AI将揭开梵蒂冈机密档案馆之谜

　　科技行者 3月20日 北京消息 梵蒂冈机密档案馆(Vatican Secret Archives)被列为世界十大禁地之一，它是罗马教皇的档案保管机构，也是欧洲教会中收藏档案最丰富，最古老的档案馆。

　　其珍藏的许多文件从未转录，即便教堂档案员也对其中隐藏的秘密一无所知。然而，机器视觉系统将会揭开中世纪文本的神秘面纱。

　　虽然这些文件禁止出版，但档案馆设有影像备份及档案保护工作室。与其他许多历史档案馆一样，他们已开始影像备份文件，供学者深入研究。

　　但档案存量过于庞大，光靠人工抄录备份，根本无法完成。那么，机器视觉技术是否能够起作用?

　　幸运的是意大利罗马第三大学的Donatella Firmani及其同事启动了“In Codice Ratio(‘编码系统’的拉丁文)”项目，旨在开发能够自动转录梵蒂冈机密文件(名为Vatican Registers)的系统。

　　该语料库收录了13世纪的18，000页官方信件，覆盖内容极广，从天主教到国王、王后，从政治到宗教，横贯欧洲各领域。Firmani及其团队表示：“这些文件此前从未转录，因此，历史意义可谓空前巨大。”

　　中世纪文本的特殊性给机器视觉技术带来了诸多挑战。由于手稿字迹风格各异，存在连笔(将相邻字母连成一笔书写)和特殊缩略语，因此传统的视觉识别算法无法胜任转录工作。

　　为解决这一难题，学者们研发了识别整个单词(不仅仅是字母)的计算机视觉系统。然而效果仍不理想。大多数单词在长篇文件中只出现过几次，所以很难创建满足机器学习需求的数据集。

　　如今，Firmani及其团队发明了训练文字视觉识别系统的新方法：将单词拆分为笔划，再像拼图一样将笔划组合起来。他们表示：“我们想开发一个能够转录尽可能多手稿的成熟系统。”

　　系统将单词拆分为笔划后，再试图将笔划组合成字母，分析所有可能的排列组合方式，最终排除所有不符合语法的组合。

　　例如，通常可将笔划组合为“iii”和“m”，因语法错误排除前者。同样的笔划组合还有“in”或“ni”，系统需进一步研究整个单词及其所处语境，再作出选择。[page]分页标题[/page]

　　Firmani团队首先创建了一个数据集，训练基于神经网络的计算机视觉系统。

　　该数据集需要进行标记处理。因此，视觉系统可学习笔划的排列方式与可能字母的映射。

　　他们将数据标记外包出去，将拼图似的单词拆分为模式识别问题(如拼图式验证码)呈现给120所高校学生，让他们数小时内共同人工标注包含15，000个单词的数据集。

　　标注结果十分理想。Firmani团队称：“我们能够准确转录数据集中65%的字母图像。”

　　显然，这一成果对转录中世纪文章和历史学家的研究而言意义非凡。但还有更多难题需要攻克。例如，小写字母的转录问题仍然存在，因此下一步的关键是扩大词汇量，将大写字母及中世纪文本中的缩略语纳入数据集。

　　梵蒂冈机密档案馆将如何利用这一科技尚不得而知，梵蒂冈文件(Vatican Registers)被转录后是否会公之于众也无人知晓。

　　但即使文件未能出版，Firmani团队开发的前沿技术也能帮助学者们进行相关领域的深入研究。例如，可利用单词、词组频率及其随时间的变化等数据展开历史文件研究。可作为分析历史文化的重要切入点。