截至目前，甲骨究实古文字学界尚未真正将任何一款计算机工具纳入日常研究流程。文识为何尽管实验室环境下的别研模型准确率令人瞩目，但一旦面对真实的验室甲骨拓片，其表现便大幅缩水。高准

近年来，确率深度学习技术推动了甲骨文识别领域的难落快速发展，使计算机能够自动辨识甲骨文字形。甲骨究实研究团队构建了多个大规模数据集，文识为何将数以万计的别研甲骨字形图像进行标准化整理，作为训练和测试AI模型的验室“教材”与“考卷”。自Oracle-20k数据集发布以来，高准国内外团队相继推出各类甲骨文数据集。确率在这些标准化数据上，难落AI模型的甲骨究实分类准确率屡破80%，部分高频字甚至超过97%。

然而，现实情况却颇为尴尬：至今没有一款计算机工具成为古文字学者的日常研究助手。实验室里的完美数据，在真实的甲骨拓片面前显得水土不服。这种巨大的反差揭示出，当前研究在认知层面可能存在根本性偏差。

数据集繁荣背后的四大隐患

目前公开的甲骨文数据集主要涵盖检测（如殷契文渊检测集）、分类与检索（如Oracle-20k、HWOBC）以及考释（如EVOBC、HUST-OBC）三大类。尽管数据规模持续扩大，准确率不断刷新纪录，但在实际应用场景中，这些数据集暴露出四个核心问题。

1. 依赖人工摹写，丧失原始特征

在已公开的数据集中，超过半数明确标注图像来源为“人工摹写”。摹写图像通常线条清晰、边缘规整，却剔除了原始甲骨拓片中因年代久远而形成的裂纹、残损及风化痕迹。古文字学者日常面对的是充满历史沧桑感的原始拓片，而AI模型学习的却是经过美化的“标准字”。这如同让一个人只练习过印刷体，却要求其辨认潦草的手写草书，识别难度自然剧增。

2. 标注错误频发，误导模型学习

数据集构建依赖人工标注，但错误难以避免。例如，在OBC306数据集中，编号038000h01166_甲-1等四个字形实为“豖”字，却被错误标记为“犬”类。这种语义混淆导致AI学习到错误的映射关系，使得后续的高准确率失去实际意义。又如Oracle-MNIST数据集中的“马”字示例，除第一张外，其余图片均非“马”字。

3. 仅收录已释读字，忽视核心难题

现有数据集几乎全部聚焦于现代汉字已能对应的甲骨文字。然而，古文字学的核心挑战在于那约占总数三分之二的“未释字”。AI模型目前仅能学习已知字符，无法协助学者破解未知的文字谜题，这限制了其在学术前沿的应用价值。

4. 孤立单字图像，缺失语境信息

多数数据集提供的是切割后的单字图像，缺乏前后文及整句卜辞信息。但在古文字研究中，单字识别绝非孤立行为。学者需将字形置于卜辞语境中，结合同版其他刻辞进行综合研判。脱离语境的图像分类，即便准确率极高，也无法回答“该字在此卜辞中的具体含义”这一关键问题。

两套知识体系的认知错位

上述问题的根源在于，研究者为了追求高准确率，倾向于使用干净、规整、有标准答案的实验室数据，而非古文字学者面对的残泐不清、异体繁多的原始拓片。这并非计算机学科的缺陷——图像分类任务本身确实如此处理数据。但若目标是开发辅助学者的实用工具，训练与测试环境必须逼近真实的研究场景。

在古文字学中，“认字”是一个融合考古、历史、语言、文字等多学科知识的复杂推理过程。学者运用字形比较法、辞例推勘法，将字形与已知体系比对，并放入卜辞中通读验证，最终确定音义。以甲骨文“蠢”字的释读为例，蒋玉斌先生先将未释字形与“屯”字比对，确认为“屯”，再结合“屯盂方”“屯人方”等卜辞语境，以及《诗经》“蠢尔蛮荆”等传世文献，推知其读为“蠢”，意为蠢动、作乱。这一过程依赖完整的证据链。

相比之下，当前计算机领域的甲骨文识别主要被简化为图像分类任务：输入一张字形图像，输出一个类别标签。这种做法隐含了三个假设：
1. 每个字形有唯一正确答案。
2. 正确答案可通过与训练数据的相似度确定。
3. 字形视觉信息足以决定其意义。

然而，在甲骨文字形系统中，这些假设并不完全成立。“一字多形”、“一形多字”、“异体通用”现象普遍。字形相似未必字义相同，字形迥异未必字义无关。

因此，那些97%、99%的惊人准确率，本质上是在经过人工美化、脱离语境的实验室环境中测得的。当模型应用于未经处理、含有噪声和未释字的真实拓片时，准确率会显著下降。更关键的是，模型仅输出标签和概率值，无法解释“为何是这个字”，也无法提供字形演变、辞例证据或构形理据等可解释信息。学术论证需要的是证据链，这是当前算法难以提供的。

破局之道：从“各自为战”走向“人机协同”

有人或许会问：古文字学百年积累的字形编、字表、辞例类纂（如孙海波《甲骨文编》、李宗焜《甲骨文字编》、姚孝遂《殷墟甲骨刻辞类纂》等）能否直接用于计算机训练？答案是否定的。这些纸本工具书的知识组织方式（按部首、笔画、意义分类）与计算机所需的像素级标注、大规模均衡采样截然不同。它们是宝贵的知识库，而非可直接喂给深度学习模型的“数据集”。

问题的关键在于学科间的有效沟通不足。古文字学者参与数据集建设较少，计算机学者往往从零开始标注，既不熟悉既有学术成果，也不了解原始拓片全貌，导致重复犯错。结果是：计算机构建的数据集在学者眼中漏洞百出，而学者积累的深厚知识却被计算机闲置。

要改变现状，双方需共同努力：

对于计算机研究者：
* 调整目标：不再以封闭数据集上的“刷榜”为唯一标准，而是以在真实、未处理原始拓片上的可用识别结果为准绳。
* 优化数据源：放弃人工摹写，直接从高精度照片或拓片中提取字形，保留残泐、噪点和异体变化，并纳入未释字。
* 保留语境：输入不应仅是单字图像，而应包含整行或整版拓片片段，使模型能利用上下文信息进行推理。

对于古文字学者：
* 提供高质量标注：提供小规模但高精度的典型字形及其语境数据，用于验证和校准模型。
* 参与指标设计：不仅关注准确率，更要评估模型能否为考释提供有用线索，如相近字形检索、同辞例中其他字的分布规律等。

最理想的路径并非让电脑替代学者“认字”，而是开发交互式辅助工具：学者在拓片上圈选未知字符，模型返回最相似的字形图像、数据集中的位置、相关辞例及基于上下文的候选推测。学者可纠正模型错误，模型亦能从反馈中持续学习。这种人机协同模式，远比训练封闭数据集上的高精度分类器更具价值。

甲骨文识别“高准确率难落地”的本质，是实验室标准化技术逻辑与古文字非标准化、人文性、历史性底层特质的不匹配。纸面精度是可控数据集的最优解，而落地应用需适配残缺多元的实物样本、复杂深厚的历史语境及严谨的学术体系。

古文字学百年积累的知识体系与计算机日益强大的模式识别能力，并非替代关系，而是互补关系。两者的有效结合，不取决于单方面的努力，而在于双方能否真正理解对方的认知方式，并据此设计出服务于学者工作的实用工具。

归根结底，实验室的高准确率仅是中间指标，而非最终目的。未来甲骨文智能识别的突破，不在于单纯追求算法精度，而在于打破文理壁垒、构建标准化数据体系、融合视觉识别与文史考据逻辑。这或许是甲骨文识别研究走出困境的正解。

（作者为上海交通大学中华文化基因智能实验室教授）