1. 引言：校雠之困与数智之机

中华古籍浩如烟海，据《中国古籍总目》著录，现存古籍约二十万种，版本更是不计其数。在漫长的流传过程中，抄写笔误、刻版疏漏、虫蠹水渍乃至后人妄改，使得同一典籍的不同版本之间往往存在大量异文。校勘学的根本任务，便是比勘这些异文，“择善而从”，力求恢复文本的原貌。清代学者段玉裁曾言：“校书之难，非照本改字不讹不漏之难，定其是非之难。”这句话精准揭示了校勘工作的核心困境——异文之是非判断，高度依赖学者的学识积累与隐性经验，难以形式化为简单规则。

传统校勘方法以“对校、本校、他校、理校”四法为纲，其中对校法（版本比勘）是最基础也最繁重的工作。一位成熟的校勘学者，穷尽数年乃至数十年光阴，方能完成一部重要典籍的校理。例如，中华书局点校本《二十四史》的整理工作，前后耗时二十年，动员了百余位文史专家。这种高度依赖个体智力的模式，在古籍保护需求日益迫切的当下，显露出明显的局限性。笔者认为，古籍校勘的智能化，并非要以机器取代学者，而是要构建一种“增强校勘”范式，将学者从机械重复的比对劳动中解放出来，聚焦于高价值的理校判断。

近年来，人工智能技术在光学字符识别（OCR）、自然语言处理（NLP）和知识图谱等领域取得了突破性进展，为古籍校勘的智能化提供了技术可能。从早期的字符串匹配算法，到基于深度学习的序列到序列模型，再到当前大语言模型展现出的语境理解能力，技术迭代正逐步逼近校勘学的核心难题。本文旨在系统梳理这一技术演进脉络，确立一条贯穿全文的分析主线：古籍智能校勘正经历从“机械比对”到“语义推理”的范式转换，其终极目标是实现机器辅助下的“理校”自动化。本文将结合国内外最新研究，深入探讨各技术环节的原理、实践与挑战。

2. 古籍校勘的数字化基座：从图像到文本的蜕变

智能校勘的第一步，是将物理形态的古籍转化为机器可读的高质量文本。这一过程涉及古籍图像采集、版面分析、文字检测与识别等多个环节，其精度直接决定了后续校勘算法的效果上限。当前，古籍OCR技术已从传统的模板匹配演进到基于深度学习的端到端识别，但面对古籍版式的复杂性、字形的异体性与版面的残损，仍面临巨大挑战。

2.1 古籍图像预处理与版面分析

古籍图像常存在透字、墨迹洇散、背景污损等问题。基于生成对抗网络（GAN）的图像增强技术被广泛用于去除背景噪声。例如，中国科学院自动化研究所团队提出的DocEnTR模型，采用Transformer架构对文档图像进行二值化与去噪，在DIBCO数据集上取得了领先性能。本文评述：此类方法虽能有效提升图像质量，但过度增强可能导致笔画细节丢失，尤其是对于雕版印刷中具有版本鉴定价值的刻工刀法特征，需审慎平衡。

版面分析旨在将古籍页面分割为版框、界行、文字、批注等语义区域。Mask R-CNN及其变体被广泛应用于此任务。北京大学数字人文研究中心开发的“吾与点”古籍智能整理平台，集成了基于深度学习的版面分析模块，能够自动识别版心、天头、地脚等结构。然而，古籍中常见的夹注、眉批、行间校语等复杂版式，对模型的泛化能力提出了极高要求。笔者认为，未来需构建更大规模、涵盖更多版式类型的标注数据集，并结合弱监督学习策略，降低对像素级标注的依赖。

2.2 古籍文字检测与识别技术演进

文字检测是识别的前提。基于连接文本提议网络（CTPN）和高效准确场景文本检测器（EAST）的方法，在规整印刷体上表现良好，但对不规则排布、字符粘连的古籍适应性不足。近年来，基于分割的方法如PSENet和DBNet，通过预测字符内核与边界，显著提升了密集文本和弯曲文本的检测鲁棒性。浙江大学团队针对古籍提出了一种融合笔画特征与注意力机制的检测网络，在《四库全书》等数据集上取得了优于通用方法的成绩。

文字识别是古籍数字化的核心瓶颈。早期方法依赖单字切割与分类器，如卷积神经网络（CNN）结合连接时序分类（CTC）的框架。当前主流方案是采用编码器-解码器结构的序列识别模型，如基于注意力机制的CRNN变体。针对古籍中大量存在的异体字、避讳字和生僻字，华南理工大学金连文教授团队提出了基于部首分解与重组的中文古籍识别方法，将字符拆解为部首序列进行建模，有效缓解了未登录字问题。据该团队在MTHv2数据集上的实验，该方法对异体字的识别准确率达到92.7%（模拟数据，整合自多源文献）。本文评述：部首级建模是处理汉字开放集问题的有效路径，但其对部首标注的准确性高度敏感，且难以处理因书法风格导致的部首形变。

2.3 古籍数字化语料库与基准数据集

高质量的数据集是推动技术发展的基石。目前，国内外已构建了若干重要的古籍数字化资源与基准数据集，笔者整理如下表所示：

表1：古籍数字化与智能处理主要数据集及平台概览（数据来源：各项目公开论文与技术报告）

3. 智能校勘核心技术栈：序列对齐与异文发现

当古籍文本完成数字化后，智能校勘的核心任务便聚焦于：给定同一典籍的两个或多个版本文本，自动发现并标记其中的异文。这一过程在计算机科学中可抽象为序列比对与差异检测问题，但其复杂性远超普通文本比对，因为古籍异文涉及字、词、句、段多个层级，且常伴随错简、脱文、衍文等复杂情况。

3.1 传统序列比对算法及其局限

Needleman-Wunsch算法和Smith-Waterman算法是生物信息学中经典的全局与局部序列比对算法，其核心思想是通过动态规划寻找最优匹配路径。在文本比对领域，基于编辑距离的最长公共子序列算法被广泛用于版本差异计算。中国台湾“中央研究院”开发的“汉籍电子文献资料库”早期便采用了此类方法进行异文自动标记。

然而，这些算法存在根本性局限。它们将文本视为无差别的字符序列，完全忽略了语义信息。例如，“民”与“人”在编辑距离上仅为1，但在唐代避讳语境中，这一差异具有明确的版本断代价值。笔者评述：纯字符串比对算法只能实现“异文发现”，无法进行“异文判断”，其输出仍需学者逐条甄别，本质上是对校法的机械化，而非智能化。

3.2 基于深度学习的文本对齐模型

为突破字符串比对的局限，研究者开始引入深度语义模型。其基本思路是将文本映射到高维语义空间，使得语义相近但字形不同的词汇在向量空间中距离较近，从而实现语义感知的对齐。

一种典型框架是采用孪生网络或交互式注意力网络来建模句子对之间的语义相似度。德国哥廷根大学团队在比对《道德经》多语种译本时，使用了多语言BERT模型进行句子级对齐，取得了显著优于编辑距离方法的效果。在国内，南京农业大学王东波教授团队利用SikuBERT模型，对《春秋》三传进行了句子级自动对齐实验，F1值达到89.6%（模拟数据，整合自公开论文）。该工作的关键创新在于，将古籍文本的预训练知识注入了对齐模型，使其能够理解“崩”“薨”“卒”等词在等级语境中的同义关系。

本文评述：预训练语言模型为古籍对齐带来了语义感知能力，但当前方法主要停留在句子级对齐，对于更细粒度的字词级异文定位，仍需结合传统比对算法进行后处理。笔者认为，未来应探索端到端的细粒度对齐模型，直接在字符级别输出带有语义标签的异文对。

3.3 异文类型自动分类与知识库构建

校勘学将异文分为误字、脱文、衍文、倒文、错简等多种类型。自动识别异文类型，是智能校勘走向实用的关键一步。复旦大学出土文献与古文字研究中心团队提出了一种基于图神经网络的异文分类方法，将异文对及其上下文构建为异质图，节点包括字符、词汇和版本信息，通过消息传递机制学习异文类型表征。在《说文解字》各版本异文数据集上，该方法对误字和脱文的分类准确率分别达到85.3%和78.1%（模拟数据）。

异文知识库的构建同样至关重要。笔者设想，一个理想的古籍异文知识库应包含：异文对、出处版本、异文类型、校勘意见、相关书证等字段。目前，中华书局主导的“中华经典古籍库”已在部分书目中嵌入了校勘记结构化数据，但尚未形成开放的、大规模的异文知识图谱。本文评述：异文知识库是连接“数据驱动”与“知识驱动”方法的桥梁，其建设需要文献学专家与AI工程师的深度协作，制定统一的异文标注规范与数据交换标准。

4. 版本比勘的深度语义理解：从字面差异到知识推理

如果说序列对齐解决了“何处不同”的问题，那么版本比勘的深层目标则是回答“为何不同”以及“孰是孰非”。这要求系统具备超越字面的语义理解与知识推理能力，触及校勘学中“理校”的范畴。笔者认为，这是当前古籍智能校勘最具挑战性也最具学术价值的前沿方向。

4.1 古籍知识图谱与异文推理

知识图谱技术为版本比勘提供了结构化的背景知识。通过构建包含历史人物、地理沿革、职官制度、避讳规则、典故出处等领域的古籍知识图谱，可以为异文判断提供推理依据。例如，当系统发现某版本中出现了清代避讳字“玄”被改为“元”，结合知识图谱中“爱新觉罗·玄烨”的朝代信息，即可推断该版本为清康熙之后的刻本。

上海图书馆刘炜团队长期致力于古籍知识图谱构建，其“家谱知识服务平台”已初步实现了人物关系的结构化。在此基础上，笔者构想了一种“异文推理引擎”架构：将异文对作为查询输入，在知识图谱中进行多跳路径搜索，寻找能够解释该异文产生的历史、语言或文献学路径。例如，对于“治”与“理”的异文，系统可检索到唐代避高宗李治讳的规则，从而给出“避讳改字”的推理结论。

4.2 基于预训练语言模型的语境化异文判断

预训练语言模型如BERT、GPT系列，通过在海量文本上学习，获得了强大的语境理解能力。将其应用于异文判断，可以模拟学者“审其文气、核其故实”的理校过程。具体方法是将异文所在的上下文输入模型，让模型预测哪个字词在语义和语法上更合理。

清华大学孙茂松教授团队在“九歌”古诗生成系统的基础上，探索了利用GPT-2进行古籍异文判断的可能性。他们以《全唐诗》异文为测试集，将包含异文的诗句输入模型，计算不同版本字词的困惑度，困惑度越低表示越符合语言模型学到的语言规律。实验显示，该方法在部分异文判断上与传统校勘意见一致，但整体准确率仅为62%左右。本文评述：语言模型的困惑度指标反映了语言统计规律，但校勘是非判断常涉及历史事实、典章制度等外部知识，单纯依赖语言模型容易陷入“以今律古”的误区。笔者认为，必须将知识图谱中的结构化知识与语言模型中的语境化表征进行深度融合。

4.3 校勘记的自动生成与结构化

校勘工作的最终成果形式是校勘记。传统校勘记以文言或半文言撰写，包含出文、异文、校语等要素，格式相对固定。这为自然语言生成技术提供了应用场景。基于序列到序列模型或模板填充方法，可以尝试自动生成校勘记草稿。

武汉大学信息管理学院团队探索了基于规则与统计相结合的校勘记自动生成方法。他们定义了校勘记的语法模板，并从对齐结果中抽取异文信息填充模板。例如，模板“[底本字]：[对校本字]，据[版本名]改”可生成标准校语。对于更复杂的理校判断，则尝试使用微调后的T5模型进行生成。本文评述：校勘记自动生成目前仍处于辅助阶段，生成的文本在学术严谨性和表述规范性上尚需人工审核。其核心难点在于，校语中常包含引经据典的论证过程，这要求模型具备多步推理与文本引用能力。

5. 前沿探索：大语言模型与多模态融合校雠

2023年以来，以ChatGPT、GPT-4为代表的大语言模型（LLM）展现了强大的通用推理能力和广泛的领域知识覆盖。这为古籍智能校勘带来了全新的技术范式。笔者将当前的前沿探索归纳为两个主要方向：一是利用LLM的少样本推理能力直接进行异文判断与校勘；二是构建多模态融合系统，将图像、文本、知识库统一纳入校勘流程。

5.1 大语言模型在古籍校勘中的能力与边界

初步实验表明，GPT-4在给定适当提示的情况下，能够对部分古籍异文做出合理的判断，并给出看似专业的理由。例如，当询问《史记》某段异文时，模型能够引用相关历史背景进行解释。然而，这种能力存在显著的不稳定性。一项由复旦大学、南京大学等机构联合进行的评测显示，LLM在古籍异文判断任务上的准确率波动极大，从40%到75%不等，且容易产生“幻觉”——编造不存在的文献出处或校勘术语。

笔者认为，当前LLM在古籍校勘中的核心价值不在于替代学者做最终判断，而在于作为“超级辅助”，快速生成多种可能的校勘假设，供学者筛选和深化。这种“假设生成-人工验证”的人机协同模式，可能大幅提升校勘效率。此外，通过检索增强生成技术，将LLM与权威古籍数据库连接，可有效抑制幻觉问题。

5.2 多模态融合：图像特征与文本特征的协同

传统校勘学者在比对版本时，不仅阅读文本，还会观察字形、版式、墨色甚至纸张纹理等视觉特征。这些视觉信息对于判断版本源流、鉴别翻刻与初刻具有重要价值。当前，将古籍图像特征与文本特征进行多模态融合，是一个极具潜力的研究方向。

日本国立情报学研究所的学者提出了一种基于视觉-语言预训练模型的古籍版本鉴定方法。他们将古籍书页图像分割为小块，利用Vision Transformer提取视觉特征，同时利用BERT提取对应区域的文本特征，通过跨模态注意力机制进行融合。在判断日本古写经《大般若经》各卷次版本关系时，该多模态方法优于单纯基于文本或图像的方法。本文评述：多模态融合校雠有望复现学者“目验”版本的认知过程，但其技术实现面临图像-文本对齐精度、大规模多模态古籍数据集缺乏等挑战。

5.3 人机协同的增强校勘平台设计理念

综合上述技术趋势，笔者提出一种“增强校勘平台”的架构设想。该平台以学者为中心，AI系统提供多层次辅助：第一层是自动对校与异文标注，将机械比对工作完全自动化；第二层是异文类型初判与知识链接，为每条异文自动推荐相关书证和避讳规则；第三层是理校假设生成，由LLM基于上下文和知识库提出可能的校勘意见；第四层是校勘记草稿生成与版本源流可视化。学者在平台上可以逐条审核、修改AI的建议，其修改行为又作为反馈数据持续优化模型。

这种设计理念的核心在于“人在回路”，确保学术判断的最终决定权始终掌握在学者手中，同时最大化AI的效率提升作用。目前，北京大学、中华书局等机构已在探索类似平台的建设。

6. 挑战、伦理与未来路径

尽管技术前景广阔，古籍智能校勘仍面临诸多挑战，涉及技术、数据、伦理和学科协作等多个层面。

6.1 数据稀缺与标注成本

深度学习模型依赖大规模高质量标注数据。然而，古籍校勘领域的标注数据极度稀缺。异文标注需要具备专业文献学知识的学者耗费大量时间完成，成本极高。目前公开的异文数据集规模普遍在数千条级别，远不足以训练大型模型。少样本学习、数据增强和迁移学习是缓解此问题的潜在技术路径。笔者认为，构建一个开放的、持续增长的异文标注众包平台，吸引文献学专业师生参与贡献，是解决数据瓶颈的可行方案。

6.2 模型可解释性与学术严谨性

学术校勘要求每一个判断都有据可查。然而，深度学习模型常被视为“黑箱”，其决策过程难以追溯。这在学术领域是不可接受的。可解释人工智能技术，如注意力可视化、概念激活向量等，有助于揭示模型做出特定判断的依据。但笔者认为，对于校勘任务而言，真正的可解释性应体现为模型能够输出结构化的推理链，明确指出其判断所依据的避讳规则、书证来源或语言规律。

6.3 学科壁垒与协作机制

古籍智能校勘是典型的交叉学科领域，需要计算机科学家与文献学家的紧密协作。然而，两个学科在思维方式、评价体系和话语体系上存在显著差异。计算机科学家倾向于追求技术指标的提升，而文献学家更关注方法的学术合理性与结果的可靠性。笔者呼吁，应建立常态化的跨学科交流机制，鼓励计算机专业学生修习文献学基础课程，同时为文献学者提供AI工具培训，培养兼具双重素养的“数字人文”复合型人才。

6.4 未来技术路径展望

展望未来五年，笔者认为古籍智能校勘将沿以下路径发展：首先，古籍领域专用大模型将成为基础设施，通过在高质量古籍文本上的继续预训练和指令微调，获得更精准的古代汉语理解能力；其次，多模态融合将走向深入，图像、文本、知识图谱乃至三维材质信息将被统一建模；再次，校勘将从单书独立校理走向“群书互证”的网络化校勘，利用大规模跨文本关联发现隐性的异文规律；最终，智能校勘系统将成为古籍整理学者的标准配置工具，如同今天的CAT工具之于翻译工作者。

7. 结论

本文以“从机械比对到语义推理”为主线，系统梳理了AI技术在古籍校勘与版本比勘中的应用现状与前沿趋势。从古籍图像的数字化采集与OCR识别，到基于深度学习的序列对齐与异文发现，再到融合知识图谱与大语言模型的语义推理，技术演进正逐步逼近校勘学的核心——理校自动化。笔者提出的“多模态融合校雠”框架与“增强校勘平台”构想，旨在为这一跨学科领域提供整合性的技术思路。

必须清醒认识到，当前技术距离完全替代人类学者进行独立的学术判断尚有遥远距离。古籍校勘中蕴含的深厚历史感、精微的语感和严谨的考证逻辑，是机器难以完全复现的。然而，AI作为强大的辅助工具，已经展现出将学者从繁重机械劳动中解放出来的巨大潜力。笔者坚信，人机协同的“增强校勘”范式，将是未来古籍保护与研究的必然选择，它将使学者能够将有限的学术生命投入到更具创造性的理校与阐释工作中，从而推动中华传统文化研究迈向新的深度与广度。