楔形符号是古代两河流域文明的重要标识，泥板是其最主要载体，释读楔形文字泥板是亚述学研究的基本手段。目前已出土的楔形文字泥板超过50万块，已释读的却不足10万块，泥板残损破碎、楔形符号书写体系复杂，是制约泥板释读的两大重要因素。近年来，计算机专家尝试利用人工智能技术释读楔形文字泥板，在破碎楔形文字泥板拼接、楔形符号识别和楔形文字翻译三个方面的探索值得关注。

　　为破碎楔形文字泥板拼接提供新方案

　　楔形文字泥板用黏土制成，晒干后极易破碎。房屋倒塌往往会损坏泥板，岁月侵蚀和不规范的考古发掘进一步加剧了泥板的破碎程度，拼接残损的泥板是释读楔形文字的前提。传统泥板拼接由亚述学家依据泥板形态和楔形文字的语义等专业知识，手动进行匹配，耗费大量时间和人力，人工智能技术为楔形文字泥板拼接提供了新方案。

　　第一类方案沿用传统楔形文字泥板拼接方法，借助人工智能进行增强。该方案利用大语言模型对已完成字符识别的残缺楔形文字开展语义增强与内容补全，通过交互式提示机制深度解析文本上下文逻辑，可为亚述学家拼接破碎泥板提供辅助支撑。技术人员通过优化朴素贝叶斯算法与最大熵分类器的文本特征提取性能，精准测算楔形文字泥板碎片间的文本相似度，实现了泥板碎片的自动匹配。

　　第二类方案基于虚拟环境，探索破碎楔形文字泥板的拼接方法。该方案引入交互式虚拟环境技术，可在现实物理空间与虚拟数字空间协同下重建破碎的楔形文字泥板。一方面，通过模拟泥板自然断裂过程，生成合成测试数据集，构建楔形文字碎片的轻量化匹配流程；另一方面，依托大规模标注的楔形文字语料库，开发适配破碎泥板的三维匹配算法，通过高精度三维扫描技术获取泥板碎片的完整形态参数，借助专用匹配算法，在三维数字空间中复原破碎泥板。

　　第三类方案依托语义连贯性推导残缺文本的内在逻辑，实现破碎楔形文字泥板的智能拼接。研究者通过循环神经网络自动补全断裂的楔形文字内容，通过自动匹配算法模型，高效完成楔形文字碎片的智能拼接；同时，技术人员基于掩码语言建模的Transformer架构，可搭建楔形文字缺失符号补全模型。

　　上述方案都可在一定条件下实现破碎楔形文字泥板的拼接修复，但目前各类方案的落地应用效果仍有待更广泛的实践检验。

　　为楔形符号识别提供新策略

　　楔形符号可拆解为5个基本笔画，但它们通常是多笔画组合形态，一套楔形符号组合可表示多个音节，同时一个音节也可由多种楔形符号组合表示。此外，楔形文字属于手写体文字，因时间、空间和书写者的不同而存在显著差异，异形体普遍存在。传统楔形符号识别依靠亚述学家的经验，人力成本高，人工智能技术可为楔形符号识别提供省时省力的新策略。

　　第一类策略沿用传统楔形符号识别方法，利用计算机视觉技术进行增强。研究者以位图追踪与笔画骨架化作为核心处理环节，针对楔形文字文档光栅图像完成楔形符号笔画的精准检测，为后续符号分割与特征匹配提供了结构化基础。而引入小波变换算法，依托多分辨率分层技术完成楔形符号特征提取，可在不同尺度下兼顾符号整体形态与局部细节特征。研究者还可通过标注楔形符号数据集训练计算机视觉分类模型，实现楔形符号的自动识别与系统归类，构建符号识别技术框架。

　　第二类策略基于楔形符号字形结构特征，借助算法识别楔形符号。研究者利用混合光学相关器硬件装置，结合楔形符号形态特征设计专用匹配规则，开发出适配泥板影像场景的高效实时楔形符号自动化识别算法。研究者还可将多边形逼近技术引入传统光学字符识别框架，对楔形符号外轮廓进行多边形化拟合，从而完成核心特征提取，实现楔形符号的自动化识别。此外，研究者还搭建覆盖传统机器学习与深度学习的多路径识别技术体系，通过对符号构件进行拆分标注与特征学习，实现楔形符号的泛化识别，还可提取泥板影像中楔形符号区域的灰度强度分布曲线作为核心特征，完成精准匹配与识别。

　　第三类策略通过楔形文字向量化，识别楔形符号。研究者既可从楔形文字泥板数字影像中提取符号结构信息，通过结构向量匹配完成楔形符号识别；也可对泥板进行矢量化建模，实现手写楔形符号自动识别；还能依托卷积神经网络自主提取楔形符号视觉特征并编码为特征向量，达成楔形文字手抄本半自动生成。

　　此外，还可基于视觉深度学习模型识别楔形符号。研究者基于深度学习符号检测器，实现了泥板图像中楔形文字符号的定位与分类，同时融合光学字符识别与自然语言处理技术，构建人工智能驱动的楔形符号OCR模型；研究者对楔形符号图像执行标准化预处理，通过前馈神经网络实现楔形符号自动识别。

　　现阶段，各类人工智能策略都可实现部分楔形符号的识别，但其识别率仍有不足，有待进一步提高。

　　为楔形文字翻译提供新思路

　　楔形文字翻译需先将楔形符号逐一转写为拉丁字母，再进行字形转写，接着进行音系转写，最后才能译为现代语言。传统的楔形文字翻译高度依赖亚述学家的专业知识，不仅耗时，而且容易出错，人工智能技术提供了翻译楔形文字的新思路。

　　第一类思路是依据语法规则，通过规则匹配翻译楔形文字。研究者利用图像处理与计算机视觉技术，基于专家系统ExsysCORVID，不仅可以翻译楔形文字，还可以结合三维采集与词位识别技术，基于平行语料库，实现楔形符号的自动转写。

　　第二类思路是利用真实语料训练模型，通过统计方法学习语言规律翻译楔形文字。研究者基于监督学习、短语翻译与迁移学习技术，不仅实现了楔形符号转写文本自动翻译为英文，还可依托循环神经网络等机器学习算法开发楔形符号识读工具，以人机交互模式完成楔形文字释读。基于深度学习，研究者搭建了楔形文字数字化转写的人机协作流程与交互界面。

　　第三类思路是基于深度学习模拟人脑处理语言的方式，利用神经机器翻译解读楔形文字。研究者对楔形符号图像完成特征提取与维度压缩，将所得特征向量输入多层感知器，实现了楔形符号向对应拉丁字母的自动转换。依托卷积神经网络，可完成楔形符号与英文的自动翻译。研究者基于具备上下文感知能力的神经网络模型，能够实现楔形符号字形转写语料库的自动音系转写。

　　第四类思路基于Transformer架构，开发翻译楔形文字模型。研究基于Transformer架构构建楔形符号转写模型，支持亚述学家完成结果核验。同时依托Transformer架构，微调预训练语言模型，实现了楔形符号的自动标注。

　　上述新思路能够完成部分楔形文字的翻译工作，但离不开亚述学家的进一步完善。

　　人工智能技术在释读楔形文字泥板工作中展现了巨大潜力，加速了拼接残缺泥板的进度，增加了识别楔形符号的途径，提高了翻译楔形文字的速度。但目前计算机专家主导的探索，无论是破碎楔形文字的拼接，还是楔形书写符号识别和楔形文字的翻译，均与亚述学家的人工处理存在明显差距，制约了人工智能技术的大规模落地应用。不过，随着人工智能技术的不断进步，多模态数据的融合或将成为释读楔形文字泥板的重要发展方向，预训练模型或将展现出更强大的性能，强化学习和交互学习将发挥关键作用。

　　（作者系中国社会科学院世界历史研究所研究员）