“史在他邦，文归海外。”
每谈及那些离家百年、去国万里的中华古籍，郑振铎先生总是不胜慨叹。
近代以来，大批古籍流散海外，不少珍本、善本、孤本为国内罕见。
所幸，在海内外有识之士的携手努力下，大批海外中文古籍，正迎来“数字化回归”的浪潮。
5月18日，汉典重光古籍平台上线，一批珍藏于加州大学伯克利分校的中文古籍善本，以数字化方式正式回家。
这其中，有多套珍贵的宋版书籍，如宋刻本《後村居士集》、北宋《金粟山大藏经》写本、苏轼文集残页，此外还有清文澜阁四库全书本《宋百家诗存四十卷》、清末第一批近代思想家王韬的稿本《瀛壖杂志》等。
借助阿里达摩院AI技术，汉典重光以准确率达到97.5%的古籍识别系统，将20万页古籍从扫描图片变成在线文本，还沉淀下覆盖3万多字的在线古籍字典。
从寻觅、修复、储存，再到如今的数字化、公共化，海外回归的中国古籍背后，是一代代中国人为延续民族文化香火所做的努力。
文澜阁《四库全书》毁失过半 自古以来，卷帙浩繁，难避水火兵虫，最典型的例子，就是《四库全书》。
《四库全书》，编纂于乾隆年间，动用了3800名文人墨客，耗时近15年，共包含3461种书、7.9万卷、3.6万册，总字数接近8亿。
为妥善收藏保存《四库全书》，乾隆下令在中国南北分建七座藏书阁，“北四阁”和“南三阁”规制相当。
位于杭州西湖孤山的文澜阁
历经十年，藏于紫禁城文渊阁的《四库全书》率先告成，全书抄成3万6千册，约计229万页，7亿7千万字。
其中，经、史、子、集四部书籍，分别用绿、红、白、黑色的绢帛作封面，还选用珍贵楠木制函套，便于长期保存。
乾隆的这套方案，当时看来几乎可保万无一失，可随着清朝统治由盛转衰，列强入侵，战乱频繁，七阁《四库全书》躲过了“水”与“虫”，却逃不过“兵”与“火”。
咸丰三年（公元1853年），太平军攻入镇江、扬州，文宗阁和文汇阁遭焚毁，阁中珍藏的《四库全书》均付之一炬。
清文澜阁《四库全书》零本
最终，内廷四阁的《四库全书》幸存三部，江浙三阁的仅存半部，不过百年，毁失过半。
据传，杭州藏书家丁申、丁丙兄弟在避难之余，发现包子的包装纸，竟是文澜阁本《四库全书》书页，立即捡拾、搜寻。
丁氏兄弟最终寻回8000多册，约占《四库全书》原有数量的四分之一。
四库全书杭州文澜阁本（复制品）
光绪七年（公元1881年），文澜阁重建，丁氏兄弟又着手补抄书籍。
再过了近百年，清代曹庭栋辑纂的《宋百家诗存》，出现在了美国加州大学伯克利分校东亚图书馆内。
印着乾隆印章的《宋百家诗存》
这正是文澜阁本《四库全书》丢失的诗集之一。
通过现有资料可知，民国时期的浙江嘉业堂，曾收集过部分遗散藏书，后被带去日本三井文库，最终存于加州大学伯克利分校。
至于残存古籍流转所经历的种种，已无处可寻。
古籍回归困难重重 去年，法国一次拍卖会上，两册国宝文物《永乐大典》以5000欧元起拍，最终由中国收藏家以640万欧元天价拍下。
《永乐大典》真迹回归故土，但大部分散落海外的文物古籍，集中藏于各地图书馆、博物馆，鲜见流通市场。
据不完全估计，近代散居海外的中国古籍超过40万部、400万册，包括甲骨简牍、敦煌遗书、宋元善本、明清精椠、拓本舆图、少数民族文献等等。
中国古籍流入他国，曾令郑振铎忧心忡忡，“将来研究国故朝章者，非赴国外留学不可。”
原藏于伯克利大学东亚图书馆的苏轼著《苏文忠公文集》
确实，加州大学伯克利分校东亚图书馆，如今每年要接待大批学者，他们不远万里，舟车劳顿，只为来此查阅古籍善本和特藏资源。
2019年，馆长周欣平见到一批来自中国的特殊客人，包括四川大学教授陈力、王果和阿里的同学，他们提出要将中文古籍善本数字化，双方一拍即合。
陈力、王果和阿里的同学讨论古文字识别中的技术问题
但这是一项很有难度的挑战。
在古籍数字化领域，业界一直没有现成的算法或方案。
在海外，谷歌的Google Books，是较为早期的古籍识别项目，但识别对象是英文古籍，并不适用于汉籍。
在国内，20世纪80年代起，文渊阁《四库全书》先后有三家企业进行过影像数字化，一家完成影像、全文文本的数字化，但由于各种原因都未能面世。
达摩院的扫地僧们，也是在正式接手这项任务后，才意识到AI古籍识别能力的挑战性有多大。
理科生用技术“延续”文化香火 在阿里内部，OCR（光学字符识别）技术团队是底蕴最为深厚的AI团队之一，常年深耕于文字图像领域。
不料，OCR技术一度也搞不定古籍。
最直观的原因是，OCR识别现代印刷品是认行（行识别），但要识别古籍必须认得每个字（单字检测）。
现代常用汉字只有6000多个，算法基本能覆盖到2万字内，但由于写法多样，古籍文字多达几十万。
“这个项目光靠技术不行。” 项目算法负责人何梦超说，“最大的问题是我们算法人员不了解古籍，甚至很多字都不认识。”
鲁迅笔下的孔乙己，就说过茴香豆的茴字有四种写法，可陈力教授认为，在古籍中，茴字写法其实远不止四种。
加之，人工抄录的古书千人千面，雕版印刷古籍还有季节、气候、地点等变量。同时，古书年代久远，纸张破损、污渍在所难免，AI识别更为困难。
为了开发出一套AI古籍识别系统，达摩院的技术大牛和川大的研究学者，纷纷恶补对方的知识领域。
一方研究历史知识，一方学习AI技术，大家取长补短。
不到10人的达摩院项目算法团队，花费两年时间，最终利用单字检测、无监督单字聚类、小样本学习、主动学习等机器学习方法，开发出了一套边识别古籍、边训练模型的系统。
单字检测，就是给全书做检测，抠出古籍正文中的每个字，单独成为一张图。
下一步是聚类，让机器自动把字形笔划一致的字，归为一类，再由人工标注。
10万字的古书，“聚类”一下，人工只需标注几千字。
古籍里的异体字、生僻字，就让机器自动生成样本，确保单字样本量达到10个，即可得到少样本识别模型。
从聚类到打标，再到少样本模型，一轮迭代后，可正确完成全书70%左右的文字，剩下30%再用来做第二轮迭代。
随着模型不断优化迭代，目前，汉典重光古籍识别系统对20万页古籍的整体识别准确率已达到97.5%，剩下有2.5%的字，仍需人工识别打标。
这已是非常了不起的成就。
以一本100万字的古籍为例，如全靠专家录入，每人1000字/天，需要1000天。用上这套古籍识别系统，只需要35天时间，效率提升了近30倍。
目前，汉典重光研发的古籍识别系统已能对上百本古籍作批量识别。
古籍“回归”意义非凡 “在技术研发过程中，难度比之前预想的还要大。”王果教授说，这两年多很难，但从未有人试图放弃。
在国家图书馆副馆长张志清看来，古籍是中华文明的“魂器”。
从古自今，我国就有整理古籍、文献和修史的传统。
在“十四五”规划和国家中长期发展规划中，古籍的保护、整理、研究、利用，也得到了高度重视。
古籍数字化，能为学术研究按下快捷键。
例如颇有争议的《红楼梦》后四十回，一直被认为并非曹雪芹所著，可是后来就有学者利用大数据技术，通过分析全书字频词频、语言习惯，认定大部分是由曹雪芹本人所写。
阿里正计划，将这套技术工具连同古籍数字化平台一并捐赠，交由权威公共机构长期运营，最终将成为一个开放的网络平台，供大众检索学习。
这意味着，研究人员、学者足不出户，就能学习到过去难以获取的内容。
而在汉典重光平台上，所有人都能免费使用所有功能，包括古籍数字化交互式训练、古籍全文内容检索、古籍汉字字典。
过去学者皓首穷经的事，如今每个普通人都能知晓，大大降低了人们学习、阅读古籍的门槛。
“敦煌在中国，敦煌学在日本。”
这句话一度被传是日本专家藤枝晃所说，后考证是中国专家吴廷璆所言，其寓意是为了让国人重视这门当时还比较陌生的敦煌学。
现在，有了技术支持，实现数字时代的“书同文”梦，就有了主动性。
未来，阿里还将与美国、欧洲、日本、韩国等有影响力的图书馆合作，扩大古籍回归的数量，同时，继续研发古籍数字化技术，提升古籍识别系统的准确率与效率。
20万页古籍只是沧海一粟，一切刚刚开始。
随着越来越多的古籍文献数字化回归，“史在他邦，文归海外”的窘境，终将彻底成为历史。
【汉典重光】古籍数字化平台：
https://wenyuan.aliyun.com/home
文 | 王安忆