甲骨缀合的智能化实践与技术挑战

一、甲骨缀合的技术定位

甲骨缀合是甲骨学研究中的一项基础性工作，其目标是根据甲骨碎片的形态、纹理、文字等信息，将原本属于同一版甲骨的碎片拼接复原，使其成为完整或较为完整的文献材料。从技术视角看，这一过程本质上是一个多模态信息匹配与组合优化问题：输入是大量离散的碎片数据，输出是若干组具有历史关联性的碎片集合。

由于长期埋藏与发掘影响，现存甲骨大多破碎。缀合工作如同“破镜重圆”，能极大提升甲骨卜辞的史料与研究价值。历经数代学者努力，已累计完成缀合超过7000组。近年来，随着技术进步，人工智能辅助缀合与专业信息库的应用，标志着该领域进入了人机协同发展的新阶段。

二、甲骨缀合的核心技术环节

2.1 碎片特征提取

甲骨碎片的特征可从以下几个维度进行结构化描述：

• 形态特征：碎片边缘的几何轮廓、厚度、曲率等；
• 纹理特征：甲骨表面的钻凿痕迹、灼烧裂纹、骨质纹理走向；
• 文字特征：残存文字的字形、笔画、辞例格式；
• 物理属性：颜色、材质密度、风化程度等。

在数字化流程中，上述特征通常通过高精度扫描或摄影测量获取，并转化为可计算的数据结构。例如，边缘轮廓可表示为有序点集或曲线参数方程，纹理可提取为局部二值模式或方向梯度直方图等特征向量。

# 示意性代码：碎片边缘轮廓的特征表示
class FragmentFeature:
    def __init__(self, contour_points, texture_descriptor, glyph_embedding):
        self.contour = contour_points      # 边缘轮廓点集
        self.texture = texture_descriptor  # 纹理特征向量
        self.glyph = glyph_embedding       # 文字嵌入表示
    def similarity(self, other):
        # 多模态相似度融合（示意）
        shape_sim = contour_match(self.contour, other.contour)
        texture_sim = cosine_sim(self.texture, other.texture)
        glyph_sim = cosine_sim(self.glyph, other.glyph)
        return weighted_sum(shape_sim, texture_sim, glyph_sim)

2.2 匹配与拼接推理

匹配环节需要解决两个子问题：候选对生成与拼接验证。候选对生成依赖于高效的相似度检索，通常采用向量索引或局部敏感哈希等技术缩小搜索空间。拼接验证则需判断两个碎片在边缘契合、纹理连续、文字释读三个层面是否同时满足约束。

这一过程可形式化为约束满足问题：

• 几何约束：边缘曲线在拼接处应满足连续性与光滑性；
• 纹理约束：钻凿、裂纹等纹理模式在拼接后应保持方向与间距一致；
• 文字约束：残存文字在拼接后应构成可释读的辞例或符合已知语法结构。

2.3 缀合结果评估

缀合结果需要经过专业学者的审核与验证。评估标准包括：

1. 物理合理性：拼接后的形态是否符合甲骨原始形态；
2. 信息增益：缀合后是否产生了新的可释读文字或完整辞例；
3. 可复现性：缀合依据是否可被其他研究者独立验证。

三、人工智能辅助缀合的技术路径

3.1 数据驱动的候选推荐

人工智能辅助缀合的核心价值在于从海量碎片中快速筛选高概率匹配对。传统人工缀合依赖学者的经验与记忆，面对数万片碎片时效率受限。基于深度学习的特征提取与相似度检索可以将候选对生成时间从数天缩短至数分钟。

典型的技术方案包括：

• 使用卷积神经网络提取碎片边缘的几何特征；
• 使用孪生网络架构学习碎片对之间的匹配度量；
• 结合注意力机制融合形态、纹理与文字多模态信息。

3.2 人机协同的工作流

当前阶段，人工智能并未取代专家判断，而是形成“机器推荐—专家验证—反馈迭代”的协同模式：

1. 机器推荐：系统输出Top-N候选匹配对及其置信度；
2. 专家验证：学者对候选对进行专业判断，确认或排除；
3. 反馈迭代：验证结果作为标注数据反哺模型，持续优化推荐质量。

这一工作流的关键在于可解释性：系统需要向专家展示推荐依据（如边缘匹配度、文字关联性），以便专家快速判断。

3.3 信息库与知识图谱的支撑作用

专业信息库在缀合工作中扮演基础设施角色，其核心功能包括：

• 碎片档案管理：记录每片甲骨的出土信息、收藏地、已有著录；
• 缀合关系存储：以图结构维护碎片之间的缀合关系，支持传递闭包查询；
• 文字检索：支持按字形、辞例、贞人等字段检索碎片；
• 版本追踪：记录缀合方案的变更历史，支持学术溯源。

将碎片与缀合关系建模为知识图谱，可以实现更复杂的推理查询，例如“查找所有包含某贞人且已缀合超过三片的甲骨组”。

四、技术挑战与应对思路

4.1 数据稀疏与不平衡

甲骨碎片中，边缘清晰、文字可辨的仅占少数，大量碎片存在严重风化或残缺。这导致训练数据分布极不平衡。应对思路包括：

• 数据增强：模拟风化、断裂过程生成合成样本；
• 自监督预训练：利用大量无标注碎片学习通用特征表示；
• 少样本学习：针对稀有特征设计元学习策略。

4.2 多模态融合的权重分配

形态、纹理、文字三种模态在不同碎片上的可靠性差异很大。例如，对于文字几乎完全风化的碎片，文字模态的权重应自动降低。可采用动态权重分配机制，根据各模态的特征质量自适应调整融合权重。

4.3 缀合结果的全局一致性

局部最优的碎片对拼接可能导致全局矛盾（如三片碎片两两匹配但无法同时拼接）。这需要引入全局优化方法，将缀合问题建模为图匹配或整数规划问题，在全局约束下求解最优组合。

五、实践建议与展望

对于从事古文字数字化或相关文化遗产计算的研究者，以下几点值得关注：

1. 数据标准化先行：在引入智能算法之前，建立统一的碎片元数据规范与特征描述标准；
2. 人机界面设计：推荐系统应提供充分的解释信息，降低专家的验证成本；
3. 增量学习机制：随着新碎片出土与专家反馈积累，模型应支持持续更新；
4. 跨机构数据共享：在合规前提下，推动碎片数据与缀合关系的互联互通。

甲骨缀合从手工拼接到人机协同，体现了文化遗产研究与现代信息技术的深度融合。未来，随着多模态大模型与知识推理技术的进一步发展，缀合工作有望实现更高程度的自动化与智能化，为商代历史研究提供更坚实的史料基础。