ASI111-AI AGI ASI社区 › 门户 ›首页› AI历史学 › 查看内容

甲骨学：AGI的残片拼合与ASI的卜辞解读，如何革新甲骨学？

2026-9-1 10:23| 发布者: Linzici| 查看: 3| 评论: 0

摘要: 从AGI到ASI，甲骨学正在经历一次从"经验驱动的拼图"到"数据驱动的缀合"、从"逐字考释"到"卜辞语境整体解读"的双重跃迁。这一跃迁最核心的意义是：甲骨整理中那些依赖记忆力、靠"大海捞针"式翻检的机械环节——缀合候 ...

从AGI到ASI，甲骨学正在经历一次从"经验驱动的拼图"到"数据驱动的缀合"、从"逐字考释"到"卜辞语境整体解读"的双重跃迁。这一跃迁最核心的意义是：甲骨整理中那些依赖记忆力、靠"大海捞针"式翻检的机械环节——缀合候选生成、重片校核、字形检索、残字补全——第一次能被机器系统性地加速；而卜辞解读则从"孤立识字"走向"形—音—义—辞例—组类"多证据融合的全局推理。但甲骨作为"殷商信史的本源性证据"，其缀合定论、未识字考释、分期断代始终必须"学者主导定论"，机器给出的只是待验证的候选。下面分四层说清楚。

一、AGI阶段：残片拼合已经做成成熟工作流

传统甲骨缀合被形容为"没有原图的巨型拼图"——现存甲骨约16万片，绝大多数残缺散落世界各地，已缀合者不到7000组。自甲骨文发现125年来，缀合几乎完全依赖学者的记忆力与长期积累的经验，"就像大海捞针"。AGI阶段的AI正在系统性地重构这个环节。

🧩 缀合：从"人力校释"到"智能缀合"

首都师范大学莫伯峰团队自2020年起与河南大学联合研发"缀多多"软件，首次实现AI批量缀合甲骨，将传统方法需要20余年的校重工作缩短至一周。首师大与微软亚洲研究院合作开发的基于自监督学习的甲骨校重助手，已系统比对18万幅拓本，发现超过300组未被前人发现的校重新成果，研究者从此彻底摆脱了这项繁重的整理工作。莫伯峰的解释点出了机器的比较优势："计算机能以一个字为基准，对图像进行细微的拉伸、校准，让两张各有残缺的拓片严丝合缝地叠合，手工操作根本达不到这样的精度"；更关键的是"纯边缘匹配——精准捕捉甲骨断裂处的每一处轮廓、每一个角度，从十几万张拓片里瞬间锁定最匹配的碎片"。

清华大学李霜洁研发的人工智能文物拼缀系统"知微缀（RejoinX）"、复旦大学蒋玉斌团队与清华合作的"AI引导人类直觉"交互方式、安阳师范学院张展团队的自动缀合系统，共同构成了甲骨缀合的"工具矩阵"。其中安阳师范学院系统已成功缀合150余组甲骨碎片，其中一对还发现了3000多年前商代的一次日食记载。

💡 关键数据：全国甲骨缀合成果已超7000组，蒋玉斌缀合500多组、博士生杨熠缀合400多组，AI技术在其中发挥了重要辅助作用。缀合的核心判定标准来自甲骨学的方法论传统——黄天树总结的据字体、据残字、据碴口、据同文四法，其中"碴口若严丝合缝，拼合往往是正确的"，因为断口形状"千姿百态、独一无二"。AI恰好擅长纯几何匹配，人类学者则负责校验拼合后卜辞语义是否通顺、文字是否契合——这正是"人机耦合"的分工逻辑。

🔍 识别：从"认字"到"全信息建模"

甲骨"看不清"的物理痛点正在被技术攻克：安阳师范学院联合腾讯构建的"甲骨文全信息数据模型"，通过多光谱成像、三维建模、微痕增强、反射变换成像（RTI）、紫外荧光成像等手段，对每片甲骨拍摄150余张照片，形成三维模型、微痕增强图、微痕灰度图、数字摹本、数字拓片、科学影像层等多图层叠加——"甚至发现了古人用'橡皮擦'改写过甲片的痕迹"。这相当于为甲骨做"CT扫描"，让肉眼难辨的契刻起笔收笔"立"起来。

由此建成的全球最大甲骨文高质量多模态语料库，包含143万甲骨单字样本、1.5万片甲骨三维/拓片多模态档案、3000余篇专业文献，并与5个国家收藏机构完成950片流失海外甲骨的"数字回归"。

🤖 智能体："殷契行止"与OracleAgent

2025年10月发布的"殷契行止"——全球首个甲骨文专用AI智能体（基于腾讯混元大模型，接入DeepSeek及近10个辅模型），标志着甲骨研究从"工具辅助"走向"智能伙伴"。其前身是2019年发布的全球首个甲骨文大数据平台"殷契文渊"，目前已归集154种著录、23.9万幅图像、6566个字形、3.7万篇文献及6736组缀合信息，配套6个专用数据集。其论文版OracleAgent被投至CVPR 2026，在多项多模态推理任务上超越GPT-4o等主流多模态大模型。

智能体的价值在于把分散工具"编排"成一个工作流：上传残片或拓片即可识图释字、生成缀合方案、聚合历代释读文献——过去需要数天的检索工作，如今10分钟即可完成。

二、为什么机器不能单独定论：甲骨学的三重硬性约束

上海交通大学陈婷珠2026年6月在《文汇报》发表的评论，一针见血地指出了当前AI甲骨识别的"落地困境"——"至今没有任何一款计算机工具被古文字学者真正在日常研究中采用"。实验室里的高准确率，到了真实拓片上就大打折扣。根源在于数据集存在四类结构性问题：

⚠️ 约束一：训练数据是"美化过的实验室"

多数数据集用的是人工摹写而非原始拓片——摹写图像干净、端正、边缘清晰，却恰恰丢失了原始拓片因年代久远产生的裂纹、残损等痕迹。学者每天面对的是原始拓片，"好比一个人只练过印刷体，突然让他辨认手写草书"。

⚠️ 约束二：标注错误与"已释字偏差"

OBC306数据集中，编号038000h01166等四个字形实际是"豖"字却被归入"犬"类；Oracle-MNIST展示的"马"字示例除第一张外均非"马"字。更根本的是：现有数据集几乎只收录已释读的字，而甲骨学最大的挑战恰恰是那约占三分之二的未释字——模型只在已知字上训练，无法帮助破解未知字。

⚠️ 约束三：单字切割丢失了语境

真正的古文字认字"从来不是孤立地看一个字"，学者要把字放回句子中，结合卜辞、同版其他刻辞、辞例综合判断。脱离语境的图像分类，"哪怕准确率再高，也回答不了'这个甲骨文字在这句卜辞里到底是什么意思'"。

⚠️ 约束四：三个不成立的计算假设

计算机学科把甲骨识别处理为"图像分类问题"，隐含三个假设——每个字形有唯一正确答案、答案可通过与训练数据的相似度确定、字形视觉信息足以决定其意义。而这三点在甲骨文字形系统面前均不完全成立：一字多形、一形多字、异体通用普遍存在，"字形相似未必字义相同，字形不相似未必字义不相同"。那些令人振奋的97%、99%，本质是在"经过人工美化、脱离语境的实验室里测出来的"。

💡 一个常被忽视的方法论细节：甲骨缀合的"遥缀"远比"实缀"更难——残片碴口无法密合，须依据字体、内容推断同版关系，再比照全龟全骨摆放到相应部位，要求拼合者"对甲骨形态和部位非常熟识"。这类高度依赖"缀感"（培养"缀感"、缩小缀合范围再综合知识）的判断，恰恰是当前AI难以企及的"经验直觉"。

三、ASI推演：从"辅助考释"到"多证据融合的卜辞解读引擎"

ASI（人工超级智能）尚未到来，但基于当前轨迹可以清晰看到卜辞解读的演进路径——从"认字"走向"考释未释字的完整推理链"。

🔤 AlphaOracle：把"三步考据法"塞进AI

华中科技大学团队（论文已被《The Innovation》接收，代码开源）提出的AlphaOracle，是这一方向最具代表性的框架：

第一步·结构重建：利用图神经网络结合空间信息，判断句子的起点、终点和字符连接关系，恢复阅读顺序
第二步·形态分析：字形演变网络用扩散模型模拟甲骨字形向金文、战国文字、小篆的演变路径；部件演变网络拆解构件、映射为后代汉字的IDS序列，为未释字提出多个候选
第三步·语境对齐与文献校验：将候选释读放入大规模卜辞语料库考察语义合理性与分布规律，再查阅传世古籍与现当代学术研究，寻找支持或质疑的证据，形成完整证据链

每一步均附有出处、候选答案和置信度评分，方便专家逐条复核——这个目标"不是替代学者，而是把研究者从数日的翻检查证中解放出来"。

📜 OBIMD与"数智甲骨学"的范式转型

2026年发表于《Scientific Data》的OBIMD多模态数据集（10,077对拓片-摹本、93,652个专家验证字符、21,667个残缺文字占位符、21,941个语法验证通过的句子单元），首次把"辞例释义顺序"纳入数据集，打破了过去"孤立切分单字"的局限。它定义的任务谱系——目标检测、摹本生成、残缺字形补全、文本分句、阅读顺序预测、残句补充、句法分析、拓片检索——事实上勾勒了计算甲骨学的完整方法论管道。

郅晓娜、宋镇豪在中国社会科学院的论述更明确指出：数智技术的介入催生了"数智甲骨学"这一新兴交叉领域，推动学科向以"数据驱动、人机协同、宏观探索"为特征的"计算历史学"转变。其前沿课题正是：如何利用深度数据挖掘与AI，从海量卜辞中分析语义语法、考释文字与解读文例、精细剖析殷商历史人文事态与精神思想观念。

🌐 ASI推演：全局卜辞知识空间与反事实推演

若ASI到来，理论上能把现有资源整合为统一时空知识空间：

已释/未释字的历时演变序列（形—音—义三重对应）
甲骨组类学体系（"卜人组"与"字体类"的"组""类"二元结构，区分刻手、整治者等占卜集团特征）
卜辞的成套、同文、对贞、兆序关系网络
与考古地层、出土情境、碳-14、天文历法的跨证据对齐

由此可实现：跨片、跨著录、跨博物馆的全域字位关联检索；基于组类书风与辞例分布的分期断代辅助；甚至"反事实卜辞推演"——"如果这片历组卜辞未散佚，武乙文丁时期的祭祀体系会呈现何种全貌"。

但必须清醒：ASI给出的"最可能释读""最可能缀合""最可能断代"，本质上仍是统计推断而非历史事实。甲骨学要求考释做到"字形之无忤，文义之大安"——字形比较无违逆、辞意通畅无碍，这必须由学者的"假设—检验—修正"循环最终裁定。来国龙2026年5月在武大的讲座强调，古文字考释是一个不断"假设—检验—修正"的过程，目前甲骨文字考释仍主要以字形联系为主，尚无法可信地从事音系研究——这意味着"破译发音关"这一根本障碍，短期内不会被算力简单突破。

四、不可逾越的边界：四条甲骨学底线

⚠️ 底线一：缀合判定与"缀感"不可让渡

AI可提供候选排序（形态、纹理、所刻文字多维度匹配），但"残片是否真属同版"的最终判定，必须结合碴口密合度、字体类组、残字互补、同文/成套卜辞、出土收藏流传脉络综合裁定。张展坦言当前技术面临的核心问题是"准确性"；故宫博物院林宏明讲座更强调：缀合不能只局限于单一馆藏，必须注意与其他甲骨著录的关系，吸收已有文例进一步发现新文例——这种全局性的"缀感"是学者数十年积累的判断力。

⚠️ 底线二：未识字考释的"形音义辞"四重验证不可让步

人民网刊载的甲骨文字考释方法论讲得很彻底：从共时层面要对字形笔画特征、异体情形烂熟于心，从历时层面要掌握每个字的演变序列；字形考订之后，还须"把考订的结果放到所有的甲骨卜辞中去验证"——若通读辞意顺畅、了无滞碍则可靠，反之则要重新检查。考释地名需史地学素养、考释器物需考古学知识。这是"假设—检验—修正"的严谨循环，不是"生成最可能答案"。

⚠️ 底线三：分期断代必须"先分类、再断代"

甲骨学界已形成共识：字体分类与王世推定必须分开，《甲骨文摹本大系》已用"两系"新说代替"五期"旧说，按字体分为32个类组。AI若跳过"组类判定"直接按字体风格猜测年代，极易落入"把晚出本当作近祖本"式的时代错置。断代必须由具备甲骨组类学素养的学者把关。

⚠️ 底线四：文物本体与数据真实性

"数字甲骨共创计划"坚持非接触式全信息建档、制定统一采集与元数据规范；同时针对"AI辅助可能产生幻觉"（微痕增强虽凸显字迹裂纹，但生成性补全不等于原始契刻），必须严格区分"原始影像"与"AI补全推测"。

💡 一个值得记住的判断：陈婷珠的结论是——"实验室里的高准确率只是一个中间指标，而不是最终目的"。未来甲骨文智能识别的突破，"不在于一味追求算法精度提升，而在于打破文理壁垒、构建标准化数据体系、融合视觉识别与文史考据逻辑"。这事实上是AGI/ASI时代甲骨学的标准工作伦理：机器输出永远是候选，学者验证才是定稿。正如业内共识所言："AI不是要替代学者，而是为这项古老事业注入新的能量"；"但最终盖上学术印章的，仍然是人"。

五、未来甲骨学者的画像

在AGI/ASI时代，甲骨学者需要具备三种复合能力：

1. 人机协同工作流的设计能力

能够运用"缀多多""知微缀""殷契文渊""殷契行止"等工具，让机器处理缀合候选生成、重片校核、字形检索、摹本生成、文献聚合等机械性工作，自己聚焦于价值研判。

2. 多证据融合的考释能力

能够在AI给出候选释读后，结合字形比较、辞例推勘、偏旁分析、音韵破读、组类判定、考古情境等证据链进行综合裁定——这是"学者主导定论"的能力基础。

3. 甲骨学核心方法的坚守能力

在疑难字考释上坚持"阙疑存字"、在缀合上维护"碴口+辞例"的双重验证、在断代上拒绝"以字体风格直接定年代"——知道AI会出错，且能够在具体情境中识别具体错误。

回到问题的核心：AGI让甲骨残片拼合从"经验驱动"走向"数据驱动"——"缀多多"将20余年校重压缩至一周，缀合系统已成功缀合150余组、其中一对发现了商代日食记载；全信息数据模型与"殷契行止"智能体，让"认字—检索—缀合—释读"形成一体化工作流。ASI推演中的卜辞解读，则让甲骨学从"孤立识字"走向"多证据融合考释"——AlphaOracle把"结构重建→形态分析→语境对齐与文献校验"的三步考据流程工程化，OBIMD与"数智甲骨学"推动学科向"数据驱动、人机协同、宏观探索"转型。

但革新的是效率，不是权威。AI能从十几万张拓片中瞬间锁定边缘最匹配的碎片、能为未释字生成多个候选并附上置信度评分、能把某字的全部辞例在几分钟内呈现；但它不能替我们回答：这两片残片的碴口是否真的严丝合缝？这个未释字的通读是否"辞意顺畅、了无滞碍"？这片历组卜辞究竟属武乙还是文丁？——这些判断构成了甲骨学者的学术尊严，也构成了"学者主导定论"的不可让渡底线。

未来的甲骨学者，不是被AI替代的"拼图工"，而是"人机协同工作流的驾驭者+AI候选输出的验证者+甲骨释读定论与断代判定的责任人"。

习近平总书记强调，要重视甲骨文等古文字研究，确保有人做、有传承。在AGI/ASI时代，"做好研究"的新内涵正是——用最智能的工具，做最严谨的人文学问。马尔库塞的话放在这里依然有效：在算法的确定性逻辑与甲骨真实性的开放性之间保持张力。AGI/ASI让甲骨学"看清"更多模糊刻痕、"拼接"更多破碎龟甲、"释读"更宏大的卜辞网络，但甲骨背后"是否为殷人所作、所刻为何意"的终极判断，最终要靠人的甲骨学素养来锚定——而这一锚定，在ASI时代比以往任何时候都更关键，因为当AI生成的释读结果比真实考释更具说服力时，守护"字形之无忤、文义之大安"这一甲骨学根本方法的责任，就完全落到了人类学者肩上。