甲骨文之前：汉字起源溯源与智能破译实践

一、引言：向甲骨文之前追问

文字的出现通常被视为文明诞生的标志性事件——它让信息第一次得以脱离个体记忆，实现跨代际、跨地域的持久存续。中国汉字作为表意文字，在三千多年前的商代就已发展出相当成熟的体系：迄今发现的殷墟甲骨文单字数以千计，获得共识释读的仍只是其中一部分；象形、指事、会意、形声等构形手段俱全，并已形成严整的行文体例。

一个自然的问题随之而来：如果说汉字起源于甲骨文，那么甲骨文又起源于什么？这不是纯粹的思辨题。近几十年的考古发现，正在拼出一条清晰的证据链。

二、考古证据链：向前追溯数千年

2.1 贾湖契刻符号：八千年前的“龟甲刻辞”

上世纪八十年代，河南舞阳贾湖遗址出土了距今约八千年的契刻符号。这些符号多刻划于随葬的带孔龟甲板上——请注意三个关键要素：载体是龟甲，场景是随葬与占卜，方式是契刻。数千年后殷墟甲骨文“龟甲占卜、刻辞记事”的传统，与贾湖符号在载体、背景与刻写方式上高度相似。正是这种跨越数千年的系统性相似，让学界有理由推测：贾湖契刻符号很可能就是中国汉字的最初源头。

2.2 双墩刻划符号：成体系的符号库

安徽蚌埠双墩遗址距今约七千年，出土刻划符号630多个，多刻于陶器等器物之上。更关键的是，其中不少符号与后来的甲骨文、金文在形态上一致或高度相似，呈现出从零散记号走向系统性符号、再向文字演进的中间形态。

2.3 证据链的启示

从贾湖到双墩，再到其后诸遗址的各类刻划符号，直至商代成熟甲骨文，汉字从萌芽到成熟走过了整整四千余年。这至少说明两点：

• 文字的诞生不是一次性的“发明”，而是一个渐进的信息编码系统演化过程，历尽艰难方才瓜熟蒂落；
• 汉字成熟使用三千余年而不衰，至今仍是世界上唯一沿用至今的表意（意音）文字体系，在日新月异的时代不仅不显落后，反而日益凸显表达精准而简练的优势，可谓“苦尽甘来”。

三、信息学视角：为什么表意文字历久弥新

从信息编码的角度看，任何文字本质上都是“语义 → 视觉符号”的映射系统。表音文字引入语音作为中间层（义→音→形），而汉字则大量保留了“义→形”的直接映射，并通过形声机制兼顾表音。这种编码方式带来几个长期优势：

1. 跨时空稳定性：汉语方言读音差异极大、古今音变剧烈，但书面系统高度共通。方言各异的人群共享同一书面语，今人仍可研读两千年前的文献。
2. 编码密度高：同等信息量下，中文文本通常更短，表达精准而简练，在信息压缩、存储与检索场景中具备天然优势。
3. 结构可组合：偏旁部首构成有限的“字符构件库”，可通过组合派生大量新字，容纳新概念的能力强，这正是它能穿越三千年技术与社会变迁而保持生机的底层原因。

四、新的追问：大模型能否“读懂”甲骨文

考古学之外，近年出现了一条新的技术路线：用多模态大模型（MLLM）辅助古文字释读。其朴素设想是——模型在海量图文数据上建立了视觉与语义的对齐能力，那么面对一个未识字形，它能否像古文字学家那样“以形猜义”？

一项相关评测研究给出了值得深思的实验结果。

4.1 象形程度决定可破译性

实验将甲骨文字形图像输入模型，令其猜测字义并与参考释读比对。结果显示：与实物形态更接近的象形字（如“房屋”类，字形即房屋轮廓），模型的视觉破译精度显著更高；而“头部”类等字形与实物形态差异较大的字，即便专家可释读，模型表现也明显更差。这揭示了当前模型“破译”的本质：主要依赖视觉相似性匹配，而非对古文字构形规律（部位表意、变形省略等）的深层理解。

4.2 模型能力分层显著

整体来看，头部闭源多模态大模型表现领先，其猜测与人类专家主观参考点的一致率可达约76%；开源模型阵营中亦有表现出色者。但更值得注意的是另一面：大多数多模态模型在该任务上的视觉对齐表现接近随机猜测水平。换句话说，看似强大的通用视觉能力，迁移到古文字这一特殊符号域时会大幅失效。

五、工程视角：古文字为何是视觉—语言模型的“分布外”难题

从工程角度，可以把瓶颈拆解为三层：

1. 训练分布覆盖不足：主流模型的图文训练数据以自然图像与现代文本为主，古文字字形（尤其是未释读者）样本极其稀缺，预训练阶段几乎没有建立“甲骨字形→语义”的映射。
2. 符号系统本身噪声大：甲骨文一字多形、异体丛生，部件位置、省略与反向等构形逻辑与今字差异巨大，相当于一个低资源、高噪声、别名众多的符号体系。
3. 评测基准稀缺：古文字释读缺乏大规模、高质量、有唯一解的标注数据，评测往往依赖专家主观参考，难以自动化、规模化。

针对这些问题，业界通行的改进思路可概括为一条“检索增强 + 多证据融合 + 人在回路”的流水线：

输入：待释读的甲骨字形图像
  1. 视觉编码：vision_encoder(字形图像) → 特征向量
  2. 近邻检索：在已释读字形向量库中检索 top-k 相似字形
  3. 多证据融合：结合金文/篆书对照、同版卜辞上下文、
     字形演化链（甲骨→金文→篆→隶→楷）对候选重排序
  4. 人机协同：输出候选释义与置信度，交由古文字专家终审
输出：带置信度的候选释读列表

落地层面的配套建议：

• 数据层：构建“字形—释义—出处”三元组数据集，存放于对象存储并做好版本管理；设计评测集时注意控制“字形与实物相似度”这一混杂变量，避免高估模型能力。
• 模型层：可借助云端多模态大模型服务与GPU算力（例如百度智能云提供的通用模型推理与算力支持）快速搭建基线评测，再以自托管开源模型做对照实验，交叉验证结论。
• 评测层：除与专家参考的一致率外，增加稳定性指标（同一字形的异体输入，输出是否一致）与消融指标（剥离字形相似性后模型还剩多少真实理解能力）。
• 应用层：将模型定位为“候选假设生成器”而非“最终答案”，始终保持专家在回路，机器粗筛、专家精断。

六、结语

回到最初的问题：甲骨文起源于什么？考古学给出的答案是——起源于一条绵延四千余年的契刻符号传统：从贾湖龟甲上的刻符，到双墩陶器上的六百余个符号，汉字一步一个脚印地从记号走向系统，从系统走向成熟。

而今天，多模态大模型对古文字的理解仍处于初级阶段：它们能凭视觉相似性“猜中”房屋，却读不懂形态抽象的字形；多数模型还在随机猜测的边缘徘徊。但这恰恰像极了八千年前龟甲上的第一道刻痕——粗粝，却方向已明。古文字学与智能技术的深度协作，或许正是下一代“释读者”的起点。