用 AI 复读公元前 3 世纪的石碑：阿育王铭文从风化岩石直通英译

💡 一句话总结：两千三百年前，阿育王把帝国诏令凿在石碑上，散布在南亚次大陆；今天，印度理工学院甘地纳加尔分校的团队训练 AI 来读它们——从风化模糊的石碑照片，经过增强、字符识别、罗马字转写、机器翻译，直达英译文本。这条流水线的每个模型都在「贫困」条件下训练：CNN 用 CPU 训的，翻译模型用免费 Colab 的 T4 微调的。合成基准上成绩漂亮（字符识别 100%、翻译 BLEU 56），但要泼的冷水也很明确：真实石碑上的表现，论文没测。

导语：最难的 OCR 试卷长什么样？

拿现代 OCR 的任何一份成绩单来对照阿育王铭文，都会发现这不是同一门考试。石碑图像在野外拍摄：侵蚀、表面破损、光照不均、阴影、生物附着、背景噪点，五毒俱全。更麻烦的是文字本身——婆罗米文（Brahmi）的字符形状随地域、年代、书风漂移，没有标准化字形；而数据呢？基本没有。现有最大的公开婆罗米字符数据集只有 7,011 张图、170 类，深度学习在这个领域连饭都吃不饱。

这就是低资源文档 AI 的极端形态：文字最珍贵、图像最糟糕、数据几乎为零。IIT Gandhinagar 的 Jaidev Sanjay Khalane 等人给出的答案分两步：先用合成数据把「饭」造出来，再把增强、识别、转写、翻译四个环节串成一条流水线，配上网页应用让研究者可以直接上传铭文照片拿英译。

想自己动手试？

• 📄 论文：arXiv 2610.09439

它的思路是什么？

第一步：造数据——给字符「做旧」。 既然真数据稀缺，就自己生成：用 Unicode 兼容的 NotoSansBrahmi 字体把字符渲染在 64×64 画布上，然后开始模拟两千三百年的岁月——先铺一层带高斯噪声的石头纹理背景，再凿出凹坑、撕出裂纹模拟侵蚀，字符本身用笔画变化、斜切偏移和轻度高斯模糊做出「凿刻感」，最后随机旋转 ±20 度、撒上椒盐噪声。成品是 25.38 万张字符图、564 个类——类别数和图像数都是婆罗米 OCR 数据集的历史之最。

第二步：造翻译语料——从一百年前的书里抠。 机器翻译需要平行句对，而普拉克里特语（铭文使用的语言）没有机读语料。团队的来源是 Hultzsch 的经典《印度铭文集成》：原书按原文-译文分节对齐，团队把书页截图、用 Tesseract 识别罗马字、按原书行级分隔符切出句对、再人工校验，凑出 2,224 对普拉克里特-英语句对——今天这批语料就是这个语言最大的可用平行资源之一。

第三步：串管线。 输入接受三种形态：石碑拓片、直接拍摄的照片（走自动增强：灰度→去噪→自适应阈值→形态学清理）、以及增强效果不佳时的人工标注兜底——配套的 GUI 工具让用户调每个增强环节的参数，或直接用笔刷在图上描字。之后轮廓检测切出单个字符、CNN 分类（564 选 1）、按坐标组装成词句，再经 Brahmi→天城体→罗马字的转写进入 NMT，输出英语。

效果到底怎么样？

• 字符识别（合成测试集）：ResNet-50 达到 100.00%，EfficientNet 和 VGG-16 也超过 99%，轻量的 LeNet-5 约 88%——结论是「识别 564 个相似字形需要够深的网络」。
• 翻译：从 Marathi→English 变体适配过来的 M2M-100（418M）一骑绝尘，BLEU 56.4 / METEOR 0.772；同为近邻语言起点的 OPUS 只有 BLEU 14.1；而通用起点的 T5-Base 只有 7.75。语言近邻迁移完胜通用预训练起点，这个对比本身就是低资源 NMT 的一课。
• 资源占用：CNN 在 16GB 内存的 i5 CPU 上训练，NMT 在免费 Colab 的 T4 上微调——整套系统没有任何一张数据中心级 GPU。

泼冷水时间

这篇论文最需要被大声说出的限制，作者自己在摘要里其实已经暗示了——所有关键数字都是合成基准上的。

• 100% 准确率的含金量：测试集和训练集出自同一条合成管线，字符分割被假设为成功、风格域单一。真实石碑照片上的识别准确率，论文没有报告；合成到真实的 domain gap 是这类工作最常见的滑铁卢。
• 字符级假设脆弱：整条管线建立在「轮廓检测能把字符切开」的前提上。真实侵蚀场景里字符粘连或断裂时，系统就退化到人工标注兜底——兜底本身说明自动化边界在哪。
• 翻译评估薄：2,224 句里 5% 做测试（约 111 句），BLEU 在这个量级波动很大；语料全部来自同一部书的翻译风格；且只报自动指标，没有语言学评估——普拉克里特语和充当迁移起点的 Marathi/Hindi 并不同源同形。
• 端到端误差传播未测：OCR 错一个字符，转写和翻译会怎么样？没有逐级消融，整条链的鲁棒性是未知数。

理性看待

对数字人文和低资源 OCR 的研究者，这篇论文的价值更多在「配方」而非「分数」：合成数据的做旧管线（字体渲染+纹理背景+侵蚀伪影+凿刻效果+几何扰动）是一套可以迁移到任何古文字的冷启动模板；「自动增强 + 人工标注兜底」的工程形态也符合遗产数字化的真实工作流——毕竟没人敢让 AI 独自面对唯一的国宝。

但要引用它的数字，请务必带上限定语：ResNet 的 100% 是「合成世界里的 564 选 1」，BLEU 56 是「111 个测试句、单一翻译风格」上的。真实石碑从像素到句子的端到端成绩，还是这张考卷上没作答的那道大题。阿育王的诏令里有一句著名的话——「愿一切众生安好」。对这条管线的下一版，我们也可以用同样的祝福：愿它在真石头上也好。

（数据与结论均来自论文原文，解读部分为作者观点，欢迎交流。）