【小哈划重点：“比如《岳阳楼记》，要训练机器标注文中的形容词，首先就要训练相关人员标注形容词，在大量人工标注的基础上，再让机器学习。”这项坐“冷板凳”的基础标注工作一做就是10年之久。】
对于普通受众而言，想要走近繁体、竖版、未添加句逗的古文不是一件容易的事。近日，国内首个专门应用于古籍处理与研究的智能工具“荀子”上线，意味着在智媒时代和古籍对话成为可能。
这个古籍大语言模型“荀子”由南京农业大学信息管理学院教授王东波研究团队研发，是一个包含了《四库全书》在内的超20亿字的古籍文献大型语料库，能够实现自然语言理解、自动翻译、诗歌生成、自动标引等多项功能。作为开源的、公益的研究成果，该模型已在GitHub、ModelScope等网站开源。
向思想家荀子致敬
为何取名“荀子”？据王东波介绍，荀子不仅是我国先秦时期伟大的朴素唯物主义思想家，也是一位散文大家。在对荀子的作品深入研究后，团队发现其在语言学理论的阐述上也是一位开拓者，将大语言模型命名为“荀子”是为了纪念这位思想家。
“咱们请它以金陵为主题，生成一首五言绝句。”王东波现场演示了“荀子”的智能写诗功能。指令一输入，系统便生成了一首原创绝句：“秦淮佳丽地，城阙望中迷。柳暗青丝发，花香碧玉衣。歌楼留夜色，画阁敛春晖。细雨轻舟去，双鱼梦泽飞。”
除此之外，古文的阅读理解、标点添加，以及将古汉语翻译为现代汉语，这些让普通人难啃的“硬骨头”，“荀子”都可以轻松拿下。
对于相关领域的专家，可以借助“荀子”完成古籍词法分析、实体识别、关系抽取、文本分类与匹配、文本摘要等专业古籍研究处理工作。
同时发布的基座模型，还可以让用户根据自己的需求，使用本地的训练语料微调“荀子”基座模型，使其在古籍下游处理任务上获得更优越的性能。
10年“冷板凳”教会机器通读古今
尽管目前有200多个通用模型在各领域得到应用，但古籍领域仍缺乏专业的大语言模型。功能强大的“荀子”到底是怎么做到化繁为简、通读古今的？
“首先是‘算力充足’，并且‘饱读诗书’。”王东波介绍，“荀子”的顺利问世离不开南京农业大学提供的高性能算力基础设施支持，以及团队长期积累的大量标注、精加工语料库，团队给“荀子”投喂了40亿字大型混合语料数据。
“模型的构建受算力、场景应用等多方影响，但精准度较高的优质数据是最为关键的。”王东波介绍，团队从2008年开始接触古籍，2013年至今一直专注于人工精标注数据的工作。
“比如《岳阳楼记》，要训练机器标注文中的形容词，首先就要训练相关人员标注形容词，在大量人工标注的基础上，再让机器学习。”这项坐“冷板凳”的基础标注工作一做就是10年之久。
王东波表示，期待能将古籍的智能化研究与跨学科的人才培养相结合，让学生既有前瞻性的科研视野，又具有较为深厚的人文底蕴。同时让更多受众接触古籍、品读古籍、传播古籍，真正地唤活“故纸堆”，共同推动中华优秀传统文化创造性转化和创新性发展，赓续传承中华文脉。
联合发布“荀子”古籍大语言模型的中华书局古联公司，则主要致力于未来的场景应用和领域推广。除了让广大用户能够顺畅利用古籍内容，在专业领域推动古籍整理、古籍数字化、古籍活化利用与传播之外，“荀子”大模型未来还可广泛应用于AI写作、AI教学、数字文娱等领域。
《中国科学报》 (2023-12-15 第4版 文化)
