梵蒂岡祕密檔案室是世界上最偉大的歷史收藏館之一，然而也是最無用的收藏館。
偉大之處顯而易見。梵蒂岡祕密檔案室位於梵蒂岡城牆之內，緊鄰使徒圖書館，位於西斯廷教堂北側，祕密檔案室記憶體放的書架甚至可追溯到 12 世紀之前，排列起來可達 53 英里。
其中包括教皇利奧十世下令驅逐馬丁路德的教令、蘇格蘭瑪麗女王被斬首前寫給天主教教宗西都斯五世的求情信。無論是在收藏規模或是收藏範圍上，梵蒂岡祕密檔案室都是無可比擬的。
然而，因為能夠接觸到的檔案極其有限，梵蒂岡祕密檔案室對現代學者來說沒有太多用處。在這長達 53 英里的檔案中，有少部分檔案經過掃描提供線上訪問。僅有更少量的檔案被轉錄為計算機文字能夠進行搜尋。如果你想要研讀其他檔案，你必須申請特殊的訪問許可權，一路通行前往羅馬，最後手動瀏覽每一頁。
一項新興的專案可能會改變現狀。這項技術被稱為 In Codice Ration，將人工智慧和光學字元識別（OCR）軟體相結合來轉錄這些被忽視的文字，首次讓這些記錄文字大白於天下。
如果成功的話，這項技術還能開啟其他隱藏在世界各個歷史檔案館中的檔案。
多年來，OCR 一直用於掃描書籍、列印檔案，但是這項技術並不適用於存放在梵蒂岡內的機密檔案。傳統的 OCR 通過查詢字元之間的空白將單詞分解成一系列字母影象。然後 OCR 將字母影象與記憶體中的字母庫進行比對。找出與影象最匹配的字母，軟體將該字母轉錄為計算機 ASCII 編碼，從而讓文字實現可搜尋化。
然而，這個過程卻只能用於排版後的文字。對於手寫文字，傳統 OCR 的表現很糟糕——而絕大多數古老的梵蒂岡檔案卻正是手寫文字。下圖是一份 12 世紀早期檔案的例子，是以所謂的卡羅琳小寫字型書寫的，看起來就像是書寫體和手寫體的混合：
這個例子的主要問題就在於字母間缺少空格（所謂的髒分割），OCR 無法分辨單個字母的起止位置，因此也就無法統計字母的數量。最終就造成了一個計算上的僵局，有時也被稱為 Sayre 悖論：
OCR 軟體需要將單詞分割成單個字母從而進行識別，但是手寫文字有大量的連寫，軟體要想分割字母必須要先識別字母。這就是矛盾所在，就像是《第 22 條軍規》。
一些電腦科學家想要重新開發 OCR 技術，不再僅識別單個字母，而是識別整個單詞。單從技術上來講，改進的 OCR 很不錯——計算機不會「關心」它們解析的是單詞還是字母。但建立系統並讓它正常運轉是一種負擔，這需要龐大的儲存庫作為支撐。
新型系統的記憶庫不再是寥寥數十個字母，取而代之的是大量普通單詞，系統需要根據這些單詞庫進行單詞影象識別。這意味著你還需要一組對中世紀拉丁語有充分造詣的學者，查閱舊檔，獲取單詞的影象。
事實上，每個單詞你需要幾張不同的影象，來解釋筆跡的不同或者糟糕燈光或是其他因素造成的單詞差異。這是一項艱鉅的任務。
In Codice Ratio 團隊採取了一種新的手寫 OCR 方法避免了上述問題。
這個專案四位主要的科學家分別是——羅馬第三大學的 Paolo Merialdo、Donatella Firmani 和 Elena Nieddu 以及 VSA 的 Marco Maiorino——他們以一種新型的「拼圖分割」方法成功繞開了 Syaer 悖論。
該團隊在論文中表示，拼圖分割沒有將單詞分割為字母，而是分割成一種更接近單個筆畫的東西。OCR 通過將單詞劃分為一系列垂直、水平帶，並尋找區域性最小——更薄的部分，那裡的墨水較少（實際上是畫素更少）。然後軟體則根據這些區域性點分割字母。最終得到的結果是一系列拼圖塊：
然而，這些拼圖塊並沒什麼用。但是 OCR 軟體可以用不同的方式把它們重新組合，重現出一些可能的字母。它只需要知道重組後的字元哪些代表真正的字母，哪些是假的。
為了讓軟體學會這一點，研究員們向一個特殊群體尋求幫助：高中生。該團隊在義大利 24 所學校招募學生建立專案自己的記憶庫。學生們登入一個網站，螢幕上出現三個部分的圖片：
最上面綠色方框中包含的就是清晰的中世紀拉丁文「g」的例子。
中間的紅框則是一些 g 的虛假例子，Codice 科學家們稱其為「假朋友」。底部的網格則是程式的核心部分。每一副影象均由幾個拼圖構成，OCR 則嘗試將其組合在一起猜測出可能的字母。
隨後學生們則會判斷 OCR 得出的結果，告訴它哪些猜測是好的，哪些猜測不好。他們把每張圖片和綠框中的例子相比較，如果相匹配，就點選那個核取方塊。
一張又一張圖片，一次又一次的點選，學生們就這麼教會軟體——中世紀拉丁文的 22 個字母（a-i，l-u，還有一些 s 和 d 的不同寫法）到底是什麼樣子的。
軟體最初的設定確實需要一些專家們的努力：學者們需要找出綠框中完美的例子，以及紅框中的「假朋友」。但是一旦他們完成這些工作，後續就不再需要他們了。學生們甚至都不需要能閱讀拉丁文。他們需要做的就是視覺模式匹配。
最初，「他們覺得讓高中生參與進來這個實在是愚蠢，」Merialdo 說道（Merialdo 憑空想出了 In Codice Ratio 專案）。但是現在正是由於這些高中生的努力才使得 OCR 正在學習。每個人都做出自己微小的，簡單的貢獻，確實有助於解決一個複雜的問題，我喜歡這種方式。
當然，最後學生們也幫不上忙了。一旦他們在足夠多的例子上投下「是」的贊成票，軟體就會開始獨立地將碎片拼在一起，自行判斷字母。軟體本身就成為了一個專家——成為了人工智慧。
至少是某方面的人工智慧。事實證明，把拼圖塊拼成看似合理的字母是不夠的。計算機還需要額外的工具來理清手寫文字其他的問題。想一下你正在讀一封信，你會發現這句話：
這究竟是對他們來說是「清楚（clear）」還是「親愛的（dear）」？
很難說，因為構成「d」和「cl」的筆畫實際上是相同的。OCR 軟體面臨同樣的問題，尤其對 Caroline 小寫字型這種高度風格化的文字來說更是如此。你嘗試破譯一下這個單詞：經過不同的拼圖組合的嘗試之後，OCR 舉手回答了。它猜是 aimo、amio、aniio、aiino 中的一種，甚至猜測是童謠 『老麥當勞有個農場』中的一個單詞 aiiiio。
事實上，這個單詞是 anno，拉丁語表示「年」，軟體確定了 a 和 o，但是中間這四個平行的柱子讓它有些搞不清。
為了解決這一問題，In Codice Ratio 團隊必須教授軟體一些常識——實踐性智慧。
他們找出了 150 萬本已經數字化的拉丁詞語料庫，對字母進行了兩兩組合以及三三組合。他們確定哪些字母的組合常見，哪些字母的組合不會出現。OCR 軟體使用這些統計資料為不同的字母組合分配概率。最終，軟體發現「nn」比「iiii」更有可能。
對軟體進行改進之後，OCR 終於能夠自主閱讀一些文字了。團隊決定向 OCR 饋送一些 Vatican Registers 檔案，一份超過 18000 頁的檔案，祕密檔案的一部分，其中包括寫給歐洲國王的信件、法律的裁定等。
最初的結果好壞參半。到目前為止，在文字轉錄過程中，有三分之一的單詞包含一個或多個拼寫錯誤，這也讓 OCR 猜錯了字母。（最常見的拼寫錯誤包括 m/n/i 的混淆和另一種分辨不清的情況：字母 f 和一種古式的拉長型 s 寫法）。
不過，該軟體在手寫信件中還是達到了 96% 的正確率。而且，即使是「不完美的轉錄也能提供足夠的資訊和背景資料」，這是很有用的，Merialdo 如是說道。
文章來源：https://www.theatlantic.com/technology/archive/2018/04/vatican-secret-archives-artificial-intelligence/559205/?from=groupmessage&isappinstalled=0