近期，合合信息联合上海大学、华南理工大学发布古彝文基础编码数据库，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。
　　“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。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。
　　古彝文基础编码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。
　　据悉，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，解决古彝文识别的版式检测、图像处理和文字识别等难题。“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。
　　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。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。
（文章来源：新华财经）