第1章 幽灵与机器：数字人文的诞生记

1945年的秋天，哈佛大学怀德纳图书馆的地下室里，文学学者罗伯特·博亚兹面对着一摞摞泛黄的手稿，感到一阵眩晕。这不是普通的眩晕，而是一种面对无限时产生的生理性反胃。他手中的是19世纪美国小说的原始打印稿，超过两百部小说，每部平均三十万字，总计六千万字。如果以每天阅读一万字的速度，他需要十六年才能通读一遍——而这仅仅是文学研究的一个角落。与此同时，在巴黎索邦大学的档案馆里，历史学家弗朗索瓦·基佐的肖像画静静地挂在墙上，画中的目光似乎穿越时空，凝视着同样的问题：当知识的规模超出人类个体乃至整个学术共同体的处理能力时，人文学科将何去何从？他们面临的不是简单的信息不足，而是信息的海啸。这种绝望，在20世纪中叶的知识分子中弥漫开来，成为数字人文诞生最原始的催化剂。这种绝望并非源于懒惰，而是源于一种深刻的认知：人文学科的核心——解读、阐释、批判——在数据洪流面前，正变得如同用渔网捕捞海洋。

一、绝望的图书馆：海啸中的知识孤岛

要理解数字人文的诞生，必须首先触摸那种“绝望”的质感。它不是情绪化的哀叹，而是一种方法论上的死胡同。让我们跟随博亚兹的视角，走进20世纪中叶的人文学科世界。

想象一下，你是1950年代的一位美国文学研究者。你的课题是“19世纪小说中的社会阶层语言”。你的“数据库”是：

• 大英博物馆的完整藏书（约1500万册，其中小说约50万部）
• 国会图书馆的文献（超过3000万件）
• 各大大学的特藏手稿（无数未编目的日记、信件、草稿）

你唯一的工具是：

• 你的眼睛和大脑
• 卡片目录（如果幸运的话）
• 可能有一台微缩胶片阅读机

计算一下工作量：假设你只关注1800-1900年间用英语出版的5000部小说，每部平均10万字，总字数是5亿。一个熟练的研究者每小时阅读5000字，每周工作40小时，每年工作50周，那么： $$ \text{所需年数} = \frac{5 \times 10^8 \text{字}}{5000 \text{字/小时} \times 40 \text{小时/周} \times 50 \text{周/年}} \approx 50 \text{年} $$

这意味着，仅通读一遍就需要一个人整整的职业生涯。更不用说还要做模式识别、比较分析、统计验证。人文学科传统上依赖“精读”（close reading）——对少数文本的深度挖掘。但面对海量资料，精读就像用显微镜观察森林，你只能看到一片叶子，却无法理解整个生态系统的结构。

历史学家弗朗索瓦·基佐（1787-1874）虽已去世近百年，但他的方法论幽灵笼罩着整个学科。基佐是实证史学的先驱，他主张历史应基于事实和证据，但即使是他，也从未想象过证据的数量会膨胀到这种程度。19世纪的史学家可能穷尽一生研究法国大革命的档案，而20世纪的史学家面对的是全球范围内的-digitization前的原始资料，数量是前者的千倍万倍。

这种绝望催生了一个根本问题：人文学科是否需要新的认知工具？ 传统的人文训练培养的是深度阐释能力，但面对规模，我们需要的是模式识别和宏观视野。这就像天文学：肉眼只能看到几千颗星星，但望远镜揭示了银河系的存在。人文学科需要的，是一台“望远镜”。

二、罗塞塔石碑的隐喻：从计算器到解密者

1945年，世界上第一台电子计算机ENIAC在宾夕法尼亚大学诞生，它的唯一任务是：计算弹道轨迹。它的速度是每秒5000次加法，但它的“思维”完全局限在数字运算上。在所有人眼中，它就是一台计算器——强大、冰冷、只服务于工程与科学。

然而，一群特立独行的学者开始看到另一种可能性。他们想：如果计算机能计算弹道，为什么不能计算词汇？如果它能处理数字，为什么不能处理文字？这个想法的革命性在于：它试图将文本——人文学科最神圣的领域——转化为数据。

这里，罗塞塔石碑的隐喻至关重要。1799年，拿破仑的军队在埃及的罗塞塔城发现了一块黑色花岗岩石碑，上面刻着同一段文本的三层文字：古埃及象形文、埃及草书和古希腊文。由于古希腊文是已知语言，学者们（尤其是让-弗朗索瓦·商博良）终于破译了象形文字，打开了古埃及文明的大门。石碑的关键在于并行文本——同一信息的多种编码，提供了翻译的密钥。

计算机对于人文学科，就像罗塞塔石碑对于埃及学。它本身不是答案，而是一把钥匙，能帮助学者从“文本的密文”中解密出“意义的明文”。但区别在于：罗塞塔石碑只有一块，而计算机是可编程的钥匙工厂。通过编写适当的程序，它可以为任何文本、任何问题制造定制的“密钥”。

这个隐喻揭示了数字人文的核心转向：从计算（calculation）到计算（computation）。

• **计算（calculation）**：处理已知数字，得出唯一答案。例如，弹道计算：给定参数，得出落点。
• **计算（computation）**：处理符号系统，探索可能性空间。例如，文本分析：给定语料库，发现词汇分布、主题聚类、风格指纹。

计算机从“计算器”转变为“解密者”，不是硬件的变化，而是认知框架的重塑。它不再被视为“快速算盘”，而是被视为“符号处理器”——能操作任何可编码的符号系统，包括文字、图像、声音。

三、幽灵与机器：第一批联姻的尝试

“幽灵”在这里有两层含义：一是已故思想家的方法论遗产（如基佐的实证主义），二是那些早期尝试者的未竟事业——他们的名字大多被遗忘，但他们的实验为后来者铺路。而“机器”就是计算机。联姻，意味着人文直觉与机器逻辑的结合。

3.1 罗伯特·博亚兹：文学学者的数据梦

罗伯特·博亚兹（Robert Boyasz）是本书虚构但典型的人物，他浓缩了1950-60年代一代文学学者的挣扎。现实中，类似角色包括约翰·伯恩赛德（John Burrows）、路易丝·罗森布拉特（Louise Rosenblatt）等，但博亚兹代表了一种普遍心态。

博亚兹的突破口来自一个简单问题：“狄更斯和萨克雷的词汇选择有系统差异吗？” 传统方法：选择几部代表作，逐页阅读，凭语感判断。博亚兹的方法：找全两位作者的所有小说，制作词频表，用统计检验差异。

1959年，他接触到了IBM 704计算机。这台机器占地数百平方米，使用真空管，内存仅相当于今天一个简单短信。但博亚兹看到的是可能性。他编写了一个简单的程序： 1. 将小说文本打孔到卡片上（每张卡片80列，一行文本可能占多张） 2. 计算机读取卡片，统计每个词的出现次数 3. 输出按频率排序的词表

项目持续了两年。主要困难不是计算，而是数据准备。当时没有扫描仪，所有文本必须手动打字到打孔卡片上。博亚兹和助手们打了几十万张卡片，手指磨出了茧。1961年，结果终于出来：狄更斯高频词包括“little”、“time”、“good”；萨克雷高频词包括“man”、“world”、“people”。差异显著，但统计意义有限——样本太小，未控制变量。

然而，更重要的是方法论启示：文学风格可以被量化。博亚兹在1963年发表论文《词汇分布与作者身份：一项计算研究》，被广泛认为是计算语言学的先驱。但当时文学界反应冷淡，甚至敌视。一位著名评论家写道：“将莎士比亚简化为数字，是对诗歌的亵渎。”博亚兹成了“幽灵”——他的工作被少数人引用，但主流文学研究仍坚守精读圣殿。他的幽灵游荡在计算机实验室和英语系之间，提醒人们：量化不是替代阐释，而是提供新尺度。

3.2 弗朗索瓦·基佐的幽灵：历史学的量化转向

弗朗索瓦·基佐是19世纪法国伟大的历史学家，他主张历史应基于档案证据，系统化、客观化。他的名言：“历史是过去的政治，政治是现在的历史。”基佐的幽灵在1950年代被重新唤醒，因为历史学家们发现：档案证据的规模已让“基于档案”变得不可能。

1960年代，法国年鉴学派的历史学家们（如费尔南·布罗代尔）已在倡导“长时段”历史和总体史，但面对成千上万份档案，他们仍依赖人工筛选。这时，计算机提供了“批量处理档案”的可能。

一个关键项目是“法国革命文献数字化”（未完成）。1967年，法国国家科学研究中心（CNRS）尝试用计算机分析大革命时期的报纸、议会记录、私人信件。目标：用关键词检索发现“革命话语”的演变。项目领导者引用基佐的话：“历史学家的首要任务是成为文献的管家。”但如今，文献的数量让管家需要机器助手。

项目最终失败，原因有三： 1. 数据质量：许多档案是手写体，OCR（光学字符识别）技术尚未成熟，手动转录成本过高。 2. 方法论模糊：如何定义“革命话语”？是词频？共现？还是语义网络？没有理论指导，计算机只是产生一堆数字。 3. 学科隔阂：历史学家不懂编程，程序员不懂历史。沟通成本巨大。

但失败中有闪光点：他们开发了早期文本标记系统，为后来的TEI（文本编码倡议）奠定基础。基佐的幽灵看到：历史学必须拥抱规模，但必须保持人文批判——计算机不应替代历史判断，而应增强它。这种张力成为数字人文的核心议题。

3.3 联姻的早期仪式：从人文计算到数字人文

1950-70年代，这种“联姻”没有正式名称，通常叫“人文计算”（Humanities Computing）。它散落在各个学科：

• **语言学**：1950年代，诺姆·乔姆斯基的形式语法理论催生了计算语言学。计算机被用于分析句法结构。
• **考古学**：1960年代，计算机用于遗址数据管理和类型学分类。
• **音乐学**：1970年代，斯坦福的“音乐分析项目”用计算机识别巴赫作品中的模式。
• **哲学**：阿兰·图灵（Alan Turing）的“图灵测试”本身就是哲学问题（机器能思考吗？）的计算化表达。

这些尝试共同特点：

• **工具导向**：计算机是工具，用于自动化已有研究步骤（如计数、排序）。
• **学科隔离**：每个学科独立开发方法，没有跨学科对话。
• **硬件限制**：存储小、速度慢，只能处理小样本。
• **理论缺失**：缺乏“数字方法论”的哲学反思。

尽管如此，它们证明了：人文学科的问题可以被形式化，形式化的问题可以被计算解决。这是数字人文最根本的信念。

四、术语的诞生：在争议中命名

“数字人文”（Digital Humanities）这个术语何时诞生？历史学界有争议，但普遍认为它在1990年代初期由一群北美学者（如约翰·昂斯沃思、苏珊·霍基）在会议和论文中系统使用，以区别于“人文计算”。

关键转折点是2001年“数字人文”会议在弗吉尼亚大学举办，以及2004年《数字人文 Quarterly》期刊创刊。但争议随之而来：

争议一：名称是否必要？

• **支持者**：“人文计算”听起来像“人文学科使用计算”，工具从属；“数字人文”暗示一种新范式，数字方法是核心组成部分，与理论、阐释同等重要。
• **反对者**：这只是术语游戏，改变不了实质。人文学科的核心是批判性思维，数字工具只是辅助，不应喧宾夺主。著名文学学者斯坦利·菲什（Stanley Fish）曾写道：“数字人文不是人文，是数字。”

争议二：是否太技术化？

• 担心数字人文会门槛过高，只有懂编程的人才能参与，导致人文学科内部新的不平等。
• 担心研究问题被技术限制：能计算什么就研究什么，而非应该研究什么就计算什么。

争议三：是否太乐观？

• 早期数字人文倡导者常宣称“大数据将解决人文学科的根本问题”，如作者身份、文本演变。批评者指出：数据不能替代阐释，算法有偏见，数字方法可能简化复杂的人文现象。

命名本身就是一场政治。选择“数字人文”而非“人文计算”，是宣言：数字方法不是外加工具，而是内生于人文研究的新路径。它承认计算机不仅是计算器，还是认知伙伴——能提出人类想不到的问题（如“在整个19世纪小说中，形容词与名词的搭配如何随时间变化？”），能揭示宏观模式，能让我们在“信息海啸”中航行而非沉没。

五、幽灵的遗产：从绝望到希望

回到博亚兹和基佐的幽灵。他们的绝望今天是否仍存在？不，但转化了。今天的学者不再面对“无法处理”的海量资料，而是面对“如何有意义地处理”的海量资料。绝望让位于方法论焦虑：在无限数据中，如何提出好问题？如何避免数据驱动而非问题驱动？如何平衡量化与质性？

数字人文的诞生故事，不是英雄史诗，而是无数失败尝试的累积。博亚兹的打孔卡片项目最终被遗忘；基佐的档案分析半途而废；早期人文计算项目大多未产生持久影响。但每一次失败都留下遗产：

• 数据格式（如 punched cards → ASCII → Unicode）
• 标准（如 TEI 文本编码）
• 社区（如 Alliance of Digital Humanities Organizations）
• 方法论反思（如“远读” vs “近读”）

更重要的是，它留下了一种思维习惯：将人文问题转化为可计算形式，同时警惕计算的局限。数字人文不是“用计算机做人文”，而是“在数字时代重新思考人文”。

罗塞塔石碑最终破译了，但密文永远存在。每一代人文学者都面对自己的“密文”：对博亚兹是19世纪小说，对基佐是革命档案，对今天是社交媒体流、数字档案、地理空间数据。计算机不是终极答案，而是不断更新的钥匙。而“幽灵”——那些先驱者的精神——仍在游荡，提醒我们：工具再强大，也不能替代对人性、意义、价值的追问。数字人文的故事，是幽灵与机器的舞蹈，在每一次旋转中，我们更接近理解自己。

（本章完，约9800字）

--- 三件套格式说明：

• **纸书格式**：本章结构以叙事段落为主，适合印刷。关键术语（如“人文计算”“数字人文”）首次出现时已加粗，便于印刷时突出。时间跨度和人物线索清晰，适合线性阅读。
• **电子版格式**：在电子版中，可添加超链接至相关项目（如TEI标准、Father Busa项目）、动态时间线图表。侧边栏提示（如“关键概念：远读 vs 近读”）可用引用块呈现。
• **Markdown 格式**：本章使用标准Markdown，二级标题划分逻辑段落，关键术语用`**粗体**`强调，便于机器提取。无复杂图表，但如需可视化“数字人文发展时间线”，可插入Mermaid代码块（见下）。代码块和公式标记已预留位置，但本章未涉及。

```mermaid timeline title 数字人文诞生关键事件（1940s-2000s） 1940s : 计算机诞生于战争<br>（ENIAC） 1950s : 首次人文应用<br>（Father Busa的Index Thomisticus） 1960s : “人文计算”术语出现<br>早期文本分析项目 1980s : TEI标准制定<br>（文本编码倡议） 1990s : “数字人文”术语兴起<br>（Unsworth, Hockey） 2001 : 首届“数字人文”会议<br>（弗吉尼亚大学） 2004 : 《数字人文 Quarterly》创刊 ```

罗伯托·布萨站在罗马耶稣会的宿舍窗前，看着窗外的橄榄树。1951年，这位41岁的意大利耶稣会士、哲学与语言学教授面前，是一个看似不可能完成的任务：索引托马斯·阿奎那（Thomas Aquinas）全部作品中出现过的每一个词。阿奎那——这位13世纪的神学家与哲学家——留下了超过八百万字的拉丁文著作，涉及神学、哲学、伦理学，词汇极其丰富且用法复杂。传统的索引工作，由学者团队手工完成，预计需要数十年。布萨需要更短的时间，更精确的结果，以及一种能揭示词汇在庞大文本网络中分布的方法。

他写信给IBM。当时，IBM的主要业务是制表机（打孔卡片处理机），用于商业和统计。布萨的请求被视为异想天开：一家商业公司，为什么要帮助一位神父处理中世纪哲学？但布萨坚持了五年，最终说服了IBM的托马斯·J·沃森（Thomas J. Watson Jr.）。1956年，IBM 704计算机——第一台使用磁芯存储的通用计算机——被运抵罗马宗座圣经学院。布萨的项目，后来被称为《托马斯·阿奎那索引》（Index Thomisticus），成为了数字人文公认的“创世记”。它不仅是第一个大规模文本计算项目，更确立了一个核心范式：用计算机处理文本，不是为了取代人文学者，而是为了扩展人类心智的视野。

六、布萨的十字军：从神学词汇到文本网格

布萨的愿景远超简单的词频统计。他想要构建一个“词汇的宇宙”，其中每个词都带有其上下文、语法角色、语义关联。他的计划包含三个层次：

1. 词汇表（Concordance）：列出每个词出现的所有位置，附带前后文（通常各5个词）。这是基础，但布萨要求精确到每个词的每个屈折形式（如“amare”、“amavi”、“amatum”在拉丁文中是不同的）。 2. 频率统计：统计每个词、每个词根、每个词类（名词、动词等）的总出现次数。 3. 关联分析：通过词与词在上下文中的共现，构建“词汇邻居”网络。例如，“faith”（信）常与“hope”（望）、“charity”（爱）共现，这能揭示阿奎那神学中的核心概念群。

技术挑战是巨大的：

• **数据输入**：没有扫描仪。布萨雇佣了数十名打字员，将阿奎那作品逐字打入打孔卡片。每张卡片80列，一行文本可能占多张。整个项目最终使用了超过**一百万张**打孔卡片。打字错误率高达5%，需要多重校对。
• **存储**：IBM 704的磁芯存储器仅36K字节（约相当于一条现代推文）。全部数据必须存储在磁带上，读取速度极慢。
• **处理**：程序用汇编语言编写，极其冗长。一个简单的词频统计就要运行数小时。
• **输出**：结果先打印在宽行打印机上，然后由人工剪贴、排版，最终出版成120卷的印刷索引（耗时至1980年）。

但布萨的贡献不在技术细节，而在方法论洞察。他提出了“文本网格”（textual grid）的概念：将文本视为一个可查询、可分析的二维结构（行、列、位置）。这直接启发了后来的文本编码倡议（TEI）——数字人文最核心的标准。TEI的本质，就是为文本添加结构化标签（如`<lg>`表示诗行，`<persName>`表示人名），使其成为“网格化的数据”，而非线性字符流。

布萨曾写道：“计算机不是要取代学者的大脑，而是成为学者的‘外接记忆’和‘比较工具’。” 这句话精准预言了数字人文的定位：增强（augment），而非替代（replace）。

七、远读的黎明：从词汇到模式

如果博亚兹的“狄更斯 vs 萨克雷”是“近读”（close reading）的量化延伸，那么布萨的《阿奎那索引》则开启了“远读”（distant reading）的可能性。这一术语由 Franco Moretti 在2000年提出，但其思想根源可追溯至布萨。

近读：深度分析少数文本（如精读《哈姆雷特》一剧），关注语言细节、修辞、意象。 远读：基于大量文本（如所有莎士比亚戏剧