北京如是人工智能技术研究院（Beijing Rushi Institute of Artificial Intelligence Technology，以下简称如是研究院）成立于 2019 年4 月，是北京市民政局批准的科技类民办非企业单位，致力于开展与人工智能技术相关的学术研究、学术交流、成果转化、专业培训、技术推广与应用，尤其是古籍数字化领域的人工智能技术相关研究、开发与推广应用。
中华民族的存世古籍，承载着优秀的中华传统文化，凝聚着无穷的民族智慧，是祖先留给我们的宝贵精神遗产。传承文明是时代赋予我们每一个华夏子孙义不容辞的责任。当前飞速发展的人工智能和信息技术，成为促进中华优秀传统文化保护和传播的强大推动力，也催生了古籍数字化这一既古老又现代的创新领域。通过人工智能、互联网和信息技术的深度应用，古籍数字化可以使优秀传统文化在保护和传播的深度、广度、速度上实现质的飞跃。
在这一时代背景下，如是研究院以“数字古籍，传承经典”为宗旨，致力于应用先进的人工智能和信息技术，整合各方社会资源和多专业综合创新，聚焦古籍数字化技术研究、平台开发与数字化服务，推进古籍数字化项目，产出高质量的古籍数字化内容，持续推动古籍数字化的技术进步和推广应用。
2020年4月，如是研究院发起“如是古籍之大藏经数字化工程”，旨在利用先进的人工智能技术深度加工、整理汉文佛教大藏经，并将数字化成果以公益的形式发布在互联网上，以便于社会大众阅读和研究使用。
一、缘起背景
汉文佛教大藏经是汉传佛教经典的总集，它收录了由梵文翻译而来的经律论三藏，以及汉传祖师大德的注疏、史传、经录、音义、禅宗语录等等内容，按照一定的目录结构编排而成。汉文大藏经的形成历史可以上溯至陈隋之际，经历了一千多年的时间，目前流传存世的有二十余种版本，所收录经籍总数约为4200余种、23000余卷，蕴藏了博大精深的佛教思想与修行体系。
大藏经是佛法的传承，是佛陀和历代祖师大德们修行觉悟的智慧结晶，是无数先人艰苦卓越地修行、千辛万苦地保护，留给我们宝贵的精神财富。佛教是中国优秀传统文化的重要组成部分，对于促进社会和谐与发展有着不可替代的积极作用。佛教所提倡的认识自我、觉悟生命、奉献人生的人文主义精神，在当今物欲横流的现实社会尤显得崇高和珍贵。
汉文佛教大藏经不仅是佛教研究取之不尽的资料宝库，还同时为哲学、历史、文学及艺术、语言、天文、医药、建筑等多种学科提供了不可多得的丰富资料，是古代世界文化的一份珍贵的遗存，也是中华文明对世界文化的贡献。
因此，保护与传承大藏经，从古圣先贤的智慧中汲取营养，从优秀的传统文化中寻找自信，是时代赋予的使命，也是中华文化绵延不断、生生不息的动力。
二、愿景目标
（一）工程愿景
利用人工智能等技术，深度加工、整理汉文佛教大藏经，促进佛教古籍文献的保护与传承。
（二）工程目标
1. 研发基于人工智能的OCR技术以及基于互联网协作的古籍数字化工作平台，协同人工智能与人工工作，提高大藏经数字化的质量和效率；
2. 制定一套大藏经数字化的标准流程和体例规范，促进数字化过程的标准化和规范化；
3. 实现藏经文字的原字还原，并实现藏经字符级的图文对照阅读模式，提高数字化成果的可信度和权威性；
4. 形成一套藏经异体字字典、藏经规范用字字库、藏经图片字字库等辅助成果，夯实古籍数字化基础性研究工作；
5. 分阶段、尽可能多地将存世的汉文大藏经进行数字化，并实现各版本的汇总与横向比对，打造完整体系的数字化汉文大藏经；
6. 开发一套满足阅读和研究使用的、用户友好的发布平台，将数字化成果提供给社会各界免费使用。
三、研发成果
（一）如是古籍数字化平台
“如是古籍数字化平台”是本院开发的基于互联网的古籍数字化协作平台，包含切分校对、聚类校对、数据管理、任务管理、用户管理等功能模块。
校对人员可以在该平台上对人工智能OCR（Optical Character Recognition， 光学文字识别 ）的识别结果进行人工校对。管理人员可以在该平台上进行流程定制、数据管理、任务发布、任务监控、质量抽查、人员协作等管理工作。
平台的特点为：
1. 先进的工作流引擎
平台提供了包含切分校对、切分审定、聚类校对、聚类审定的标准工作步骤，在此基础上可以根据不同项目需要定制不同的作业流程。定制的流程通过先进的自动化工作流引擎进行推动，使得大量用户能够井然有序地协同在线工作。
2. 高效的切分校对
切分校对是将人工智能识别的字框进行人工校对的过程，包括切分字框和字序两步。平台采用了强大的可视化技术、人机交互技术和字序排序算法，可以帮助校对人员快速查找到人工智能切错的字框，有效降低校对的工作难度和工作量。
图1-切分校对
图2-字序校对
3. 创新的聚类校对
聚类校对是将人工智能识别的文字按照字种集中在一起，然后进行人工校对的新模式。该模式打破了传统逐页校对的习惯，可以一次性解决一个字种所有的文字，在保证校对质量的同时，大大提高了校对效率，降低了校对难度。并进一步提出了“轻造字”（一种轻量的造字方法）的原字还原方案，解决了原字还原校对中对于缺字、异体字处理的困难。
图3-聚类校对“無”字
4. 严格的质量控制
数字化大藏经对校对质量的要求非常高，因此平台配置了专门的质量抽检与统计功能。该功能支持专门的质检人员每天对校对员工作成果进行抽检，抽检不合格的任务需要退回重做，从而有效保证了校对质量。
5. 完善的校对体例
体例文件是保证校对工作规范性的根本。各个版本大藏经的版式、符号与字体等繁复多变，必须制定周全完善的校对体例，解决古籍数字化中难以处理的异体字、缺字等问题，以保证工作成果的一致性。
因此，本院经过长时间的潜心研究与实践打磨，制定了切分校对体例和聚类校对体例，用于平台的校对工作中并取得了良好的成效。
（二）如是古籍OCR加工平台
“如是古籍OCR加工平台”是基于人工智能和互联网的古籍图片加工平台，包含字符检测引擎、单字识别引擎、行检测引擎、行识别引擎、自动标点引擎等人工智能工具，可以实现高质量、高效率的大藏经古籍文字自动识别。对于绝大多数版面清晰、规范的刻本大藏经图像，如是古籍OCR加工平台的文字识别准确率达98%以上。
通过数据集成机制，如是古籍OCR加工平台的服务可以被如是古籍数字化平台远程调用，即“数字化平台”向“OCR加工平台”发布加工任务，OCR加工平台接收到任务后，自动在后台调取引擎对图片进行OCR加工，再将结果返回数字化平台。
（三）如是古籍数字化工具平台
“如是古籍数字化工具平台”是本院向社会提供古籍数字化服务的工具平台，它包含了本院研发的古籍数字化相关的核心功能，包括古籍OCR、自动标点、标点迁移、多文本比对等。
平台开放注册，免费体验，欢迎社会各界试用并反馈建议，平台网址是：
https://guji.rushi-ai.net:800
海外用户如无法访问，则可访问镜像：
https://guji.world.rushi-ai.net
图4-如是古籍数字化工具平台
四、未来展望
古籍数字化是一项长期且有時代意义的事业。
目前，相关的软件平台、工作模式与体例规范已趋稳定和成熟，团队组织也在不断发展壮大。未来，本院将不断完善软件平台和工作体例，本着“务实、创新、聚焦、坚持”的理念，持续、稳步的推进古籍数字化项目，以期能达成最初之愿景，为古籍经典的整理与传播，为中华文化的伟大复兴贡献一份力量。
期待更多志同道合之士加入如是古籍数字化事业，共同谱写古籍数字化这一古老而又现代的辉煌篇章。
原文始发于微信公众号（如是古籍数字化）：如是古籍之大藏经数字化工程简介
