天天簡訊:數字時代的民族古文字研究

中國是一個歷史悠久的多民族國家，很多民族在不同歷史時期創制并使用自己的民族文字，形成了數量巨大、內容豐富、各具特色的少數民族古文字文獻。這些文獻是研究相關民族的語言文字、歷史文化的最重要的一手資料，承載著各民族獨特的血脈，更可與漢文典籍相互勘正補充，具有特殊的文化和學術價值；它們可以真實、全面地揭示各民族關系史，對增強民族團結、維護國家統一、筑牢中華民族文化共同體具有無可替代的作用。

(資料圖)

從二十世紀九十年代至本世紀初的十余年間，這些珍貴的民族古文字文獻經歷了一個發掘整理的高潮。大量民族古籍獲得搶救，其中一部分得到整理、譯注與出版，主要表現在滿文、藏文、西夏文、蒙古文、彝文、納西東巴文、水文等文獻的整理刊布上。但已搶救資源的現狀并不樂觀，突出表現在：已搶救資源因缺少專業整理而在各機構大量閑置；一部分古籍老化、破損嚴重，缺少保護和修復條件；已出版文獻多采取直接影印形式，搶救大于整理。在傳統模式下，民族古文獻的傳承與開發已面臨困境。

幸運的是，經過近二三十年的發展，運用數字化、智能識別手段進行民族古文字文獻保護和開發已成大勢，相比傳統模式取得了諸多進展。

已有的民族古文字文獻數字化和智能化建設情況，可以從四個方面加以述評。

一是民族古文獻原貌保真式數字存儲。即對民族古文獻進行縮微、電子掃描等數字化制作、存儲，實現部分民族古文獻原貌的保存，這是當前民族古文獻數字化的主要方式，著重于資源搶救和保護。

這類成果普遍存在的問題是：對數字資源缺少系統的整理、校勘與注釋，文獻編目、索引做不到充分匹配，各單位制作的數字圖像質量與整理水平也參差不齊。

二是民族古文字處理系統開發。包括民族古文字在國際標準字符集的編碼、字庫建設、文字輸入與檢索實現，以及民族古文字排版系統開發、字形標準化等，這方面的成果極其豐富。

然而，對于民族古文字處理系統的研發，各家都有自己的解決方案，可以滿足一定范圍的使用，但標準不統一、技術不兼容，難以通用共享。另外，大多數文字整理是基于字典、辭書等二手資料，忽略了對面貌復雜的一手文獻的精細化整理，導致文字處理系統不能滿足實際需要。

三是民族古文獻數據庫建設。其中可以分成三大類：民族古文獻書目數據庫、圖像數據庫和全文數據庫。各機構基本上都是先對古文獻進行編目、掃描整理原文圖像，然后以書目數據庫與原文圖像相掛接的模式實現數字化。已有成果集中在材料大宗的藏文、蒙文、西夏文、東巴文、彝文等民族古文獻數據庫建設上。也有部分民族古文獻建立了全文數據庫，如藏文典籍和滿文檔案。

在數據庫建設中，普遍存在著著錄標準、書目分類法標準、索引標準不統一的情況；尤其是圖像數據，存儲格式標準、數字化影像標準不兼容等技術問題，嚴重影響資源的檢索利用和共享。此外，各單位資源重復建設、彼此不開放，也是亟待解決的問題。

四是民族古文字智能識別研究。目前多種民族古文字都在積極進行文字識別技術的探討，各家研究最大的關注點，是希望利用圖像識別技術實現民族古文獻從數字圖像自動、批量轉換為數字文本，從而大規模建設全文數據庫，實現文獻批量翻譯，滿足共享與開發需求。比較成功的例子是中國第一歷史檔案館 2018 年公布的 " 滿文檔案圖像識別軟件系統 "，該系統實現了手寫體滿文批量識別。

但目前能夠實現規模化文字圖像識別的民族古文字極少，文字識別帶來的實際產出也很少。主要問題有二：首先，文字識別的共同思路，是使用計算機切分、提取字的特征，使其與機器中預先存放的特征集（字庫）進行匹配、判別，從而將字圖自動轉換成文本代碼。這需要有預先建立的字庫作為訓練樣本和測試標準，但識別技術研究者所建立的樣本數據庫容量極小、樣本選擇不科學，相較民族古文獻的實際復雜情況和巨大數量，根本無法支撐起真實存在的民族文字材料的識別。其次，在文字識別的目標上，僅關注文字釋讀和文獻的批量翻譯，未能充分發掘文字識別帶來的多方面效益。

綜上可見，民族古文獻數字化建設具備了一定基礎，但整體而言操作有欠條理，投入與產出不成比例，迄今還集中在資料的搶救、整理、輸入、排印等初級層面。如何充分借力數字化和智能化手段推進民族古文字相關研究，仍舊是一個嚴峻的課題。今后的努力方向，至少可以包括以下三個方面。

首先是統一標準，實現數字資源共存共享。數字化建設在多個方面需要統一標準。一是文字處理標準的統一。各類民族古文字的字符集，都應爭取在國際字符集標準中編碼，暫時不能編碼者，應盡量使用統一字體，或提供跨字體轉換的基礎條件。二是文獻各級分類標準的統一，包括著錄標準、書目分類法標準、索引標準，以及對文獻內部的字詞意義分類、文獻類型分類標準等。三是語料的同義認同。不同種類的民族古文字材料，如要實現各種內在關聯，就要在共同的分類框架下，通過概念層面的意義分類、語言文字層面的同義系聯，實現材料的逐級類聚，使多文種、多類型文獻中的語言文字單位找到彼此的同義對應項，從而貫通各類材料，打通數據庫內部所有數據的關聯。四是數字化處理程度的統一，統一的標準是就高不就低。做到上述標準統一，是實現資源共享的基礎。

另外，應當借助文字智能識別，打通民族古文字的內在關聯。民族古文字輸入數據庫有兩種形式，一是文字輸入，二是保真的原文圖像輸入。前者借助電腦字符集的編碼，可被計算機自動識別；而圖像載體形式的古文字，目前唯有借助圖像識別技術，才能創建計算機可以自動識別的信息碼，打通數據庫全部數據鏈，進而實現民族文字內部數字資源的徹底關聯。

我們以納西族東巴文為例來做簡單說明。東巴文中表示 " 杉樹 " 的字，其代表性字形有十來種，可以分為三組：

第一組：

第二組

第三組

三組字形分別出自白地、麗江和魯甸三個地區的東巴經文，呈現出明顯的地域特征；而每一組中的字形，又出自同一地域的不同書手，呈現出不同的風格。在對上述文獻用字進行一字一碼的圖像識別后，每一個字形所攜帶的地域特征、書手風格、文獻類型、語境、字際關系等都能夠被計算機自動處理，則所有字形圖像與其他數字資料的數據關聯就能夠被打通，智能處理就具有了無限空間。如此處，即可借助圖像識別對東巴經文的地域特征、書手特征進行譜系分類研究。反過來，如果采用以往的識別思路，最終結果就是將上述八個字形歸屬于 " 杉樹 " 這一抽象的文字單位，識別的意義就只能是局限在經文的解讀對譯上。

再及，智能化的助力，可以推動大中華文化視野下的多民族文字綜合研究。我國的民族古文字，多數是在以漢字文化為基石的中華民族多元文化融合的歷史環境中發生、發展、演變的。這也就意味著，只有將民族古文字相關研究置于中華民族多元文化融合之系統中展開，才能揭示其全貌，也才能在彼此觀照中獲得對自身更深入的理解。

知識系統的充分系聯與普及，同樣要仰賴數字化與智能識別手段。可舉一例來說明。水書是水族民間選擇時日、擇吉避兇的查閱用手抄本，其占卜擇日的概念、原理、體系、表達程式等多數來自漢族通書，而漢族通書的源頭，可以上溯到先秦日書，如楚簡、秦簡日書。這是縱向的觀察。橫向來看，漢族通書明清時期曾在南方少數民族地區廣泛傳播，水、侗、彝、布依等多個民族的古文獻中，都出現通書內容，它們都來自漢文化，并形成了各自的擇吉特點。如果我們按前文所說，以統一的標準完成了這些古文字材料的意義逐級分類系聯，并實現材料的圖像智能識別，那么就可以通過其中任何一種材料的圖像識別，實現相同義類的多種古文字材料的系聯呈現。

如水書 " 赤口時 " 篇（圖 1），識別出對應文字為：" 春三月辰午時，夏三月午時，秋三月戌時，冬三月丑午時兇，口舌。" 意為：新娘忌在這些時辰進親入宅，犯之則有口舌紛爭。該識別結果又可自動關聯涉及婚嫁宜忌的其他古文字材料，如睡虎地秦簡甲種日書 96-101 簡內容：" 春三月辰，夏三月未，秋三月戌，冬三月丑……不可以取婦、家（嫁）女…… "；彝文日書《運尼司波》（圖 2）內容：" 冬三月那一季，屬牛這天不吉 "。這樣，不同民族、不同時空的擇日條例反映出大體相通的內涵——冬季三個月的丑日婚嫁不吉。這些材料的類比呈現，對于梳理多民族日書的傳承流變，其價值是不言而喻的。

圖 1 水書 " 赤口時 " 篇

圖 2 彝文日書《運尼司波》

* * *

民族古文字研究的數字化，需要有支持文字識別的大數據平臺提供后臺支撐，為機器學習與迭代升級不斷提供豐富素材；而大數據建設的成果，需借力各種智能化方式，充分開發利用，才能被全面盤活，二者是相互促進、彼此支撐的。在此平臺之上，中華民族多元文化融合視野下的民族古文字研究，定將得到長足的發展。

本文為上海哲社規劃 " 冷門、絕學和國別史等研究專項 " 課題 " 水族水書智能識別系統建設與研究 "（2019ZJX001）

作者：劉凌、劉志基 華東師范大學中國文字研究與應用中心

編輯：陳韶旭