科技行者

网站导航

人工智能:破解梵蒂冈神秘卷宗之谜

梵蒂冈秘密档案馆可谓全球最伟大的历史藏品之一,但同时也身兼最无价值藏品的“桂冠”。

这座恢宏的建筑坐落在梵蒂冈城墙之内,毗邻使徒图书馆、位于西斯廷大教堂北侧,拥有着可追溯于1200年之前的总长达53英里的书架。除了将Martin Luther逐出教会的《教皇诏书》之外,其中还包括苏格兰玛丽女王被处决之前发给教皇西克斯五世的函件。在规模与范围方面,其中的收藏几乎著称无与伦比。

人工智能:破解梵蒂冈神秘卷宗之谜

然而,梵蒂冈秘密档案馆对现代学者却没多大现实意义。因为在这长达53英里的书架当中,只有极少数书页经过扫描以提供在线版本,这当中的一小部分转录为计算机文本以供内容搜索。如果我们打算阅读其它任何内容,则必须申请特殊的访问权限,一路前往罗马,并亲自动手翻开这些古籍。

不过新的项目可能会改变这一切。此项目名为Codice Ratio,旨在利用人工智能与光学字符识别(简称OCR)软件的组合重现这些被忽视的文本,并将其重新呈现在世人面前。如果成功,这项技术还将被用于处理世界各地其它历史档案库当中数不胜数的其它记录文件。

多年以来,人们一直在使用OCR技术扫描书籍及其它印刷文档,但其并不适合秘密档案中的素材。传统OCR技术通过查找字母间的空格将单词分解成一系列字母图像,而后将各个字母图像与记忆中的字母库进行比较。在确定与图像内容最匹配的字母之后,软件会将该字母转译为计算机代码(ASCII码),从而创建可搜索文本。

然而,这一过程只适用于经过严格排版的文字。其在处理一切手写内容时都表现得相当糟糕,而梵蒂冈秘密档案馆中的绝大多数文件皆以手写卷宗形式存在。下图所示即为其中一例——十二世纪早期使用卡罗琳小写字母的文本,看起来像是书法加艺术体的混合产物:

人工智能:破解梵蒂冈神秘卷宗之谜

从上例中可以看到,其中最大的问题是字母之间缺少间隔空间(即脏分割)。OCR无法知晓单词从哪个字母开始、又到哪个字母截止,因此其不能分辨具体的字母数量。这就造成了计算层面的僵局,亦被称为塞尔悖论:OCR罗技需要在识别之前将单词分割成独立的字母,但在字母彼此相连的手写文本当中,软件需要首先识别字母才能完成分割——死循环。

一部分计算机科学家试图开发出能够识别整体单词——而非字母——的OCR软件以解决这个难题。其在技术层面确实具有可行性,因为计算机并不“关心”其分析的是单词还是字母。但让这类系统实现正常运转却非常困难,因为其需要庞大的记忆库。这些系统需要识别的不再是数十个字母,而是成千上万个常用单词的图像。这意味着需要大量具有中世纪拉丁文专业知识的学者通过旧文件整理出各个单词的图像,且每一单词至少需要数张图片方可解释手写变形或者由照明条件改变引发的其它变化。很明显,这是一项艰巨的任务。

在Codice Ratio项目中,一种新的手写OCR方法成功解决了上述问题。该项目背后的四位主要科学家——罗马第三大学的Paolo Merialdo、Donatella Firmani、Elena Nieddu以及来自梵蒂冈秘密档案馆的Marco Maiorino希望利用拼图分割方法解决塞尔悖论。正如该团队在最近的一篇论文中所阐述,其处理流程不会将单词拆分成字母,而是将其理解为一种单笔笔划。此OCR会将每个单词划分为一系列垂直与水平的条带,再寻找其中的局部最小值(即墨迹较小或像素较少的部分)以完成分割。在此之后,该软件会进一步进行字母绘制,并最终生成以下一系列拼图碎片:

人工智能:破解梵蒂冈神秘卷宗之谜