4⽉20⽇，是联合国定下的“中⽂⽇”。每年的这⼀天，联合国都会举办各种中⽂推⼴活动，让世界各地的⼈都能体验中⽂的魅⼒。⽽中⽂的故事，还要从甲⻣⽂说起。甲⻣⽂是现存最早的⽂字，最早的甲⻣⽂可以追溯到春秋时代（约公元前1200年），它的发现将中国信史向上推进了约1000年，可以解读出⼤量珍贵信息。然⽽，甲⻣⽂研究是⼀项极度消耗⼈⼒的⼯作。
全世界⽬前已发现的殷商甲⻣⽂不到5000字，真正被释读出来的字数仅在1500-2000字之间。在“先秦史研究室”⽹站上，学者们会公布最新的甲⻣⽂较重、缀合结果，依靠⼈⼒，⼀年只能更新⼏⼗组。甲⻣⽂的整体研究⼯作往往被基础资料整理所困，推进困难。⾸都师范⼤学甲⻣⽂研究中⼼的莫伯峰教授团队，联合微软亚洲研究院武智融研究员，希望⽤⼈⼯智能找到甲⻣⽂难题的另⼀个解法。
1899年，⾦⽯学家王懿荣⽤⻰⻣熬药时，发现⻰⻣上刻着⼀些“符⽂”。因为对古⽂字颇有研究，他辨认这不是单纯的划痕，⽽是⼀种远古时期的⽂字，随即把它们收藏了起来。在殷墟甲⻣被科学挖掘以前，经历了多年的私⼈挖掘、倒卖，因此流散到了很多地⽅。从甲⻣⽂⾸次被发现⾄今，出⼟的甲⻣实物约有15万⽚。
这些甲⻣在不同的⼈⼿中流转，留下了多张拓本图像，这些对同⼀⽚甲⻣的不同拓本被称为“重⽚”，是解读甲⻣⽂的重要材料。不同时期的拓⽚，外观差距很⼤｜微软亚研院。甲⻣重⽚数量繁多，质量参差不⻬，整理和校对重⽚成了⼀项重要的基础⼯作，被称作“校重”。多年来，校重依靠学者靠⾁眼和经验⼀⼀对照，费时费⼒。正如《甲⻣⽂合集补编》前⾔中所述：“这种对重、选⽚的⼯作，其烦琐、费⼯是局外⼈难以想象的。
”到了今天，⼤多数拓本图像已经数字化，⼀个新想法应运⽽⽣：⼈⼯智能是不是可以为校重⼯作加速？微软亚洲研究院的武智融⼀直在寻找⼀个好课题。毕业后，他专注于研究视觉⽅⾯的⾃监督模型，了解到甲⻣⽂研究的困境后，他感到豁然开朗：“甲⻣⽂既是⽂字，⼜是图像，⽐⼀般的多模态研究更有趣。”⼀开始，他想研究甲⻣⽂释读，但之后武智融发现，想要释读甲⻣⽂，就得先把较重⼯作做好。
在武智融看来，较重⼯作天然就适合机器来做。判断⼀张拓⽚是不是重复的，理论上需要把它和现存的重⽚都⽐对⼀遍。随着时间流逝，甲⻣不仅会模糊，还会破裂成⼩块，⼀些不完整的拓⽚让较重⼯作更难。B（局部）和A（整⽚）是重⽚，C（局部）和A（整⽚）是重⽚，不能断定B和C就⼀定是重⽚。这种情况下，基于全局特征来计算两张拓⽚相似度的办法就不奏效了。
于是武智融决定从局部下⼿：如果两张拓⽚的多个“点与点”之间能够精准地对应上，便能断定它们很⼤程度上为重⽚。尽管字迹模糊，但每个字的关键点仍然可以对应｜微软亚研院。武智融训练了⼀套⾃监督学习的深度神经⽹络算法——甲⻣⽂校重助⼿Diviner。⾃监督学习与监督学习的区别，在于模型在训练时是否需要⼈⼯标注的标签信息。
所谓监督学习，是利⽤⼤量的标注数据来训练模型，使模型基于标记的输⼊和输出数据进⾏推理，⽽⾃监督学习是让模型⾃⼰来寻找规律进⾏分类。武智融先尝试⽤监督学习的⽅式训练，但发现这种⽅式并不适⽤甲⻣⽂校重。⾸先，重⽚的形状差异⼤，模型很快就被搞迷糊了，其次，监督学习需要⼈⼯标注⼤量的数据，⽽甲⻣⽂的数据没有那么多。
于是武智融决定把这个⼯作交给模型⾃⼰去解决：⼈类更擅⻓给出基于整体的、甚⾄主观“微妙”的判断，如果是循着规律的密集排查，机器的效率远在⼈之上。因为岁⽉的侵蚀和多次流转，甲⻣的不同拓本可能会有粗细之差，为了让模型学会⾃⼰寻找重⽚，武智融先⼈⼯模拟出⼀些甲⻣⽂可能发⽣的变化，例如变粗、变细、变模糊，为其加随机噪⾳和旋转。
通过这种⽅式让模型明⽩，不管是粗是细，只要关键点位能⼀⼀对应，就是同⼀个字，这样⼀来，模型的识别能⼒就不受拓⽚的清晰度、对⽐度、噪⾳、旋转等外界因素的影响。变粗变细变模糊，都是同⼀个字，对⼈类来说很简单的道理，机器却不⼀定学得会｜微软亚研院。当然，基于局部匹配的⽅法能⾏得通还有很重要的⼀个原因：来⾃于同⼀块甲⻣的重⽚，⽂字⼤⼩是不会变动的。
武智融将每张拓⽚分割成能承载⾜够信息，⼜尽可能⼩的⽅格，哪怕重⽚是破碎的，也可以对应得上。新模型的⽐对效率甚⾄⾼于他的预期。将18万幅数字化拓本输⼊Diviner之后，模型发现了⼤量甲⻣重⽚，不仅复现了专家过去所发现的数万组重⽚，⽽且经过初步整理，已发现了三百多组未被前⼈发现的校重新成果。Diviner成果已经在对专家⼯作产⽣实质性的帮助。
Diviner新发现的重⽚，补⻬了⼀些没有拓全的拓本，⼀些时间久远字迹模糊的拓本也被清晰的重⽚替代。过去的很多疑惑都被解决了，专家们如获⾄宝。Diviner还可以直接帮助“缀合”。缀合的⽬的是将⼀些⽀离破碎的甲⻣，拼接成⼀个更完整的甲⻣，复原整⽚甲⻣的信息，有助于完整性地解读史料。⼈⼯对Diviner的结果再次验证，从反馈来看，Diviner的“查重”准确率能接近97%。
这将⿎励更多机构甚⾄个⼈将其私藏的甲⻣⽂拓本拿出⽐对，供学术界讨论研究。很多团队在尝试⽤⼈⼯智能技术帮助甲⻣⽂的研究、传播，他们有⼈做甲⻣⽂翻译，也有⼈做“认识甲⻣⽂”⼩程序，但还是那个⽼⽣常谈的问题，⼈机协作中，机器如何辅助好⼈类专家。武智融举了个例⼦。甲⻣⽂最初的⽬的是记录占⼘。占⼘者将⻳甲炙烤后，通过出现的裂纹的⻓短、粗细、隐现来判断吉凶、成败，并将占⼘的内容和结果刻在⼘兆的近处，即为⼘辞。
武智融和莫伯峰教授交流时才知道，⼘兆在拓⽚上是模糊不清的，判断⼘兆信息的位置⾼度依赖专家经验。⼈⼯智能能帮⼈类专家做数据、资料的恢复⼯作，但只有专家学者才知道“⼀是⼀横，⼆是两横，三是三横，四是四横，⼀横之差，看似相似度⾮常⾼，阐释出来的意义却全然不同”。⼈⼯智能技术如何才能对甲⻣⽂研究产⽣直接且具体的推动作⽤？随着Diviner项⽬的进程，他开始更好地理解这个议题。
Diviner还能有其他延伸⽤途吗？“有⼀次，同事开玩笑说，也许未来这套算法可能⽤于指纹识别，对刑侦有帮助也不错。”武智融笑了笑说。注：⽂章中⽤到的拓本来⾃四本甲⻣著录书。①《甲⻣⽂合集》②《甲⻣⽂合集补编》③《上海博物馆所藏甲⻣⽂字》④《殷虚书契续编》