少数民族的文字是文化遗产宝库中的重要内容，也是民族文化的重要载体。近期，合合信息联合上海大学、华南理工大学发布业内首个古彝文基础编码数据库，该项目由合合信息与上海大学社会学院、华南理工大学文档图像分析识别与理解实验室共同推进，针对现有的《西南彝志》、云贵一带字符，以智能图像处理、智能文字识别等AI技术开展统一编码，并于近期发布了业内首个古彝文基础编码数据库（简称“数据库”）。
“古彝文”专指在民间流通使用的原生态彝文。根据《滇川黔桂彝文字集》，古彝文多达87046字，比《康熙字典》（47035字）还要多。在目前发现的彝文古籍中，《西南彝志》是其中字数最多、篇幅最长、体量最大、内容最丰富的巨著，有“彝族古代百科全书”之誉。古彝文作为一门濒临消亡的语言，其典籍的数字化之路也面临着巨大的挑战。
数据库项目技术负责人、华南理工大学电子与信息学院教授金连文提到，原生态彝文此前没有被系统性地进行数字化编码，古彝文没有公开数据集，标注困难，异体字繁多，每个字的异体写法少则两三种，多则几十种，且字体间风格差异大。因此，建立一个专门的数据库，通过基础编号将不同样式归纳，才能“破解”古彝文“一对多”的关系，解决文字查询问题。
在对7万6千字符的样本进行训练后，团队成功建立了包含上千个古彝文基础编码的数据库。通过API数据接口等形式，该数据库有望帮助高校研究人员、文化工作者、兴趣爱好者等人群快速找到古彝文在字典中的读音、汉语释义、用法，如同“大字典”一般，帮助人们降低古彝文书籍、文献阅读的门槛。
“古彝文数据库的发布并非一个最终的研究结果，而是一项非常重要的基础性工作。”古彝文数字化项目发起人、上海大学人类学民俗学研究所讲师邵文苑表示，基础编码的发布，意味着这些文字在数字社会里从此拥有了“身份证号码”，能够被更多地展现在网络空间上，被更广泛的人群看见、认识、研究。“文化保护也需要全社会的参与。语言文明是历史留给人类的宝贵财富，承载着过去的民族记忆，也终将成为当下和未来的创新之源。”邵文苑说。
为了推进古彝文“大字典”项目的顺利进行，在收集语料收集的过程中，研究人员通过合合信息旗下扫描全能王“智能高清滤镜”功能，高效解决古彝文识别的版式检测、图像处理和文字识别等难题，对于污渍、残破的彝文古籍，只需用“智能高清滤镜”轻轻一扫，即可得到一张清晰、平整的图片。
“智能高清滤镜”通过算法大模型，让AI代替人去“思考”，达成图像识别、检测、分析、研判、结论的全链路闭环，最终为用户自动选择出最优处理方案。“智能高清滤镜”的智能研判主要基于精准的图像感知，通过深度学习模型，进行图像特征获取，感知到图像特征并对应进行图像处理，应对各种复杂文档，达成场景化的决策效果。
目前，全球已有多家技术厂商、机构采用AI技术助力古籍保护，例如北京大学等高校联合字节跳动等科技公司发起的“识典古籍”项目，阿里巴巴与四川大学等高校、机构发起“汉典重光”项目。龙泉寺用基于深度学习的单字识别引擎进行《六十华严》的大藏经版本的电子化，也引起了社会广泛关注。数字化技术，已经成为文化保护与传承的新途径，让更多优秀文明成果被看见，助力传统的民族文化焕发新的生命力。
(此文不代表第一财经观点，系出于传递商业资讯目的刊登。)
举报 相关阅读
小米公司：小米大语言模型MiLM通过大模型备案小米公司表示，小米大模型将逐步应用于小米汽车、手机、智能家居等产品中。
05-16 10:32
AI周报 | MiniMax 发布万亿参数模型；首个AI程序员Devin被质疑造假波士顿动力推全新电动人形机器人；Meta或开源4000亿参数模型。
04-21 12:23
解码AI|谷歌发布基础世界模型Genie 人工智能卷向“世界模型”与世界模型或世界模拟器相关的进展频频，OpenAI、Meta、谷歌入局。
02-27 14:36
直击MWC|华为发布通信行业首个大模型：“网络崩了”的问题该由AI解决了在任正非看来，模型的应用有时比模型本身还有前途，华为会做AI的底层算力平台。
02-27 09:25 多国看重“主权人工智能”竞相研发本地语言产品过去一年生成式人工智能爆火后股票期货配资代理，“主权人工智能”成为一个被频繁提及的概念，大致指国家支持人工智能基础设施建设，用符合本国文化和思维方式等的数据训练大模型，支持本地产品形成生态系统等。一年多来，各国竞相研发本地语言的生成式人工智能，背后是对数字主权领域的深层考量。
02-08 12:11 一财最热 点击关闭