汉字结构感知：让AI真正学会写对中文字

一、问题的根源：OCR把汉字当成了不可拆分的黑箱

在生成式模型的能力迭代中，强化学习已成为后期训练的重要手段。它的基本流程是：模型生成候选结果，由某个“裁判”模块对结果打分，模型根据分数调整参数。这套机制在图像生成、文本生成等领域已被广泛验证有效。

当生成目标涉及中文字形时，裁判的角色通常落在一个能力成熟且易于获取的模块上——光学字符识别（OCR）。OCR的作用是将图片中的文字转换为计算机可读的文本。用它来给生成结果打分，逻辑非常直接：

1. 从生成图片中截取文字区域；
2. 送入OCR模型识别；
3. 将识别结果与目标文字比对；
4. 完全一致则给1分，否则给0分。

这个流程看似合理，却隐藏着一个被长期忽视的结构性问题。

汉字不是字母串，而是二维积木结构。 英文的最小单位是字母，26个字母线性排列构成单词，识别时只需处理一维序列。但汉字不同：一个“尬”字由“九”和“龙”的变体左右拼合，“想”字由“相”和“心”上下叠放，“国”字是外围包围结构。这种由偏旁部首按照左右、上下、包围等空间关系组合而成的结构，称为汉字的构型。

OCR模型在训练时，绝大多数样本是正常书写的汉字，它学到的是“整个字长什么样”。一旦遇到结构错位、笔画缺失或部首比例失调的生成结果，它往往直接判定为“不认识”——要么猜一个形近字，要么输出乱码。无论模型是错了一笔还是错了半边，只要OCR认不出，裁判给出的分数都是零。

这就好比批改一份100道选择题的试卷，不管学生错一道还是错九十道，统统给零分。这样的打分方式完全无法告诉模型“你哪里需要改进”，模型也就学不到该往哪个方向优化。

二、非黑即白的困境：假阳性与假阴性同时存在

用一个直观的例子来说明问题的严重性。

假设生成图里有一个“尬”字，但结构出了问题——左边的“九”写歪了，或者右边的“龙”少了一笔。此时：

• 专用OCR模型老老实实地把它认成了另一个形近字，比如“尢”或某个不存在的组合。结果与目标“尬”不符，打0分。这个判断是正确的，但信息量为零——模型只知道“错了”，不知道“错在哪”。
• 多模态大模型结合上下文语境，硬是“猜”出了正确答案“尬”，打1分。但这其实是一个假阳性：图上那个字形明明是错的，模型只是靠语言能力蒙对了而已。这种分数会误导生成模型，让它以为这个错误的结构是值得保留的。
• 专门的错字检测工具能准确判断出这个字结构有问题，但处理方式是把它整个标记成一个异常符号，直接打0分。这种方法虽然不会被语言模型的“脑补”骗到，但同样是一种非黑即白的判断：对，或者错，中间没有灰色地带。

三类裁判，三种失败模式：要么信息量不足，要么给出错误的正反馈，要么只能标记异常而无法定位。

更深层的问题是，这种二值化的评分机制在强化学习中会导致梯度信号极度稀疏。当绝大多数生成样本都被判为0分时，模型几乎无法从奖励信号中区分“接近正确”和“完全错误”的样本。策略更新的方向变得随机，训练效率急剧下降。

三、从整体判别到构件级拆解：结构感知的评分思路

要解决这个问题，核心思路是：把评分粒度从“整字”下沉到“构件”与“结构关系”。

具体来说，一个汉字的正确性可以分解为多个维度：

• 构件是否存在：该有的偏旁部首是否都出现了？
• 构件形状是否正确：每个构件的笔画是否完整、比例是否合理？
• 空间关系是否正确：左右结构的字，左右比例是否恰当？上下结构的字，上下对齐是否正确？
• 包围关系是否正确：全包围、半包围结构的开口方向、包围程度是否准确？

如果裁判模型能够输出这些维度的细粒度评分，那么即使最终整字识别失败，模型仍然可以获得“构件存在但位置偏移”或“构件完整但比例失调”这类有价值的反馈。

实现这一思路的技术路径大致有以下几种：

路径一：基于构件分解的监督信号。 预先定义一套汉字构件库（偏旁部首及其变体），训练一个模型对生成图像进行构件检测与分类。评分时，分别计算每个目标构件的检出情况、分类准确率以及空间位置偏差，最后加权汇总。这种方式的优势是反馈信号密集，每个构件都能贡献梯度；难点在于构件库的覆盖度和标注成本。

路径二：基于结构关系的图匹配。 将汉字表示为一个图结构：节点是构件，边是空间关系（左右、上下、包围等）。生成结果同样解析为图结构，然后计算两个图之间的匹配度。这种方式的优势是能显式捕捉“构件对了但关系错了”的情况，比如“杳”和“杲”的区别就在于“木”和“日”的上下关系颠倒。

路径三：基于中间表示的对比学习。 不显式定义构件，而是让模型学习一个汉字的结构嵌入空间。正确书写的字和错误结构的字在这个空间中距离较远，而错误类型相似的字距离较近。评分时用嵌入距离作为连续奖励信号。这种方式的优势是无需人工定义构件体系，但可解释性相对较弱。

四、局部反馈与可解释诊断：让模型知道“错在哪”

细粒度评分的价值不仅在于提供更密集的奖励信号，还在于可解释性。当模型能够输出“左边的偏旁位置偏右了3个像素”或“上半部分的笔画缺失了2笔”这类诊断信息时，强化学习的策略更新就可以更有针对性。

举例来说，假设当前生成样本的评分报告如下：

目标字：想
构件检测：
  - “相”：检出 ✓，位置偏差 0.12，形状得分 0.85
  - “心”：检出 ✓，位置偏差 0.31，形状得分 0.62
结构关系：
  - 上下关系：正确 ✓，但高度比例偏差 0.18
诊断建议：
  - “心”字底位置偏下，且笔画收缩不足
  - 上下比例接近 7:3，目标应为 6:4

这样的反馈可以直接转化为损失函数的加权项：位置偏差对应坐标回归损失，形状得分对应重构损失，比例偏差对应尺度约束。模型不再需要从零分的混沌中猜测方向，而是沿着明确的梯度路径优化。

此外，可解释的诊断信息还可以用于课程学习：先让模型学会把构件写对，再学空间关系，最后学整体协调。这种从易到难的训练策略在生成任务中已被证明能显著提升收敛速度。

五、工程实践中的权衡与注意事项

在实际系统中落地结构感知评分，需要权衡几个关键问题：

构件体系的粒度。 汉字有数万个，但常用构件（偏旁部首）只有几百个。粒度过粗（如只分左右上下）无法捕捉细节错误；粒度过细（如每个笔画单独建模）则标注成本高且泛化困难。实践中通常采用“部首级 + 关键笔画级”的混合粒度。

评分模型的鲁棒性。 评分模型本身也会犯错。如果它对某个构件的误判率较高，就会给生成模型引入噪声梯度。因此，评分模型需要在多样化的书写风格上训练，并且最好能输出置信度，低置信度的评分在反向传播时降权处理。

计算开销。 构件级检测与图匹配相比单次OCR前向传播，计算量会增加数倍。在强化学习的迭代循环中，这可能导致训练时间显著延长。一种折中方案是：先用轻量级OCR做粗筛，只对OCR判定为“失败”的样本启动细粒度评分，从而把额外开销控制在可接受范围内。

与语言模型的边界。 多模态大模型的语言先验是一把双刃剑：它能帮助识别模糊字形，但也可能“脑补”出并不存在的正确结构。在评分场景中，应当明确区分“视觉结构正确性”与“语言语义合理性”，避免后者污染前者的信号。

六、总结

让AI画对中文字，表面上是生成模型的能力问题，实质上是评估信号的质量问题。当裁判只能输出0或1时，模型面对的是一个几乎无法优化的目标。将汉字从“不可拆分的黑箱”还原为“构件 + 结构关系”的组合体，用细粒度、可解释的评分替代非黑即白的判别，是提升汉字生成质量的关键一步。

这一思路不仅适用于汉字生成，对于任何具有复杂组合结构的生成任务——如化学分子式、电路图、建筑平面图——都具有参考价值。核心原则是一致的：评估的粒度应当与生成目标的组合结构相匹配。只有裁判看得够细，模型才能学得够准。