在一些炭化纸草卷中,文字并没有消失,只是被封在无法安全展开的层面里。直接拉开纸草,可能同时毁掉准备阅读的材料。计算方法面对的任务因此很特别:研究者不能先把整份原件展开拍照,再把答案交给模型;他们需要在保留物体状态的条件下,建立一条从扫描数据通向可辨字形的证据链。
Vesuvius Challenge 2023 大奖于 2024 年公布成果,展示了机器学习与虚拟展开共同读取赫库兰尼姆卷轴内部文字的进展。这个案例常被简化成“AI 读懂古卷”,但真正值得分析的是每个环节怎样工作:扫描提供什么,曲面展开改变什么,网络预测什么,纸草学者又依据什么作出转写。

先有三维物体,才有可阅读的页面
普通照片记录可见表面,X 射线断层扫描则从多个方向取得信息,经重建形成三维体积。这个体积由体素组成,研究者可以沿不同截面查看内部层次。扫描结果不是一张已经排好版的纸页,卷曲、压缩和开裂的纸草仍然以复杂几何关系存在其中。
虚拟展开先要追踪纸草层面,再把曲面映射到平面。它有点像为一张皱褶地图建立坐标:知道平面上的一个位置对应物体内哪一块区域,才能在那里采样并形成图像。几何追踪一旦跨到相邻层,最后看到的字形就可能混入另一张纸草的信息。
这种几何与成像框架是长期研究的结果,不是比赛开始后突然出现的单一网络。2019 年 Parker 等研究已展示,碳墨在微型 CT 中能够留下细微而可计算提取的特征。它改变了“扫描里完全没有墨迹信息”的假设,为后续学习方法提供了物理与实验基础。2019 年原始论文
有可见墨迹的碎片,怎样帮助训练不可见墨迹
完整卷轴内部难以直接标注,因为研究者不知道某个体素对应的表面是否真的有墨。已经暴露的碎片提供了一种桥梁:对同一碎片拍摄表面影像,并取得 CT 体积,把二维可见墨迹与三维扫描对应起来,就能形成监督学习样本。
EduceLab-Scrolls 的 2023 年论文系统介绍了这一数据与处理思路。通过谱段摄影与 CT 数据配准,把可以看见的墨迹标签映射到相关扫描区域,模型得以学习跨成像方式的关联。标签并非研究者盯着模糊 CT 凭空猜出的答案,而是借助同一材料的另一种观测建立。EduceLab-Scrolls 第一版
配准本身也有误差。若照片中的一个墨点没有准确落到 CT 的对应位置,模型会收到错位监督。碎片表面形变、分辨率差别和成像方向都需要处理。因此,数据集不仅是图片文件的集合,还包括坐标变换、表面表示和对齐质量。没有这些信息,单独下载一张黑白标签图,很难完整复现实验。
训练在碎片上有效,也不保证迁移到卷轴内部。内部区域的压缩、表面结构和扫描条件可能不同。Vesuvius 大奖公告提到,碎片模型向完整卷轴片段迁移曾遇到困难,后续域适配和新的标注帮助推进。这说明即使对象都叫纸草,数据分布差异仍然是核心问题。
展开演示动图 · 卷层到平面

网络找的是墨迹,并非根据语言习惯补文章
大奖成果中的墨迹模型主要利用扫描局部窗口预测墨迹分布。许多局部预测被组合后,字形才逐渐出现。公告特别区分了这类墨迹检测与基于希腊字母、光学字符识别或语言模型的补写:模型并不是先猜一句顺畅的古希腊文,再生成与猜测相配的笔画。2024 年大奖公告
这种任务分解有助于减少语言先验对字形的直接塑造,却不意味着神经网络绝不会产生伪影。局部纹理可能被误认成墨迹,展开误差可能看起来像断笔,阈值也可能让弱信号消失。评价应回到扫描证据与已知标签,而不是因为结果“很像文字”就接受它。
小窗口也存在权衡。局部窗口有利于把判断锚定在细小材料特征上,较大上下文则可能帮助区分结构和噪声。但若模型依赖大范围形状,它可能更容易受到训练中常见字形或布局的影响。比较窗口大小、模型结构和训练划分,是研究模型究竟使用什么线索的办法,不能只选最漂亮的一张输出图。
几何、墨迹与转写,需要分别保留不确定性
可以把最终错误追溯到三层。几何层可能追错曲面,墨迹层可能误检或漏检,转写层则可能把真实但残缺的笔画解释成错误字母。三层在结果中叠加,如果只公布一份顺畅译文,读者便无法知道争议发生在哪一步。
因此,理想的研究产物应允许从转写回看墨迹图,再回到展开位置与原始扫描。对一处含混字形,可以分别呈现不同阈值、不同模型和附近切片,而不急于把所有处理结果压成一个确定答案。保存坐标关系也使新的几何算法能够重新检查同一区域。
纸草学者的知识在这里非常重要。他们能够依据字形、行列、语言和文献背景判断可能读法,也需要明确哪些部分来自可见笔画、哪些属于补缺或解释。语言合理可以支持一项读法,却不应该替代笔画证据。技术团队与人文学者交流时,最好保持这些层次的术语和版本对应。
大奖公告报告,获奖结果使用了多种模型架构,不同团队对相同区域的结果也高度相近。交叉一致性增强了可信度,但如果多个模型使用相同扫描、相近标签或同一错误曲面,它们也可能共享偏差。因此,独立模型、重新分割与专家审读提供的是互补证据,不是任何一项单独给出绝对保证。
为什么像素准确率可能奖励一张空白图
墨迹在图像里通常只占一部分面积。如果评价只看每个像素分类是否正确,背景比例就可能主导总分。以下为纯假设例子:一张图只有 5% 像素属于墨迹,模型把整张图都判成背景,也有 95% 像素准确率,却没有恢复任何文字。这不是该项目的真实结果,只是说明评价指标要匹配研究目标。
更合适的检查需要同时关注墨迹召回、误报以及空间形态。漏掉一小段关键笔画,可能改变字母读法;多出若干散点,也可能让学者把裂纹看成笔画。阈值选择必须在验证数据上完成,再到独立区域测试,避免为了让某段文字更顺眼而不断调参,最后把解释偏好当作算法性能。
测试划分还应考虑空间关联。相邻小块高度相似,把它们随机散到训练与测试中,可能高估对新区域的泛化。可以保留完整片段、不同碎片或不同扫描批次作为独立测试,分别回答局部插值与跨材料迁移。哪种划分最严格,要由具体数据与研究目标决定,并在报告中明确。
基线同样需要有解释力。简单的强度或纹理方法能够说明传统图像处理能恢复多少信息,监督模型则展示额外收益;只使用曲面可视化的结果有助于辨认几何处理贡献。若每次比较同时更换曲面和检测模型,就难以判断改善究竟来自哪里。
人工分割与开放协作,也是技术结果的一部分
公告描述,曲面分割需要自动方法与人工调整配合,曾是非常耗时的瓶颈。把所有功劳归给墨迹网络,会漏掉让数据成为可学习对象的工作:扫描、层面追踪、坐标检查、工具开发与标签整理。模型越有效,越需要这些前置工作提供可靠输入。
项目的阶段奖励与代码开放,使不同参与者可以改进工具、标注和模型,而不必每个人从原始体积重新开始。其研究意义不仅是竞争产生一个最高分,也在于中间产物能够成为他人继续验证和改进的基础。评价开放成果时,仍应说明数据使用条件、版本和哪些步骤需要人工操作。
这种协作也提醒数字人文项目保留负结果。某种展开失败、某一区域信号不足,都是关于材料与方法边界的信息。如果只发布成功段落,后续研究者会低估剩余区域的难度,也容易把已经读出的比例误认为整个对象的完成程度。
读出一部分,不等于读完一本书
2024 年大奖公告描述的成果只涉及卷轴的一部分,并非全部赫库兰尼姆藏卷已经完成数字阅读。本文也停留在这次历史成果及此前方法的范围,不把后续目标当作已经实现的事实。已揭示区域的可读性、未揭示区域的几何难度和总体成本,需要分别判断。
一条可靠的数字阅读链,应使扫描版本、曲面、模型、墨迹输出和学术转写彼此对应。随着方法改进,旧读法可以被重新检查,新读法也应留下依据。这样的可修订性不削弱成果,反而符合学术知识积累的方式。
Vesuvius 的突破在于,把原本难以接触的材料变成可逐层审查的证据。AI 扩大了能够观察的范围,学术判断则负责解释这些观察,并持续标注尚未确定的部分。古代文本因此重新进入讨论,而不是被一次看似完整的自动补写取代。










