近期，合合信息聯(lián)合上海大學(xué)、華南理工大學(xué)發(fā)布業(yè)內(nèi)首個古彝文基礎(chǔ)編碼數(shù)據(jù)庫，該項目由合合信息與上海大學(xué)社會學(xué)院、華南理工大學(xué)文檔圖像分析識別與理解實驗室共同推進(jìn)，針對現(xiàn)有的《西南彝志》、雲(yún)貴一帶字符，以智能圖像處理、智能文字識別等AI技術(shù)開展統(tǒng)一編碼，古彝文在數(shù)字社會中從此有了「身份證號碼」。
以往，古文字主要通過人工識別、校正和進(jìn)行文獻(xiàn)編撰，工作量繁多且效率低下。近年來，人工智能，特別是深度學(xué)習(xí)技術(shù)的發(fā)展，為古文字識別提供了高效的工具，極大地提高了古代文獻(xiàn)和文字?jǐn)?shù)碼化進(jìn)程的速度和效率，本次古彝文基礎(chǔ)編碼數(shù)據(jù)庫的發(fā)布，將成為古文字?jǐn)?shù)碼化的重要成果之一。
當(dāng)前，古彝文數(shù)碼化方面的成果相對較少，其原因之一是古彝文字符集龐大，且缺乏成熟的手寫樣本庫。據(jù)《滇川黔桂彝文字集》中所有字符的合計，古彝文和現(xiàn)在仍然使用的各地的彝文，總數(shù)多達(dá)87046字，對如此龐大的字符集進(jìn)行分類非常困難。另一方面，在彝文的發(fā)展過程中，由於種種因素，導(dǎo)致異體字、變體字特別豐富，字符和釋義「一對多、多對一」是常態(tài)。古彝文手寫體的隨意性、多樣性等，都給古彝文的識別帶來了極大的挑戰(zhàn)。
基於上述情況，合合信息與華南理工大學(xué)共同成立的文檔圖像分析識別與理解聯(lián)合實驗室，聯(lián)合上海大學(xué)社會學(xué)院組建研究團(tuán)隊，共同解決數(shù)據(jù)庫建設(shè)中的學(xué)術(shù)性、技術(shù)性難點。
項目技術(shù)負(fù)責(zé)人、華南理工大學(xué)電子與信息學(xué)院教授金連文表示，原生態(tài)彝文此前沒有被系統(tǒng)性地進(jìn)行數(shù)碼化編碼，古彝文沒有公開數(shù)據(jù)集，標(biāo)註困難，所以從最初語料的收集開始，就需要做大量的前置工作。再者，古彝文異體字繁多，每個字的異體寫法少則兩三種，多則幾十種，且字體間風(fēng)格差異大。因此，建立一個專門的數(shù)據(jù)庫，通過基礎(chǔ)編號將不同樣式歸納，才能「破解」古彝文「一對多」的關(guān)係，解決文字查詢問題。
在對7萬6千字符的樣本進(jìn)行訓(xùn)練後，團(tuán)隊成功建立了包含上千個古彝文基礎(chǔ)編碼的數(shù)據(jù)庫。通過API數(shù)據(jù)接口等形式，該數(shù)據(jù)庫有望幫助高校研究人員、文化工作者、興趣愛好者等人群快速找到古彝文在字典中的讀音、漢語釋義、用法，如同「大字典」一般，幫助人們降低古彝文書籍、文獻(xiàn)閱讀的門檻。
「古彝文數(shù)據(jù)庫的發(fā)布並非一個最終的研究結(jié)果，而是一項非常重要的基礎(chǔ)性工作?！构乓臀臄?shù)碼化項目發(fā)起人、上海大學(xué)人類學(xué)民俗學(xué)研究所講師邵文苑表示，基礎(chǔ)編碼的發(fā)布，意味著這些文字在數(shù)字社會裏從此擁有了「身份證號碼」，能夠被更多地展現(xiàn)在網(wǎng)絡(luò)空間上，被更廣泛的人群看見、認(rèn)識、研究。（宋?。?/strong>
電話：（香港）852-2564 0768
（深圳）86-755-83518792 83517835 83518291
地址：香港九龍觀塘道332號香港商報大廈
