穿越时空的相遇：当古籍遇上大数据

当古老遇见未来：数字人文的奇妙探索之旅

清晨七点半，北京国家图书馆的善本库房区还沉浸在静谧之中。晨光透过磨砂玻璃洒在长廊里，空气中飘浮着古籍特有的陈纸气息——那是一种混合着木质纤维、墨香和岁月沉淀的味道。对于普通人来说，这样的氛围或许有些沉闷，但对于四十七岁的古典文献学专家沈若曦而言，这正是她最熟悉也最热爱的世界。

沈若曦已经在国家图书馆工作了整整二十年，主要研究方向是明代典籍的整理与考证。她的办公室就在善本库房隔壁的行政楼，但从去年秋天开始，她几乎每天都会提前一小时到达这里——不是来做日常的研究工作，而是沉迷于一项她从未想象过自己会参与的“冒险”：教计算机“阅读”《永乐大典》。

《永乐大典》——这部编纂于明永乐年间的巨型类书，被誉为中华文化史上最伟大的百科全书。全书共计22877卷，目录60卷，装成11095册，收录上自先秦、下至明初的各类典籍七八千种。然而岁月无常，这部煌煌巨制历经战火离乱，如今仅存400余卷残册，散落于世界各地的图书馆和收藏家手中。这些残卷如同一位巨人被撕裂后散落的碎片，每一片都弥足珍贵，却也让人难以窥见全书全貌。

沈若曦面前的工作台上，摆着几册刚完成数字化扫描的《永乐大典》残卷复印件。按照惯例，这些复印件会交给她这样的专家进行释读、著录和编目，然后收入数据库供研究者查阅。这项工作她已经重复了无数遍，熟练到几乎可以闭着眼睛完成：核对册页编号、辨识繁体字迹、记录典籍出处、标注破损情况……

但今天有些不同。

工作台上还放着一台笔记本电脑，屏幕上运行着一个名为“古籍智能分析系统”的程序。这是沈若曦去年参加一个学术会议时，从一位计算机系教授那里“借”来的——准确地说，是那位教授邀请她作为人文学者代表，参与一个跨学科合作项目。这个项目试图用人工智能技术来辅助古籍研究，而《永乐大典》残卷正是他们的试验材料。

起初，沈若曦对这个提议并不太感兴趣。在她二十年的学术生涯中，她见过太多“跨学科合作”的尝试——计算机专家满怀热情地带来各种新奇的技术工具，却往往对人文学科的复杂性缺乏理解，最终做出的成果要么隔靴搔痒，要么根本派不上用场。

然而这一次，情况似乎有些不同。

那位计算机系教授——来自北京大学的周明远——并没有一上来就大谈什么“机器学习”“深度神经网络”。相反，他在第一次会面时，只是问了一个看似简单的问题：“沈教授，您在阅读这些残卷时，有没有发现什么'感觉'——比如某些字的写法、某些段落的结构，让您觉得它们可能来自同一本书、或者出自同一时期？”

沈若曦想了想，回答说：“当然有。这正是我们做古籍研究的人最核心的能力——通过长期的训练，我们能'感知'到文本中那些细微的模式。这就像有经验的古玩鉴定家看一眼就知道东西是真是假一样，是一种很难用语言描述的直觉。”

周明远点点头，又问：“那您能不能把这些'直觉'用规则表述出来？比如，什么样的字形特征代表什么年代的写法？什么样的篇章结构暗示什么类型的内容？”

“很难，”沈若曦摇头，“这些判断往往是综合了成百上千个因素之后形成的，而且很多因素之间是相互关联、互为因果的。就拿'之'字的写法来说吧，早期刻本和晚期刻本的'之'字形态有显著区别，但这并不意味着所有晚期刻本都用晚期写法——因为不同地区、不同刻坊的传承关系很复杂，可能一个'之'字要结合周围的文字、纸张的材质、印刷的风格、甚至纸张的化学成分，才能准确判断它的年代和来源。”

周明远笑了：“所以您看，这就是我们需要合作的原因。人类的直觉很强大，但很难规模化；计算机恰恰相反——它不知道什么是'之'字，但如果你告诉它识别这个形状的规律，它可以在几秒钟内分析完几十万甚至上百万个字形特征，然后告诉你这些特征在不同文献中的分布规律。你们人类学者的直觉往往是最终做出判断的依据，而我们可以帮你们找到做出判断所需的所有证据。”

这番话打动了沈若曦。接下来的几个月里，她和周明远的团队开始了一项前所未有的尝试：他们没有试图让计算机“代替”人文学者去理解古籍，而是让计算机去做它最擅长的事情——模式识别、统计分析和大规模比较——然后把分析结果呈现给沈若曦这样的专家，由专家来解读这些结果背后的文化意义。

今天，当沈若曦像往常一样打开电脑，查看系统自动生成的最新一批残卷分析报告时，她注意到了一个异常。

报告的主题分析模块显示，在她手头这批刚刚录入的残卷中，有一类词汇的出现频率异常地高——“风”“云”“山”“水”“月”“星”……这些表示自然景物的词汇，按照常理，在一部百科全书式的类书中应该均匀分布在各个知识门类之下，不应该有如此明显的聚集趋势。

更让她惊讶的是系统的韵律分析结果。这批残卷中，有相当一部分内容呈现出一种独特的声律模式：平仄相间，对仗工整，读起来朗朗上口。系统推测，这批内容很可能来自一类特殊的文体——赋。

赋，是中国古代特有的一种文体，介于诗歌和散文之间，讲究铺陈排比、辞藻华丽、音韵和谐。在《永乐大典》收录的典籍中，赋当然应该有它的位置。但问题在于，这批残卷的出处标注显示，它们分别来自明钞本和清钞本，时间跨度超过两百年，照理说应该反映了不同时期、不同地域的赋作风格。

然而，系统分析出的韵律模式却显示出惊人的一致性。

沈若曦皱起眉头，点开了详细的数据对比界面。屏幕上，几百个残卷片段被排列成矩阵形式，每个片段都用不同颜色标注了韵律特征。红色代表“平声”居多的段落，蓝色代表“仄声”居多的段落，黄绿色代表平仄交替的段落。当这些颜色组合在一起时，沈若曦看到了一幅令她屏息的图景——

在这批残卷中，无论来自明钞本还是清钞本，那些被标注为“赋”的片段，几乎呈现出完全相同的韵律模式：平仄平仄平仄平平仄仄……这不是随机的，而是有规律的循环，仿佛所有的作者都遵循着同一套看不见的“写作公式”。

“这不可能……”沈若曦喃喃自语。按照传统的文学史认知，明清时期的赋作风格经历了从骈丽向散体、从典雅向通俗的转变，不同作家的作品应该有不同的韵律特征，怎么可能这么整齐划一？

她重新检查了系统的参数设置，确认分析过程没有出错。然后，她打开了一个独立的检索界面，手动搜索了这批残卷中她最熟悉的几篇文章。

第一篇是《秋声赋》，作者标注为欧阳修——北宋著名文学家，以古文运动领袖闻名。沈若曦快速浏览了原文：“盖夫秋之为状也，其色惨淡，烟霏云敛；其容清明，天高日晶；其气栗冽，砭人肌骨；其意萧条，山川寂寥……”

果然，系统标注的韵律模式完全吻合。

第二篇是《赤壁赋》，作者苏轼——欧阳修的学生，北宋文学的另一座高峰。沈若曦轻声念道：“壬戌之秋，七月既望，苏子与客泛舟游于赤壁之下。清风徐来，水波不兴……”

韵律模式再次完美匹配。

第三篇是《阿房宫赋》，作者杜牧——晚唐诗人，以七言绝句著称于世。沈若曦找到了一段：“五步一楼，十步一阁；廊腰缦回，檐牙高啄；各抱地势，钩心斗角……”

还是同样的模式。

沈若曦的心跳开始加速。她隐约意识到，自己可能触碰到了一个隐藏了千年的秘密。

她拿起电话，拨通了周明远的号码。

两个小时后，周明远带着他的研究生团队赶到了国家图书馆。在沈若曦的办公室里，一群人围着一台大屏幕显示器，屏息看着周明远运行一个更复杂的分析程序。

这个程序是周明远团队专门为人文研究设计的，它的独特之处在于：它不是简单地统计词频或韵律，而是试图找出文本中那些“隐含的结构”——那些连作者自己可能都没有意识到，但确实存在并影响文本生成的底层规则。

“系统分析完了，”周明远盯着屏幕，缓缓说道，“结果是，你们发现的这批《永乐大典》残卷中的赋作，确实共享同一套韵律模板。但这不是巧合——这套模板有一个名字。”

“什么名字？”沈若曦急切地问。

周明远转向她，眼神中带着一种学者面对重大发现时特有的兴奋：“我们找到了证据，表明这套模板很可能源自一个失传已久的标准——唐代科举考试中'词科'的标准韵律规范。你知道，唐代选拔官员的科举考试分为多种科目，其中'词科'专门测试文学写作能力，但具体考什么、怎么考，后世一直众说纷纭。现在看来，《永乐大典》中保存的这批赋作，很可能是按照这套标准写成的范文——也就是说，我们发现的不是普通的文学作品，而是一套'考试教材'。”

办公室里陷入了一阵短暂的沉默。

这套教材的意义远超文学范畴。它不仅解释了为什么不同年代、不同作者的赋作会呈现出相同的韵律模式，更重要的是，它为研究唐代到明清时期的文化传承提供了一个全新的视角——那些在战场上、朝堂上、文坛上叱咤风云的人物，可能都曾在某个深夜背诵过同样的韵律模板。

沈若曦看着屏幕上那组整齐排列的韵律符号，突然有一种恍惚的感觉。一千年前的科举考场里，一位来自四川的考生正在奋笔疾书；五百年前的某个书坊里，一个年轻的编辑正在抄写前辈的范文；今天，在这个充满现代设备的办公室里，一台计算机正在帮人类学者解读那些跨越时空的关联。

这不是奇迹，这是技术与人文的联姻。

而这，正是“数字人文”——一个正在悄然改变我们理解历史、文化和语言方式的跨学科领域——所能带来的可能性之一。

---

数字人文：跨越两个世界的桥梁

在接下来的叙述展开之前，我们有必要先对“数字人文”这个概念做一个初步的介绍。理解了这个概念，你就能更好地理解沈若曦的发现为什么会如此重要，以及它在整个知识版图中处于什么位置。

“数字人文”（Digital Humanities，简称DH）是一个跨学科的研究领域，它将人文学科（如文学、历史、哲学、语言学、艺术史等）的传统研究方法与计算技术（如数据分析、文本挖掘、可视化、地理信息系统等）结合起来。这个领域的核心目标不是用机器“取代”人文学者，而是利用技术工具来增强人类理解文本、图像和历史资料的能力。

你可能会问：人文学科和计算机科学看起来是两个完全不同的世界——一个是关于意义、情感和人类经验的，另一个是关于逻辑、算法和数据处理的——它们怎么可能融合在一起？

这个问题的答案，其实就藏在本书的主题之中。

想象一下，当一个人文学家在阅读一部古代文献时，他的大脑在做什么？他会注意到文字的字形和字体，注意到词语的选择和搭配，注意到段落的结构和节奏，注意到文本与它所处时代的社会、文化、政治背景之间的关联。这些“注意到”的行为，在很大程度上是一种模式识别——大脑自动地、无意识地搜索着文本中的规律性，然后将它们与大脑中储存的其他知识进行比对，最终形成对文本的理解。

传统上，人文学者完全依靠自己的大脑来完成这种模式识别。他们需要阅读大量的书籍和文献，积累丰富的背景知识，然后通过长期的训练，培养出敏锐的“学术直觉”。这种方法的优点是深刻、细腻、充满人文关怀；缺点是效率低——一个人的生命有限，能够阅读和记忆的文本数量有限，能够注意到的模式数量也有限。

现在，想象一下，如果这个人文学家能够借助计算机的力量呢？

计算机最擅长的就是处理大规模数据。它可以在几秒钟内扫描完一座图书馆的全部藏书，识别出上百万个字的字形特征，统计出成千上万篇文章的词汇分布，绘制出跨越几百年的社会关系网络图。这些任务对于人类来说需要几十年的工作，计算机可以在几分钟内完成。

当然，计算机不理解“意义”——它不知道《永乐大典》为什么重要，不知道《秋声赋》表达了什么样的情感，不知道唐代科举制度对中国社会有什么深远影响。它只知道0和1，只知道模式匹配和统计计算。

这正是数字人文的核心理念：让机器做它擅长的事——大规模数据处理和模式识别；让人来做人擅长的事——解读模式背后的意义，理解文本与语境的关系，进行价值判断和理论建构。

这就像沈若曦和周明远的合作：计算机发现了韵律模式的异常聚集，但只有沈若曦这样的专家才能理解这意味着什么——它是唐代词科考试标准的遗存，是中华文化传承的见证，是连接过去与现在的一座桥梁。

---

牛津的图书馆：中世纪记忆的数字重生

沈若曦的故事让我们看到了数字人文在古籍研究领域的潜力。但这个领域的应用范围远不止于此。让我们把目光转向大西洋彼岸，来到英国牛津大学。

牛津大学图书馆是世界上最古老的公共图书馆之一，拥有超过1300年的历史。但在它的馆藏中，有一批特殊的文献——中世纪手抄本——长期以来困扰着学者们。

这批手抄本来自牛津大学默顿学院（Merton College）的图书馆。默顿学院成立于1264年，是牛津大学最古老的学院之一，也是中世纪欧洲最重要的学术中心之一。在那个书籍全靠手工抄写的年代，默顿学院的图书馆曾收藏着大量珍贵的学术手抄本，涵盖了神学、法学、医学、自然哲学等领域。

然而，1485年的玫瑰战争结束英格兰的都铎王朝建立，英格兰陷入了长达三十年的政治动荡。在这场动荡中，默顿学院的图书馆遭受了严重的破坏，大部分中世纪手抄本或毁于战火，或流散民间，或被遗忘在图书馆的某个角落。当牛津大学的历史学家试图追溯这批文献的下落时，他们发现可供查证的资料极其有限——毕竟那是五百多年前的事情，很多记录早已湮灭。

幸运的是，数字技术给这个困境带来了转机。

2015年，牛津大学启动了一个名为“默顿手抄本项目”（Merton Manuscripts Project）的数字人文计划。这个项目的目标是利用最先进的技术手段，重建失落的默顿学院中世纪图书馆。

项目的第一步是数字化。牛津大学的数字人文团队与英国国家图书馆、大英博物馆等机构合作，利用高精度扫描仪和摄影设备，对散落于各地的中世纪手抄本残片进行数字化存档。这些扫描的精度达到了每像素50微米，可以清晰地显示纸张的纤维纹理、墨水的化学成分、抄写员的笔迹特征。

第二步是识别和匹配。利用计算机视觉技术和机器学习算法，团队开发了一个专门用于中世纪手抄本的图像分析系统。这个系统可以自动识别手抄本中的字迹特征，并将其与已知的抄写员笔迹库进行比对，从而判断残片出自哪位抄写员之手。

第三步是重建。团队构建了一个复杂的关系数据库，将每一块残片的物理特征、内容特征、历史记录整合在一起。然后，他们编写了一套算法，试图根据残片之间的关联关系，重建出原始手抄本的形态。

这个过程说起来简单，做起来却困难重重。中世纪的手抄本往往经过多次修补和改装，很多残片可能来自不同年代的书籍，这给识别工作带来了巨大的挑战。但牛津大学的团队没有放弃。他们邀请了来自欧洲各国的中世纪学者、手稿学家、纸张分析专家参与项目，形成了一个跨越十几个学科的跨国合作网络。

经过五年的努力，项目取得了令人惊叹的成果。团队不仅成功识别了超过三百块默顿学院的手抄本残片，还发现了许多此前不为人知的重要文献残篇。其中最引人注目的是一组关于亚里士多德《物理学》注释的残片——这些注释出自13世纪著名的经院哲学家罗吉尔·培根（Roger Bacon）之手，在历史上被认为已经失传。

当牛津大学将这些数字化的手抄本和研究成果公之于众时，整个学术界为之震动。来自世界各地的学者可以在网上浏览这些珍贵文献的数字化版本，利用高倍放大功能观察手抄本的每一个细节，还可以通过数据库检索特定的人物、地点、概念在不同文献中的出现情况。

更重要的是，这项研究改变了我们理解中世纪学术史的方式。通过分析手抄本的抄写者和流通路径，历史学家发现了一个惊人的事实：默顿学院的学者们并不是孤立地进行研究，他们与巴黎大学、博洛尼亚大学、科隆大学等欧洲其他学术中心保持着密切的学术联系。一本书从牛津到巴黎往往只需要几个月的时间，知识和思想在整个欧洲大陆上迅速传播——这与之前历史学家所描绘的“中世纪是黑暗时代”的刻板印象大相径庭。

牛津大学数字人文中心主任、该项目的主要负责人艾琳·曼宁（Eleanor Manning）教授在一次公开演讲中说道：“数字技术让我们得以'穿越'回中世纪，去触摸那些在战火和岁月中消失的知识。但更重要的是，它让我们意识到，我们对历史的理解远非完整——还有太多被遗忘的故事等待我们去发现。”

---

敦煌的壁画：人工智能打开的视觉宝库

如果说牛津大学的案例展示了数字人文在历史文献领域的应用，那么香港理工大学的一个研究项目则向我们揭示了这个领域在艺术史和文化遗产保护方面的潜力。

敦煌莫高窟——这座位于甘肃省敦煌市东南25公里鸣沙山东麓的佛教艺术宝库——是人类历史上最伟大的文化遗产之一。从公元4世纪开始，历经十六国、北朝、隋、唐、五代、西夏、元等朝代，一代又一代的工匠在莫高窟的岩壁上开凿洞窟、绘制壁画、塑造佛像，留下了492个洞窟、2000多尊彩塑、45000平方米壁画的惊人规模。

这些壁画是中华文明与外来文化交融的结晶。画师们用流畅的线条和绚丽的色彩，描绘了佛教的经变故事、供养人的肖像、自然风物的图景、日常生活场景，构成了一部用图像写成的“百科全书”。它们不仅是艺术瑰宝，更是研究古代社会、历史、宗教、民俗的珍贵资料。

然而，敦煌壁画也面临着严峻的保护挑战。历经千年的风沙侵蚀和人为破坏，许多壁画已经出现了严重的褪色、剥落、空鼓等病害。更令人担忧的是，随着游客数量的增加，洞窟内二氧化碳和湿度的变化也在加速壁画的劣化。

如何保护和记录这些珍贵的壁画？传统的做法是组织专业的临摹师，对每一幅壁画进行手工临摹和记录。这种方法虽然能够保留壁画的艺术价值，但效率极低，而且难以捕捉壁画的全部细节——毕竟，有些壁画的面积达上百平方米，颜色层次达几十种，普通的临摹很难做到完全忠实。

2006年，香港理工大学的一个研究团队开始了用数字技术“守护”敦煌的探索。这个团队由建筑环境学系的魏教授领导，他长期从事建筑测量和空间信息技术的教学与研究。当他第一次来到莫高窟考察时，眼前的景象让他既惊叹又焦虑。

惊叹的是壁画的壮美——在昏暗的洞窟灯光下，历经千年的色彩依然鲜艳夺目，人物形象依然栩栩如生。焦虑的是壁画的脆弱——他看到一尊佛像的手指已经脱落，一幅经变画的局部已经起翘开裂，随时可能整块掉落。

“我们必须做点什么，”魏教授后来回忆说，“否则这些文化遗产将在我们这一代人手中消失。”

接下来的几年里，魏教授的团队与敦煌研究院合作，研发了一套基于三维激光扫描和多光谱成像的数字化记录系统。这个系统可以在不接触壁画的情况下，对洞窟空间和壁画表面进行毫米级精度的三维扫描，同时采集从可见光到近红外、紫外等多个波段的光谱数据。

为什么需要多光谱成像？因为敦煌壁画使用了多种矿物颜料和有机染料，它们在不同的光照条件下会呈现出不同的特征。例如，朱砂（硫化汞）在可见光下是鲜艳的红色，但在紫外光下会发出特殊的荧光；而铅白（碱式碳酸铅）在可见光下是白色，在红外光下却呈现黑色。通过分析多光谱数据，计算机可以识别出壁画中使用的不用颜料，进而推断颜料的化学成分和年代。

但真正让这个项目取得突破性进展的，是人工智能技术的引入。

2016年，魏教授的团队与计算机科学系合作，开发了一个基于深度卷积神经网络的壁画图像分析系统。这个系统可以自动完成以下任务：

1. 壁画病害检测：系统可以自动识别壁画中的裂缝、空鼓、起翘、剥落等病害，并标注其位置、面积和严重程度。这比传统的人工巡检效率提高了数十倍。

2. 颜料分析：系统可以从壁画的高光谱图像中提取颜料的光谱特征，自动识别颜料的种类，并生成颜料分布图。这对于理解古代绘画技法和保存现状评估具有重要价值。

3. 细节增强：利用超分辨率重建和图像增强算法，系统可以从普通的摄影图像中“还原”出肉眼难以分辨的细节。例如，在一幅供养人画像中，系统识别出了画像背后的榜题文字—