笔趣阁

番外39章 叶昀的人工智能项目（第2页）

“准确率o，”叶昀看着后台数据，“对于印刷体来说，这个基础模型的表现尚可。但我们需要把它提升到以上，而且还要处理手写体。”

下午，他们开始尝试手写古籍的标注。这次选的是一页明代文人手札，行草书，字迹潇洒但不易辨认。

情况立刻变得复杂。系统对很多字完全无法识别，候选列表空空如也。久久需要逐个手动输入。有些字连笔严重，她得仔细分辨笔画走向；有些字墨迹晕染，要结合上下文推测；还有些字用了异体写法，得翻查工具书确认。

一页手札，标注了整整四十分钟。

“累吗？”叶昀问。

“有点，”久久揉了揉眼睛，“但挺有意思的。感觉像在教一个特别聪明的孩子认字——它认得一些，但很多需要从头教。”

这个比喻让叶昀若有所思。他调出刚才标注的数据，开始分析错误类型：“你看，系统出错的地方有规律——连笔字、异体字、破损字。我们需要针对这些难点，收集更多样本，设计专门的识别策略。”

接下来的一周，久久每天抽出两小时进行标注工作。她渐渐掌握了技巧，度也快了起来。更重要的是，她开始理解人工智能的“学习方式”——它不是真的“理解”文字，而是通过大量样本，统计出字形和字义的对应关系。

“所以教它认字，和教人认字不一样，”一次标注间隙，她对叶昀说，“人看到一个陌生的字，会拆解笔画、分析结构、联想已知的字。但ai是看这个字的‘样子’和哪些字的‘样子’最像。”

“准确地说，是计算图像特征的相似度，”叶昀解释，“所以我们需要给它看足够多的‘样子’，包括同一个字的不同写法。你标注时，如果遇到异体字，记得在备注里说明这是哪种异体，出自哪个时期、哪种文献风格。这些元数据对模型学习很重要。”

小主，这个章节后面还有哦，请点击下一页继续阅读，后面更精彩！

于是久久的标注工作变得更加细致。她不仅标注文字本身，还会添加各种注释：

“‘寿’字草书写法，明代祝寿文书常见变体”

“‘云’字上部雨字头简写，清代民间抄本特征”

“‘马’字四点底连笔，书法作品风格”

这些专业的标注，逐渐构建起一个丰富的知识库。叶昀则利用这些数据，不断调整模型参数，增加针对性的训练模块。

两周后，他们进行了第一次小规模测试。使用久久标注过的五百页数据训练出的新模型，在同一批数据上进行测试，准确率提升到了。

“进步很明显，”李教授在周会上肯定道，“尤其是对异体字的识别，比之前提升了个百分点。林老师的专业标注功不可没。”

但问题也随之暴露。在新数据的测试中，模型表现不稳定——对久久标注过的字体风格识别率很高，但对未见过的新风格，准确率又掉回了o左右。

“这就是机器学习中的‘过拟合’问题，”叶昀分析，“模型太适应训练数据的特征，泛化能力不足。我们需要更多样化的数据。”

这意味着需要标注更多不同时期、不同风格、不同保存状态的古籍样本。工作量几乎要翻倍。

久久看着长长的任务列表，深吸一口气：“我可以增加标注时间。但有些特别生僻的字，或者保存状况极差的，可能需要查阅大量资料才能确定。”

“那就查，”叶昀说，“你的查阅过程，本身就是一种知识积累。我们可以把这些查阅记录也纳入数据库，构建一个古籍文字的‘知识图谱’。”

这个想法很大胆。传统的古籍研究，知识都分散在不同专家的脑子里、不同的论文和专着里。如果能系统化地整理出来，对学界将是巨大的贡献。

从那天起，久久的标注工作不再仅仅是“教ai认字”，更像是在建设一个庞大的古文字知识体系。每遇到一个疑难字，她不仅会标注它是什么字，还会记录：这个字在哪些文献中出现过，有哪些变体，不同时期的变化规律是什么，在什么语境下使用……

这些记录逐渐累积，形成了一份珍贵的学术资料。有时叶昀看着那些详细的备注，会忍不住说：“这些内容，足够写几篇论文了。”

“也许等项目结束，真的可以整理出来，”久久微笑，“让更多研究者受益。”

项目进行到第二个月，叶昀和久久的合作模式已经高度默契。他们开了一套高效的远程协作流程：

每天早上，久久会收到系统自动分配的标注任务，通常是五十页古籍扫描图。她会在上午完成修复工作后，花两小时进行标注。标注时遇到的疑难问题，她会记录下来。

下午，叶昀处理这些标注数据，更新模型。他会特别关注久久标记的难点，分析错误类型，调整算法。

晚上七点，两人会进行十五分钟的线上同步。叶昀展示当天的模型改进效果，久久反馈标注中的观察和问题。没有多余的寒暄，直接切入专业讨论，效率极高。

有一次，顾璟路过书房，听到久久正在视频通话中快说着：“……‘龙’字的繁体写法，在明代官方文书中，右半部分常写作‘尨’，但在民间抄本中多写作‘竜’。系统现在把‘竜’都识别为‘竜’本身，没有关联到‘龙’字。需要增加异体字映射关系。”

屏幕那头的叶昀手指在键盘上飞舞：“收到。已记录，今晚更新映射表。另外，你昨天标注的那批破损字，我分析了破损模式，增加了抗干扰模块，准确率提升了。”

“好，我明天校验效果。”

通话结束，整个过程十二分钟。顾璟站在门口，有些惊讶于这种高效。他想起团队其他成员的合作模式——夏飞的热闹、白辰的温和、肖逸的安静、蒋烁的直率、苏沐的细腻，每种都有温度。而叶昀和久久的合作，是纯粹的理性与专业的结合，像两台精密仪器在对接数据，却同样动人。

一天晚上，项目组突然遇到了一个棘手的问题。模型在对一批敦煌遗书残卷进行识别时，准确率骤降到o以下。这批遗书年代久远，纸张脆化严重，墨迹褪色，还有很多西域文字的混入，难度极大。

李教授紧急召集线上会议：“这批敦煌材料很珍贵，数字化整理迫在眉睫。但现在的识别效果不理想，人工校对工作量太大。叶老师、林老师，有没有什么思路？”

视频窗口中，叶昀和久久同时陷入思考。几秒后，叶昀先开口：“我需要分析具体的错误类型。久久，你看过这批材料吗？”

久久点头：“修复中心三年前修复过一批敦煌遗书，我参与过。这类文献有几个特点：第一，纸张是麻纸或皮纸，纹理粗糙，扫描图像噪点多；第二，墨色淡，笔画边缘模糊；第三，有大量俗字、异体字，还有汉字与吐蕃文、回鹘文混写的情况。”

小主，这个章节后面还有哦，请点击下一页继续阅读，后面更精彩！

她的描述专业而清晰。叶昀一边记录一边问：“混写文字的比例大概多少？混写模式有规律吗？”

“大概三成左右有混写，”久久回忆，“混写模式……通常是专有名词、地名、人名用音译文字，正文用汉字。但也不绝对，有些部分是整段混写。”

“那我们需要一个多文字识别模块，”叶昀迅构思，“先分割文字区域，判断文字类型，再分别调用对应的识别模型。汉字部分用我们现有的模型，吐蕃文和回鹘文需要另建模型，但这需要相关语种的专家支持。”

李教授皱眉：“吐蕃文和回鹘文的专家不好找，而且时间紧迫……”

这时久久轻声说：“也许……不需要完全识别那些文字。”

所有人都看向她。

“敦煌遗书的研究，重点是内容的价值，”久久解释，“那些混写的西域文字，很多是音译，对应的是特定的汉字词汇。如果我们的目标是整理文献内容，而不是做文字学研究，也许可以换一种思路——把这些混写文字当作‘特殊符号’处理，标记出它们的位置和类型，留给专家后期处理。重点是确保汉字部分的识别准确率。”