后构建向量索引：对每个字位，拼接其字形描述、文献上下文、前人训释生成文本，经嵌入模型编码后入库。检索时，研究者用自然语言提问，例如“上从羊形、见于西周铜器、与鼎有关的字”，系统返回候选字及其证据片段。

示意性的检索流程：

def search(query: str, top_k: int = 10):
    q_vec = embed(query)
    candidates = vector_index.search(q_vec, top_k)
    results = []
    for char_id, score in candidates:
        record = db.get_char(char_id)
        results.append({
            "form": record["form"],
            "score": score,
            "evidence": summarize(record["occurrences"]),
            "hypotheses": [h["note"] for h in record["decompositions"]],
        })
    return results

关键设计是把 hypotheses 一并返回：检索不止给出“字是什么”，还给出“关于它有哪些说法”，让研究者直接站在前人思考之上。

七、人机协同的考释工作流：假说—证据—复核

工具不能代替判断，但可以固化流程。推荐一套四步工作流：

1. 假说登记：任何新解先落库，写明主张、依据、提出语境；
2. 证据采集：系统按假说关键词自动跑一遍OCR召回、图谱查询与语义检索，生成证据清单；
3. 矛盾检测：自动比对新假说与既有训释，标记冲突项（如与《说文》拆解不一致），提示研究者回应；
4. 复核与沉淀：同行复核后更新置信度；后续新出土材料入库时，自动通知相关假说的关注者“有新证据”。

这套流程把“灵感迸发”式的考释，变成“登记—检索—质证—更新”的闭环，研究成果也随之从一篇文章变成可持续演进的数据资产。

八、参考架构与部署要点

整体上可采用分层架构：接入层负责拓片扫描与文献录入；存储层由对象存储（图像）、结构化数据库（元数据与释文）、图数据库（关联关系）、向量索引（语义检索）组成；计算层承担OCR推理与嵌入计算，可使用GPU实例加速；服务层对上提供检索与图谱查询接口；配套日志服务与监控告警保障长期运行。

工程落地时，选择通用类目的云产品能力即可覆盖上述需求，例如对象存储、GPU云服务器、容器平台、日志服务与监控告警等，按需组合、避免绑定专有接口。以百度智能云为例，其提供的同类通用能力可以直接映射到上述各层，开发者可基于容器平台部署识别与检索服务，用对象存储承载拓片图像，其余组件按团队技术栈自由选型。

九、结语：工具延伸眼力，判断仍属学者

从《何尊》铭文里的一个“善”字，到《诗经》中的一句“有鷕雉鸣”，古文字“新解”的魅力在于把零散线索连成图景。数字化技术不能替研究者提出假说，却能让每一条线索被看见、被追溯、被验证：字形有码位、构件有结构、假说有证据链、地望有坐标。当考释从个人记忆走向结构化数据，“新解”才可能从一家之言，成长为整个研究共同体可以共同检验、共同推进的知识——这正是技术对人文研究最实在的贡献。