《大话文渊慧典》：外三篇-欧洲用AI重建古罗马，我们还在为竖排发愁：差距与底气都在哪里？

——小菜：“大胖老师，我昨天刷到一个新闻，说欧洲用AI把整个古罗马城都重建出来了，连哪条街上有几家面包房都一清二楚。再看看咱们，还在纠结一页古籍能不能认全。这差距是不是有点大？”

——二黑推了推眼镜，从手机里翻出一篇论文摘要：“你说的是‘欧洲时间机器’项目。他们用深度学习分析古罗马的建筑遗迹、铭文、地图，重建了公元四世纪罗马城的三维模型。预算两亿欧元，干了快十年。”

——大胖老师端起保温杯，吹了吹热气：“两亿欧元，十年。咱们的预算呢？零。干了多久？三年。团队呢？仨人加一群贴膏药的研究生。你拿这个跟人家比，就好比拿三轮车比高铁——不是不能比，是比的维度不对。” ——小菜不服气：“但人家确实牛啊。咱们就不能也搞点高大上的？”

——二黑合上手机：“高大上的背后是什么？是人家花了二十年把古籍OCR的基础问题先解决了，才有余力去搞三维重建、知识图谱。我们呢？连竖排都还没搞利索。这不是谁聪明谁笨的问题，是发展阶段不同。但要说底气，我们也有——而且是欧洲人羡慕不来的那种。”

一、欧洲的“天花板”：标准、联盟与千年古城

大胖老师在白板上贴了一张欧洲地图，上面标注了“Europeana”“时间机器”“大英图书馆”等项目的位置。

“欧洲在古籍数字化上，强在三个字：标准化。他们搞了一套元数据规范——Dublin Core、METS、ALTO——精细到每一页、每一行、每一个字的坐标都能结构化存储。全欧洲几千家图书馆和文化机构用同一套标准描述数字资源，跨库检索丝般顺滑。这是他们最厉害的地方。”

“时间机器项目更是雄心勃勃，”二黑调出一段项目介绍，“不仅扫描古籍，还用AI把古地图和历史文献里的地名、建筑、人物关系自动抽取出来，构建一个跨越千年的欧洲历史地理信息系统。他们现在能在数字世界里重建古罗马城、中世纪威尼斯、文艺复兴时期的佛罗伦萨。点一下某个建筑，能跳出所有相关文献记载。这种知识图谱级别的东西，我们的确还做不到。”

小菜听得眼睛发直：“这不就是咱们的终极梦想吗？”

大胖老师点头：“是。但你要看清楚他们为什么能做到。第一，拉丁字母的OCR技术已经成熟了几十年，他们不用为‘竖排横排’‘己和已’这种问题发愁。第二，欧洲各国的古籍数字化起步比我们早了至少二十年，数据积累雄厚。第三，他们有欧盟层面的持续资金支持——不是一次性项目经费，而是列入长期预算的基础设施投资。”

“但我们也有他们眼红的东西。”二黑话锋一转，“我去年在一个国际会议上，听一位德国教授抱怨：他们想训练一个中世纪拉丁文手稿的OCR模型，但公开的标注数据只有几千页，而且分散在十几个国家，版权和隐私限制让数据整合几乎不可能。他听说我们有五千页金标古籍数据、而且愿意全部开源时，眼珠子都快瞪出来了。他说了一句话我至今记得：‘你们中国人，是真的愿意把好东西拿出来共享。’”

二、我们的差距：不是技术，是“时间债”

大胖老师在白板上画了一条时间轴，从2000年延伸到2026年。

“说回差距。欧洲和美国大规模启动古籍数字化是在2000年左右。谷歌图书计划2004年开始，哈佛燕京从2000年就批量扫描馆藏。我们呢？国图大规模扫描是2012年以后的事。这中间的十几二十年，人家不仅积累了海量的扫描数据，更重要的是积累了一整套工作流——怎么扫描、怎么元数据著录、怎么质量检查、怎么上网发布。我们到2020年还在争论‘要不要做OCR’，人家已经在做知识图谱了。”

“这就是‘时间债’。”二黑补充，“就像两个人跑步，人家提前跑了二十分钟，你后面跑得再快，也不可能马上追上。而且时间债不仅是时间差，还包括：人才培养滞后——既懂古籍又懂深度学习的人，全中国可能不超过三位数；标准建设滞后——我们直到近几年才推出古籍数字化元数据国家标准；经费结构失衡——钱大多花在扫描硬件上，投给OCR技术研发的很少。”

小菜有点沮丧：“那咱们岂不是永远追不上？”

大胖老师摇头：“追不上，不代表不能另辟蹊径。移动支付我们没走信用卡阶段，直接跳到扫码支付，现在全球领先。古籍OCR，我们也有机会走一条不同的路——不是砸钱，不是封闭，不是手工作坊，而是用开源协作的方式，用最轻量的技术栈，覆盖最广大的基层需求。”

三、我们的底气：数据、场景、开源社区

二黑站起来，在白板的另一侧写下了三个词：数据、场景、社区。

“先说数据。”他打开一张图表，“中国大陆现存古籍约三千万册。这是什么概念？哈佛燕京号称北美最大的东亚图书馆，中文古籍也就六十万册。整个欧洲的中文古籍加起来，可能还不如我们一个省馆。我们的数据资源是全世界任何国家都比不了的。虽然目前标注数据还不多，但数据源天然是我们的。只要标注工具和激励机制跟上来，我们在数据规模上碾压全球只是时间问题。”

“再说场景。”大胖老师接过话，“从国图到县馆，从学者到民间爱好者，中国对古籍数字化的需求是全世界最旺盛、最多元的。欧洲一个数字人文项目可能只需要满足几百个学者的学术需求，我们要满足的是几千万普通读者、几十万研究者、几千家图书馆。这种海量场景的驱动，会倒逼我们做出更实用、更普惠的技术。”

“第三个是社区。”二黑打开GitHub页面，“PaddleOCR在GitHub上的Star数已经超过了绝大多数国际OCR开源项目，中文模型的能力全球领先。虽然针对古籍的优化还有待提升，但基础模型的迭代速度是全世界最快的。更重要的是，中国的开源社区有一种独特的活力——民间开发者愿意为‘没用但有趣’的事情花时间。那个用PaddleOCR做家谱识别的深圳程序员，那个用Tesseract硬怼竖排的大学新生，那些在‘吾与点’平台上义务校对的大爷大妈——这种自下而上的热情，是比算力和经费更宝贵的资源。”

四、一张表说清楚：差距与底气

大胖老师画了一张对比表，投在屏幕上：

“看懂了没？”大胖老师敲着表格，“表面上看我们落后一大截，但换个角度看，我们的优势全在‘规模’二字——数据规模、需求规模、社区规模。这些规模优势一旦被激活，产生的加速度是任何先发国家都比不了的。”

五、殊途同归：欧洲重建古罗马，我们重建古中国

二黑忽然想起什么，调出一张图片——那是“时间机器”项目的三维重建截图，古罗马斗兽场和元老院的数字模型栩栩如生。

“其实欧洲重建古罗马，和我们用OCR识别古籍，本质上是同一件事——把散落在故纸堆里的文明碎片，拼回原来的样子。只是他们拼的是建筑和街道，我们拼的是文字和句子。他们用三维建模和知识图谱，我们用版面分析和文字识别。工具不同，目标一致。”

大胖老师点头：“而且，他们的古罗马重建之所以能做得那么漂亮，前提是把拉丁文古籍的OCR问题先解决了。没有准确的文本识别，那些古地图上的地名、建筑名、历史事件就提取不出来。我们也是——不把竖排繁体搞定，后面的知识图谱、三维重建就无从谈起。我们现在做的事，是铺路。路铺好了，以后的‘数字重建古长安’‘数字复原宋代苏州’，就是水到渠成。”

小菜若有所思：“所以，我们不是在为竖排发愁，而是在为以后的‘数字复原中华文明’打地基？”

“对。”二黑推了推眼镜，“而且我们的地基，必须比欧洲的更宽、更厚、更能承重。因为中华文明的时间跨度和空间广度，比古罗马大得多。他们重建一个城邦，我们要重建一个天下。这不是自卑的理由，这是终极的野心。”

六、尾声：差距是刻度，不是判决书

文章快结束时，大胖老师分享了一件最近的事。

“上周我接待了一个从法国来的访问学者。她研究的是敦煌文献，特别羡慕我们能直接到敦煌去看原件。她说，你们有那么多的古籍，那么完整的文明记录，简直是数字人文研究者的天堂。我当时就想，对，我们有全世界最丰富的历史文献遗产，这不是我们的负担，是我们的矿藏。现在矿藏还埋在地下，但已经有人在打井了。”

他在白板上写了最后一句话：

“差距不是判决书，是刻度。它告诉你现在站在哪里，不是决定你最终能走到哪里。”

二黑补充：“欧洲用AI重建古罗马，我们还在为竖排发愁。但没关系。他们用了二十年，我们可以用十年。他们花了两亿欧元，我们可以用开源社区的力量做到同等量级。他们的优势是早，我们的优势是多。多到如果我们做成了，将是对全世界文明的贡献。”

窗外，夕阳正好。小菜在笔记本上写道：“欧洲有重建罗马的雄心，我们有重现汉唐的底气。差距不是墙，是路。我们在路上。”他给这篇笔记配了一个标题，就叫《差距与底气》。

大胖老师的保温杯里，今天泡的是王姐刚寄来的新茶。他喝了一口，忽然说：“二黑，下一期，咱们聊聊那些年我们花过的冤枉钱吧。踩过的坑，不给后来人看清楚，等于白踩了。”

二黑从抽屉里掏出那本《文渊慧典填坑日志》：“已经整理好了，随时可以讲。”

窗外，图书馆的灯次第亮起。实验室的白板上，那张对比表旁边，又多了一张“全球古籍数字化起步时间图”。小菜在图下写了一行小字：早行的有早行的风景，晚到的有晚到的从容。只要在路上，就永远不晚。

本文为注水技术版，您看看即可，不必当真，写此文字就是图一乐：-）