這個 AI 認(rèn)識中世紀(jì)手寫拉丁文
“以后青銅銘文也交給 AI 來識別好了！”
AI 識別文字已經(jīng)不算是什么難事，但是如果字體是手寫，而且還是古文呢？
這似乎聽起來具有相當(dāng)?shù)碾y度！
梵蒂岡秘密檔案館（Vatican Secret Archives）可謂全球最偉大的歷史藏品之一，但其珍藏的許多文件從未轉(zhuǎn)錄。近日，一個名為 Codice Ratio 項目，利用人工智能與光學(xué)字符識別（簡稱 OCR）軟件的組合重現(xiàn)這些被忽視的文本，并將其重新呈現(xiàn)在世人面前。
這座恢宏的建筑坐落在梵蒂岡城墻之內(nèi)，毗鄰使徒圖書館、位于西斯廷大教堂北側(cè)，擁有著可追溯于1200年之前的總長達(dá)53英里的書架。除了將Martin Luther逐出教會的《教皇詔書》之外，其中還包括蘇格蘭瑪麗女王被處決之前發(fā)給教皇西克斯五世的函件。在規(guī)模與范圍方面，其中的收藏幾乎著稱無與倫比。
然而，梵蒂岡秘密檔案館對現(xiàn)代學(xué)者卻沒多大現(xiàn)實(shí)意義。因?yàn)樵谶@長達(dá)53英里的書架當(dāng)中，只有極少數(shù)書頁經(jīng)過掃描以提供在線版本，這當(dāng)中的一小部分轉(zhuǎn)錄為計算機(jī)文本以供內(nèi)容搜索。如果我們打算閱讀其它任何內(nèi)容，則必須申請?zhí)厥獾脑L問權(quán)限，一路前往羅馬，并親自動手翻開這些古籍。
傳統(tǒng) OCR 技術(shù)只適用于經(jīng)過嚴(yán)格排版的文字，而對于字母之間缺少間隔空間（即臟分割）的手寫卷宗形式則無法識別。對此， Codice Ratio 項目利用拼圖分割法將單詞理解為一種單筆筆劃，軟件只需要知曉哪些組塊代表真實(shí)的字母，而哪些只是連筆造成的假象即可。該軟件的手寫字母判斷準(zhǔn)確率已經(jīng)高達(dá)96％。如果成功，這項技術(shù)還將被用于處理世界各地其它歷史檔案庫當(dāng)中數(shù)不勝數(shù)的其它記錄文件。
利用拼圖分割法讓 OCR 識別連體字
由于傳統(tǒng)OCR技術(shù)是把單詞分割成一個個字母來識別的，所以對于這類連體字，OCR無法識別字母。有人想出了一個方案，直接讓OCR去識別一個個的單詞，但是，如何讓OCR掌握成千上萬的拉丁文單詞呢？大概需要一個排的中世紀(jì)拉丁文專家來辨認(rèn)不同單詞的圖形。
除了請專家辨認(rèn)單詞外，還有更簡單的方法幫助OCR識別手寫字母，只要找實(shí)習(xí)生就可以搞定了。
我們知道，無論中文還是英文，連體字中粗的部分是筆畫，細(xì)的部分是筆尖移動造成的虛線，并不是筆畫的一部分。根據(jù)這個原則，In Codice Ratio的專家們發(fā)明了新的方法——拼圖分割法。拼圖分割法改變了傳統(tǒng)OCR把單詞分成字母的傳統(tǒng)方式，而是是把連在一起的單詞按照筆畫分隔開，在此之后，該軟件會進(jìn)一步進(jìn)行字母繪制，并最終生成以下一系列拼圖碎片：
這些拼圖碎片本身作用不大，但該軟件能夠?qū)⑵渫ㄟ^多種方式組合起來以生成可能的字母。具體來講，軟件只需要知曉哪些組塊代表真實(shí)的字母，而哪些只是連筆造成的假象即可。
為了教會軟件這項能力，研究人員們選擇了不同尋常的導(dǎo)師——高中生。該團(tuán)隊在意大利的24所學(xué)校當(dāng)中招募了一批高中生用于建立項目的記憶庫。學(xué)生們在登錄相關(guān)網(wǎng)站后，會看到如下圖所示的三分屏幕界面：
之后，就要讓識別系統(tǒng)判斷對錯：識別出的字母，哪些是真正的字母，哪些是虛線的誤判。
通過一次次點(diǎn)擊，學(xué)生們努力教授該軟件如何識別22個中世紀(jì)拉丁字母（a－i，l－u，以及s與d的某些替代形式）。 22個中世紀(jì)拉丁文字母都學(xué)會之后，這個識別系統(tǒng)就成為了一個能認(rèn)識手寫體中世紀(jì)拉丁文的AI。
當(dāng)然，最終學(xué)生們也不再需要參與其中。當(dāng)訓(xùn)練進(jìn)行到一定階段之后，該軟件即可獨(dú)立拼圖，并自行判斷字母的具體位置。這，正是人工智能的價值所在。
在另一方面，這也證明單靠拼圖碎片還不足以組合出正確的字母。計算機(jī)仍然需要額外的幫助才能破解手寫文本的秘密。想象一下，大家正在讀信，并在其中看到下面這句：
中間的單詞到底是“clear”還是“dear”？很難判斷，因?yàn)椤癲”與“cl”的筆畫構(gòu)成實(shí)際上完全相同。OCR軟件也面臨著同樣的問題，特別是在處理高度風(fēng)格化的文本時更是如此。以下圖為例：
在經(jīng)過不同的拼圖組合之后，OCR認(rèn)為可能的選項包括aimo、amio、aniio、aiino甚至是aiiiio。但這個詞實(shí)際上是anno，也就是拉丁語中的年。該軟件認(rèn)準(zhǔn)了a和o，但卻弄不清中間的四個豎到底該如何劃分。
為了解決這個問題，Codice Ratio團(tuán)隊不得不為自己的軟件提供一些常識性的知識。他們建立起一套包含150萬個經(jīng)過數(shù)字化的拉丁詞匯語料庫，并對其中的雙字母與三字母組合進(jìn)行了檢查。通過這種方式，他們確定了哪些字母組合較為常見，而哪些永遠(yuǎn)不會出現(xiàn)。通過將這些統(tǒng)計信息提供給OCR軟件，其能夠了解到不同字符串的具體出現(xiàn)概率，從而意識到nn比iiii的可能性高得多。
隨著這樣的改進(jìn)，OCR終于能夠自行閱讀部分文本了。該團(tuán)隊決定為其提供一些來自梵蒂岡秘密歸案館的資料。這是一份超過18000頁的檔案集合，其中包括寫給歐洲國王的信件、關(guān)于法律問題的裁決以及其它信件。
最初的結(jié)果有好有壞。在迄今為止的全部轉(zhuǎn)錄文本中，有三分之一文檔中包含一處或多處拼寫錯誤——意味著OCR作出了錯誤的判斷。然而，該軟件仍然帶來了高達(dá)96％的手寫字母判斷準(zhǔn)確率。Merialdo表示，即使是“不完美的轉(zhuǎn)錄結(jié)果，亦可提供關(guān)于手稿內(nèi)容及背景的大量有價值信息。”
經(jīng)過對AI更專業(yè)的訓(xùn)練后，它可以識別各大文明的古代文獻(xiàn)并電子化。
所以，為了給AI提升難度，青銅銘文了解一下？
梵蒂岡秘密檔案館（Vatican Secret Archives）：由教皇保羅五世（Pope Paul V）主導(dǎo)創(chuàng)立，是歐洲教會中收藏檔案最豐富，最古老的檔案館。梵蒂岡秘密檔案館擁有著可追溯于1200年之前的總長達(dá)53英里的書架，其中保存著各種古籍、歷史事件檔案、教皇的私人信件以及一些有關(guān)超自然現(xiàn)象和神秘學(xué)的資料。梵蒂岡秘密檔案館收錄了許多重要史料，除了將 Martin Luther 逐出教會的《教皇詔書》之外，還包括蘇格蘭瑪麗女王被處決之前發(fā)給教皇西克斯五世的函件。
