简介：本文深入解析全球首个面向甲骨文研究的AI智能体平台，探讨如何通过定制算法与协同机制破解古文字识别难、比对难、共享难三大核心痛点。文章详解AI在图像识别、语义溯源、文献聚合中的技术路径，并阐述人机协同理念如何将专家从重复劳动中解放，为传统人文学科数字化转型提供可复用的技术框架与实践参考。
甲骨文，作为迄今发现的中国最早的成熟文字系统，承载着商周时期的社会记忆与文化基因。自殷墟科学发掘以来，已出土约十六万片甲骨，其中包含单字四五千个。然而，历经数代顶尖语言学家的百年耕耘，被释读并获公认的甲骨文字仅约一千五百个，占比尚不足三分之一。这一悬殊比例揭示了古文字研究领域的深层困境：碎片化材料分布散乱、字形演变脉络复杂、考释论证周期漫长，传统研究范式在浩如烟海的拓片与文献面前愈发显得力不从心。
甲骨学研究长期面临三重结构性挑战。识别难体现在甲骨文字形高度异体、笔画残缺模糊，且同一文字在不同时期、不同贞人刻手下风格差异显著，计算机视觉技术难以直接迁移至这一低资源场景。比对难则源于材料分布离散，同一甲骨文字的多种写法散见于海内外多家收藏机构，学者需耗费大量时间翻阅图录与拓片汇编，人工比对效率极低。共享难更是制约学科交叉的瓶颈——既有数据库格式不一、标注标准各异，研究成果与原始影像之间缺乏语义关联，跨团队协作成本高企。
这些痛点并非孤立存在，它们相互交织，形成了一个制约知识生产的闭环：识别不准导致比对线索缺失，比对效率低下又反向阻碍了识别模型的训练数据积累，共享机制的匮乏则让每一次独立研究都近乎从零开始。破局的关键，在于引入一种能够贯穿“图像识别—知识组织—协同研究”全链路的技术底座。
面对上述挑战，厦门大学、腾讯公司与安阳师范学院联合研发的“殷契行止”甲骨文AI协同平台正式上线。该平台并非简单的“文字识别工具”，而是一个覆盖“读—查—溯—联”完整研究链路的智能体系统，其核心设计理念是通过定制化算法让AI首次具备理解古文字的能力，从而使每一片甲骨“读得懂、找得到、用得上”。
通用OCR技术在处理甲骨文时往往失效，原因在于其训练数据依赖大规模现代印刷文本，而甲骨文语料规模小、噪声大、字形变异程度远超常规字体。殷契行止团队为此构建了专门的低资源文字识别引擎。方案的核心思路包括：采用基于少量样本学习的对比学习框架，将每一片甲骨影像映射到高维语义空间，使其与标准字库中的字形表征形成可度量的聚类关系；同时引入多尺度特征融合模块，以适应拓片、照片、摹本等不同材质载体的成像差异。
在训练数据构建环节，团队没有单纯依赖人工标注，而是开发了半自动标注流水线：先利用已有的《甲骨文合集》等权威著录数据生成初步字形分割，再经专家团队复核修正，形成高置信度的训练集。这种“算法初筛+专家精校”的策略，显著提升了标注效率与数据质量，为模型的持续迭代奠定了基础。
平台面向用户开放了三个层次的功能，构建起从直观感知到深度分析的完整路径。
第一层：图像理解与字库比对。 用户只需上传一张含有甲骨文字的图片（无论是拓片局部、实物照片还是摹写图），AI即可在数秒内完成字形检测、分割与特征提取，并精准比对标准字库，返回对应的释文字符。这一过程不仅输出识别结果，还附带置信度评分与相似字形对比图，帮助用户理解AI的判断依据——这一设计对于研究场景尤为重要，因为学者需要评估识别结果的可靠性，而非盲信单一结论。
第二层：上下文检索与材料聚合。 识别出单字后，系统自动联动甲骨文著录数据库，快速搜索该字在所有已数字化甲骨及拓片中的出现位置，并生成分布时间轴与载体来源清单。研究者可以一键查看该字的全部已知用例，而无需手动翻阅数十卷图录。系统还支持基于字形相似度的跨类别检索——例如输入一个未释读字，即可检索出字形结构相近的已释读字，为考释工作提供线索网络。
第三层：学术知识图谱与溯源。 这是平台最具深度的能力。针对每一个甲骨文字，系统会自动汇聚与之相关的学术研究成果、各家释读观点、字源演化历史及争议焦点，并以可视化知识图谱的形式呈现。每条学术论断均关联至原始文献出处，确保知识的可溯源性。这一功能将原本分散在不同论文、专著、学位论文中的隐性知识显性化，为年轻学者快速进入某一专题研究提供了高质量的知识地图。
需要特别强调的是，“殷契行止”的定位并非取代专家，而是重构人机分工界面。项目负责人金泰松指出：“我们不是替代甲骨文研究专家，而是把专家从重复劳动中解放出来，让他们把精力留给真正的破译与思考。”
这一理念体现了AI应用于人文研究的正确姿势：将重复性、模式化的认知任务（如图形比对、文献索引、异体归类）交由机器完成，而将解释性、创造性的学术判断（如字义考释、辞例分析、历史语境重建）保留给人类专家。 平台输出的识别结果与检索列表本质上是一份“经过智能预处理的资料包”，专家的工作重心从“找资料”转向“思辨与论证”，科研效率与产出深度都将获得显著提升。
更为关键的是，平台内置了反馈闭环机制。专家的每一次人工修正与确认，都会作为新的标注数据回流至模型训练集，持续优化识别引擎的准确率。这种“人机共进化”的架构，使得系统在长期使用中愈发贴合研究共同体的真实需求，而非停留在静态的工具层面。
“殷契行止”的技术路径并不仅限于甲骨文研究，其所验证的诸多方法论具有向其他古文字门类（如金文、简帛文字、西夏文）迁移的潜力。核心启示可归纳为三点：
第一，建立“低资源多模态”数据治理标准。 古文字材料涉及影像、拓片、摹本、著录文本等多源异构数据，平台通过统一的语义对齐方案将这些数据映射至共享知识空间，从而支撑跨模态检索与推理。这一数据治理框架可以推广至任何面临材料碎片化问题的学科领域。
第二，定制化模型优于通用大模型的直接套用。 项目团队并未简单调用现成的通用视觉模型，而是针对甲骨文的字形特点设计了专用的特征提取网络。这提示开发者，在处理高度专业化的垂直领域问题时，基于领域知识定制模型架构与训练策略，往往比依赖“大而全”的通用模型更有效。
第三，构建开放协同的学术生态。 平台已面向专家和公众免费开放，这一举措不仅降低了研究门槛，更通过公众参与（如爱好者上传个人收藏的甲骨影像）拓宽了数据来源渠道。在保护学术严谨性的前提下，众包模式的引入为数据稀缺问题的解决提供了新思路。
当前“殷契行止”已完成从“数字档案”到“智能助手”的跨越，但研究团队的愿景显然不止于此。金泰松透露，平台未来的演进方向将聚焦于两大维度：一是增强AI的推理能力，从当前的“字形识别”提升至“辞例分析与语境推断”层面，辅助专家进行未释读字的考释假设生成；二是深化协同研究功能，支持多学者在平台上共享工作空间，针对疑难字进行协作标注与讨论，形成“学术共创”的新型研究模式。
当然，任何技术在应用于人文领域时都需保持审慎。AI给出的释读结果始终应被视为“研究假设”而非“标准答案”，其学术价值必须经过传统考据方法的严格检验。技术可以加速发现，但无法替代论证——这正是“殷契行止”所体现的科技与人文关系的恰当定位。
从殷墟的黄土之下到云端的智能算力，甲骨文研究正经历着一场深刻的范式转型。当算法开始读懂三千年前的刻痕，人类对自身文明源头的理解，也将由此翻开新的篇章。