讓沉默三千年的甲骨開口：首個模仿人類專家工作流的輔助釋讀系統

新智元報道

一片龜甲或牛肩胛骨擺在案頭，裂紋穿過刻辭，幾個字還缺了筆畫。

研究者想確認其中一個生字，往往要翻檢成百上千張拓片，比對青銅器銘文、戰國文字和小篆的形體，再到古籍與現代論文里尋找用例。證據散在不同年代、不同載體和不同數據庫中，一輪查證可能持續數日。

近日，來自華中科技大學等聯合團隊推出首個模擬專家釋讀流程的人工智能系統AlphaOracle，以輔助專家完成繁雜的甲骨文破譯工作。

論文鏈接：https://doi.org/10.1016/j.xinn.2026.101462

補充材料：https://arxiv.org/abs/2607.17849

代碼網址：https://github.com/Yuliang-Liu/AlphaOracle

Demo鏈接：http://vlrlabmonkey.xyz:7685/?lan=zh

AlphaOracle先考察甲骨字形在歷史上的演變軌跡，隨后回到完整辭例和同類卜辭中，結合上下文進行檢驗，最后查閱古籍與研究文獻加以佐證，形成完整的證據鏈條。

AlphaOracle的每一步釋讀分析均附有出處、候選答案和置信度，方便專家逐條復核，提供便捷、高效且可靠的智能輔助。論文已被《The Innovation》接收。

研究背景

甲骨文把商王朝的戰爭、農事、疾病、祭祀、天象和日常決策留在了三千多年前的骨片上。已發現的甲骨碎片超過15萬片，至少包含4500個不同字形，得到較可靠釋讀的約有1500個。

余下約3000多個字像一扇尚未推開的門，門后藏著早期漢語的詞義、地名、族名，也藏著商代社會運行的細節。甲骨文的釋讀，讓三千多年前祖先的語言、觀念與社會生活重新變得清晰可見，也使中華文明綿延不絕的歷史脈絡變得生動而璀璨。

甲骨文記錄著商代社會的生活圖景，是中華民族珍貴的文化瑰寶，也是探尋中華文明源流的重要依據。

然而，甲骨文破譯與釋讀的過程困難且繁瑣。專家釋讀未破譯文字時，通常會分析文字的歷史異體形態，從海量參考語料庫中檢索語境與文本對證材料，并結合多條銘文與傳世文獻對相關假說進行驗證。這一過程既要求研究者具備廣博的知識積累與豐富的研究經驗，也需要他們長期收集、整理并反復比對大量文獻資料。

依靠專家獨立開展的相關研究雖取得諸多重要成果，但該模式耗費大量時間和人力，且相關評估過程往往依賴專家主觀判斷，高度依靠研究者個人學識，不易達成一致結論，難以規模化推進。

人工智能技術的迅速發展為輔助專家釋讀古文字帶來了全新可能。以往的研究工作通常依據甲骨文字的孤立字形預測其對應的現代漢字。

然而，這類方法基本僅依托視覺信息，很少結合文本語境用法與傳世文獻進行交叉佐證。因此，盡管部分輸出結果在字形層面看似合理，但卻缺少語言學與史料層面的論證依據，能夠給予專家的幫助十分有限。

這些挑戰表明，亟需構建能夠貫通破譯各階段、模擬專家推理過程的計算框架，并將其擴展于大規模語料分析，使相關推論建立在全面且可核查的證據基礎之上。

工作亮點

團隊提出首個完整模擬專家釋讀流程的人工智能系統AlphaOracle，將難以規模化、依賴個人經驗的古文字考釋流程，部分轉化為可復核、可重復、可協作的計算框架。

AlphaOracle整合了大規模甲骨拓片、摹本、傳世典籍和兩萬余篇相關研究，分析過程中產生的候選結果和證據來源都會被完整保留下來，最終匯集成一份可溯源和核查的輔助考釋報告，可供專家逐項檢驗和討論。

幫助學者從分散龐雜的材料中快速發現線索、匯集證據并比較不同解釋，這一技術思路讓人工智有潛力進入古文字研究的核心環節。

在86名領域專家和博士研究者參與的評估中，78.7%的參與者給予AlphaOracle較高評價，并認為其平均可節省約64%的分析時間。

研究方法

AlphaOracle沿著專家開展真實考釋的思路，將甲骨拓片解析、字形演變分析、辭例檢索與語境判斷、傳世文獻和現代研究核驗依次串聯起來。

系統先從整字演變、部件構形和跨時代字形關系中提出多個候選釋讀，再到大規模甲骨材料中考察這些候選在不同卜辭中的分布和用法，最后從古代典籍與現代學術研究中尋找進一步的支持或質疑，形成完整的證據鏈。

AlphaOracle釋讀流程：先解析拓片，再依次完成形態分析、語境對齊和文獻校驗，最終形成可供專家核查的證據報告。

第一步：拓片解析

輸入一張原始甲骨文拓片后，系統先完成字符檢測、分類和句子重建。檢測模型首先定位每個甲骨文字符，并通過一個分類器辨認已釋字，并把仍有爭議的未釋字交給后續模塊。

接著，系統把每一個字符看作節點，利用圖神經網絡并結合空間信息，同時判斷句子的起點、終點和字符之間的連接關系，再據此恢復閱讀順序。最終拓片解析模型將甲骨拓片拆分為若干個帶有閱讀順序、具備初步字符識別結果的獨立語句。

第二步：形態分析

有了清晰的單字圖像和讀序，系統開始從歷時演變與內部結構兩個方向為未釋字提出可能的若干個破譯假設。

字形演變網絡利用擴散模型模擬古代字形向后世形體的變化，并對多次生成結果進行識別和匯總；

部件演變網絡拆解甲骨字形中的構件，并將其映射為漢字的IDS序列，根據部件的組合推測對應的漢字；

歷史時期演變網絡則把甲骨文、金文、戰國文字、小篆和隸書等階段放在同一條時間線上比較相似程度。

三個專家模型各自給出候選及概率，系統按照模型的可信程度加權，判斷該字是否已有公認釋讀，再為未釋字保留多個可能的破譯答案和相應置信度。

第三步：語境對齊

形態分析給出的破譯假設還要放回語句上下文中檢驗，并從其他相關拓片中尋找相似案例。

系統先從《甲骨文合集》、《甲骨文摹本大系》和《甲骨文校釋總集》等數字化資料中依據圖像信息和文本信息檢索目標字符的全部已知用例，再用面向甲骨文訓練的掩碼語言模型分析前后搭配。

訓練時，模型學習根據已知甲骨上下文補回被遮住的字；推理時，它一方面重新排列形態模塊給出的多個候選，判斷哪個放進句子最通順，另一方面獨立提出語義候選。

語境對齊還包含一個解釋模型，經過監督微調和基于反饋的強化學習，用來匯總同一字在不同卜辭中的用法，并生成便于研究者核查的現代漢語說明。

第四步：文獻佐證

經過字形與語境篩選的破譯候選，隨后將使用傳世文獻和現代研究論文進行進一步佐證。

系統所用資料包括25部古代傳世文獻和23,755篇權威現代研究，涵蓋《說文解字》、先秦兩漢典籍以及《古文字詁林》《甲骨文詁林》《甲骨文字林》等專業著作。

檢索時，它會把異體字和近義詞一并納入查詢，同時從文字語義和字形圖像兩條途徑尋找相關材料。

不同文獻的相關程度、資料權威性、文獻類型和時代早晚都會影響證據權重，每條材料都保留書目信息和檢索理由，便于研究者追查原文。

最后生成的綜合報告依次呈現字形依據、語境用例和文獻證據，指出當前支持度最高的讀法及其可信度，也明確保留尚未解決的分歧。

總的來說，AlphaOracle會自己提出假設，并針對每一個假設收集相關證據，然后呈現給研究者。

整個過程系統只做少量必要的判斷，但并不替代專家作出最終判斷，其核心作用在于幫助研究者更高效地發現線索、核查證據和比較不同解釋，并將最終的裁決權留給研究者。

實驗結果與專家評估

甲骨文釋讀缺少公認的統一基準，因此論文把大問題拆成幾個可測任務，并從組件性能和專家使用價值兩方面評估AlphaOracle。

在字形分析實驗中，研究團隊采用「模擬未釋字」設置，將88個訓練階段從未出現的已知字類作為測試集，AlphaOracle的Top-1準確率達到23.1%。

在語境分析中，系統從殘缺卜辭中恢復被遮蔽文字的準確率為56.1%，并能以95.2%的準確率從字形分析給出的候選結果中選出更符合上下文的釋讀，分別高于最佳通用大模型基線的22.2%和65.4%。

在以現代漢語釋義作為代理任務的綜合解釋評測中，AlphaOracle的BLEU、ROUGE和METEOR分別達到0.491、0.586和0.659。

需要說明的是，GPT-5、Gemini 2.5 Pro和DeepSeek等通用模型在論文中采用零樣本設置，未接受甲骨文領域數據微調。因此相關結果說明專門語料與領域化流程對于該任務的重要性。

人類專家評估的具體調查結果

在專家實際使用評估中，86名來自甲骨文、人工智能及相關領域的專家和博士研究者匿名參與了系統評估。

其中78.7%的參與者認為系統「有幫助」或「非常有幫助」，并估計平均可節省64%的分析時間。在滿分為5分的模塊化評估中，拓片解析、字形分析、語境對齊和文獻依據檢索四個部分的平均得分分別為4.20、4.44、4.38和4.01。

文獻檢索環節隨機抽取42個甲骨文字進行人工檢查，命中率為90.2%，準確率為74.8%。這意味著系統會將大部分有價值的材料呈現出來，但其中仍會夾雜需要專家排除的文獻資料。

對研究者而言，這減少了文獻的翻檢成本，而把節省時間更多留給證據的判斷上。

論文還組織了一場盲評「人類競技場」，由來自故宮博物館、上海博物館、中國社會科學院、清華大學、復旦大學、南京大學、吉林大學、鄭州大學、河南大學、河南師范大學、首都師范大學、西南大學、中國海洋大學、甲骨文信息處理教育部重點實驗室、及韓國、日本、美國相關學術團體的資深甲骨學者對上下文解釋任務完成210次盲測。

結果顯示AlphaOracle獲得45.2%的最高偏好率，DeepSeek為34.8%，Gemini 2.5 Pro為12.9%，GPT-5為7.1%。

對疑難字的具體釋讀

AlphaOracle針對「屯南307」拓片中，長期存在爭議的甲骨文

（早期研究常把它釋作「卒」），綜合字形、辭例和文獻材料，將其解釋為「勞」的異體字，為其作為地名或族名的解釋補充了證據。

此外，論文還報告了22個有爭議異體字的消歧結果，部分分析已進入甲骨文權威學術數據庫，展現出人工智能輔助專家高效考察爭議文字、推進學術討論的潛力。

總結

AlphaOracle通過模擬人類專家的研究方式，將甲骨文字形演變、辭例分布與文獻材料被放進同一條證據鏈中，幫助研究者發現線索、尋找文獻、核對材料，提高了甲骨文釋讀的效率。

同時，它為計算古文字研究打開了一條更接近真實實踐的路徑，機器不該只是端到端地、沒有依據地給出一個最終答案，而是應該在研究者進行的每一步工作流程中提供可靠的證據輔助。

這樣的思路同樣可以延伸到其他古文字領域，為分散而龐雜的古文字研究建立更系統的AI輔助整理與研究方式。

古文字研究終究離不開人的判斷。機器擅長從海量材料中迅速提出假設、完成檢索、進行比對與歸納，學者則負責辨別證據的輕重、把握最終的決策。

未來更值得期待的，正是這樣一種彼此配合的研究圖景，人工智能拓展材料搜索的廣度，人的學識守住學術判斷的深度，讓更多沉睡在甲骨與古文字中的歷史信息被重新看見。

參考資料：

https://doi.org/10.1016/j.xinn.2026.101462

編輯：LRST