古籍数字化，主要基于人工智能中的OCR识别技术对古籍文档进行识别与收录，汉王科技多年来深耕古籍识别领域，当前正攻坚人工智能中难点—自然语言处理技术以理解古籍，进行知识萃取，实现从图形-OCR录入-古籍文件理解的跨越，挖掘古籍的知识含义，做到让古籍文字鲜活跃然屏幕。

“玉树歌残王气终”，这句话形象的描述了满文的一生。

1599年，为求女真与汉族、蒙古族之间的沟通与文化融合，清太祖努尔哈赤命属下创制满文。1632年，清太宗皇太极令臣下对这种文字加以改进，使其有比较完善的字母体系和正字法，具有明显区别于蒙古文字母的特征，俗称“有圈点满文”。而后，铁骑入关，满文逐渐成为政府以及地方重镇的文字，外交条约、政府文书必须有满文文本，军机大事、官员上书也多用满文缮折启奏。

然而，满文没有主动权，无法掌控自己的命运。1911年辛亥革命爆发、清朝覆灭，满文也随之退出历史舞台。

“濒危”的满文，藏在深闺无人识

前有古人，星光灿灿。清代满文档案包罗万象，涉及面极为广泛，是研究清代通史和各种专史的手资料。而且，其反映的内容多不见于汉文档案和其他文献，具有重要的利用和研究价值。另外，满文档案中有关水文、气象、地理、物产等方面的文件，对我国现代化建设具有一定的参考价值。正所谓“大风泱泱，大潮滂滂”，一个千年的王朝，有多少荣辱兴衰，就有多少治世之学。

然而，谁能敌过岁月？谁又能敌过人心？时期，为以正视听，满文惨遭“”，花甲老人懂满文却不敢讲满文，更不敢向年幼稚儿传授。拥有千万人口的满族，国已倾，自然也无心顾及满文化的传承。

没了传承，便只能保护。近年来，辽宁省档案馆采取了一系列防火、防盗、防尘、防虫、防潮、防腐等措施来保护满文档案。从安全角度看，存放在现代化库房里的满文档案如同进入了“保险箱”。然而，史料文献真正的“长寿”，是传承，而不是僵硬的躺在档案馆里。历史留下的瑰宝，不该被如此忽视。

可保护与应用，一直被认为是天生的矛盾体，可解？

古籍，保护与利用并非矛盾

其实人们早已认识到古籍传播的重要性，随着科技的进步，这一想法也从“纸上谈兵”演变为真正的指点江山。数年前，国家与各地档案馆、图书馆，就已经开始古籍保存的工作，早期的出发点在于“保护”，即用专门的扫描仪对古籍进行扫描成像，阅览时无需翻阅原版。然而，这种方式的缺点在于难搜索，看图像时需要逐页翻看，且不能剪切、拷贝以及做摘要记录。

因此，古籍收录成为当下重点。古籍收录有两种方法，一种是依靠手工进行打字及校对，因其工作量巨大，通常情况下只能解决标题、目录以及摘要的检索需求。而另一种方法，是数字化保护，即利用现代信息技术对古籍文献进行加工处理，使其转化为电子数据的形式，从而形成古籍文献书目数据库和古籍全文数据库，以达到对古籍长期保护和利用的目的。例如汉王科技旗下子公司汉王数字，利用OCR识别技术（Optical Character Recognition，光学字符识别，该技术为人工智能研究的重要领域之一）对古籍进行识别与收录，再辅之以图像的整理与美化，快速且高效地完成古籍保护工作。

然而古籍数字化保护，说易行难。OCR技术虽然在很多领域已经相当成熟，但在2011年底汉王初次接触古籍识别时，行业中利用OCR进行古籍数字化仅仅处于起步阶段，直到今天放眼该领域，能利用OCR进行古籍数字化的公司也是。且由于当时缺乏训练样本，深度学习技术尚未实用，只能利用传统机器学习方法对古籍文档进行操作，经历切分、识别等一系列处理流程后，其准确率不足50%。据汉王数字相关技术人员介绍，与现代文本相比，古籍识别有几大难点：

首先，古文字数量多且难以识别。对于简体汉字来说，早期字符集GB2312收录简体汉字6763个，3000字已覆盖到99%常用书面资料。而在汉字古籍中，常用文字已超过10000个，类别多，训练所需样本数目巨大，训练时难以收敛，需要消耗许多时长；

其次，由于古文演变周期较长，存在大量的通假字、异体字，给古籍文字的编码带来了极大的挑战。此外，这些复杂的文字形式也造成了字形间的区分困难，许多相近字的写法过于相像，甚至无法用人眼分辨。因此出现大量标记错误样本，为数据的清洗及训练带来极大的挑战。

同时，古籍识别对技术人员也有着较强专业知识的要求，以满文为例，虽然字母在数量上没有汉字大，但是其字形却为数字化带来了难题。满文字母多是成串出现，从上到下排列，相似字形多，技术人员需要知道每个字母或者音节的书写规律及分隔位置。而懂满文的人凤毛麟角，泱泱中华不过数十人左右。不懂满文，技术人员就需找到满文专家学习满文，了解满文规律，才能设计出融入相关规律的识别算法，对其进行准确识别。

另外，最开始汉王古籍识别受数据获取方面的限制，只能从少量古籍片段甚至是单词中获取相应的数据。据汉王数字相关技术人员透露，当时收集数据的过程非常艰难，前期需要通过算法与人工的结合来获取数据，然后不断发现错误的数据，对其进行标记修改后重新训练，进行一步步迭代，而迭代过程经历的时间会很长。而就载体而言，古籍纸质本身粗糙，且时间久远，受水渍、搬运、保存不当等影响，识别时也会受到很大程度的干扰。

中文古籍样张

深度学习助力汉王数字乘风而起

幸而，“苦心人，天不负”，借着近年来深度学习的技术潮流，汉王数字乘风而起。深度学习依赖大量数据的支撑，在获取古籍数据后，汉王数字的技术人员对其进行基本的分析，并针对问题数据进行清洗和有效的预处理。然后，根据数据的情况，建立合适的深度学习模型。为了更好地提升效果，他们训练多个模型并集成使用。据汉王方面表示，其中文古籍识别准确率已达到98%。

以国家图书馆地方志的录入为例：汉王数字会将项目流水线分为多道工艺，包括图像扫描、破损图像处理、版面分析（将页眉页脚等非正文信息标记出来）、以及录入数据库。整个过程能达到千字一秒，识别速度极快。此外，为保准确度，识别结果可根据需要进行人工校对。需要注意的是，报警机制的引入极大节省了人工成本。一般情况下，有超过60%的内容可依照行之有效的多信息融合算法判定为正确，不需要人工二次处理。经过这一系列的工艺流程，古籍识别差错率可以控制在万分之一左右，最终录入的数据可以自动还原成与古籍版式基本一致的PDF格式，从而为读者营造出古韵之感。

《地方志》自动还原结果

到目前，汉王已经成功识别了《水经注》、《明宫词》、满文朱批奏折以及多份地方志及家谱。这份风光的背后，是工匠精神，是8年的砥砺前行，也是一个20年科技企业肩负的社会责任。

幸甚，羊羔跪乳，乌鸦反哺，文明为科技创造了土壤，科技也不忘孕育之恩。

科技赋能，忧国之忧，承国之志

改革开放以来，人们沉浸在经济高速腾飞的喜悦中，却忽略了对民族文化的传承。虽然现在国家大力提倡“精神文明建设”，但是西方文化早已经以一种强势的姿态与传统文化进行博弈。说崇洋媚外或许过于严苛，但是大部分年轻人对传统文化的淡漠和不了解却是事实。不爱所以不惜，一片清歌，都付与黄昏。

2007年1月，办公厅印发《关于进一步加强古籍保护工作的意见》，文件中明确要求：“中华古籍保护计划在保护古籍的同时，应加强利用，采用数字化和整理再造等方式，使古籍化身千百，服务社会。”也曾多次强调：“让收藏在禁宫里的文物、陈列在广阔大地上的遗产、书写在古籍里的文字都活起来。”汉王正是在践行以及办公厅的指导方针，使封存的古籍得以传承，教化世人。

科技，并不仅仅属于极客。科技的发展是国家的进步，而文化，则是科技的资本。未来，将会有越来越多的科技公司参与到文化遗产保护和科普的事业中，通过科技与文化的结合，推动优秀传统文化融入现代生活和文化交流。