《大话文渊慧典》：外三篇-不是我们不行，是赛道不同——中国古籍OCR的“非对称作战”优势

——小菜：“大胖老师，我最近看了一些国外的古籍OCR论文，越看越焦虑。人家的模型动不动就几亿参数，训练数据几百万张图，评测基准一个比一个豪华。再看咱们，模型小、数据少、评测靠王大姐肉眼打分。这差距，是不是说明咱们不行？”

——二黑推了推眼镜，从抽屉里掏出一张对比表：“小菜，你这种焦虑，我三年前就有过。后来我想明白了一件事——你焦虑，是因为你在用别人的赛道规则衡量自己的成绩。”

——大胖老师端起保温杯，慢悠悠地接过话：“二黑说得对。人家跑的是百米短跑，你跑的是越野马拉松。你用百米成绩去比马拉松选手的配速，当然觉得自己不行。但你让他来跑你的赛道试试？不摔跟头算我输。今天咱们就讲讲，为什么说中国古籍OCR不是不行，是赛道不同。以及，我们的‘非对称作战’优势到底在哪里。”

一、赛道一：版式复杂度——从“一马平川”到“蜀道难”

大胖老师在白板上画了两条跑道。第一条画得笔直平坦，标注“英文/现代中文OCR”。第二条画得弯弯绕绕，标注“中文古籍OCR”。

“先说最直观的：版式。”他指着第一条跑道，“英文古籍和现代中文文档，版式相对规范。英文基本是单栏横排，现代中文也差不多。OCR模型面对的是一个相对规整的世界。这就是为什么国外的OCR评测基准大多是‘干净文档、标准字体、统一排版’。”

“古籍呢？”二黑调出一页明代坊刻本投在屏幕上，“你看看这页：正文竖排，十二列，每列字数不等；中间夹着双行小注，字体只有正文一半大；天头有眉批，字迹潦草；地脚有藏印，红色模糊；左下角还有虫蛀，缺了三个半字；栏线断断续续，跟虚线的斑马线似的。你让只见过横排印刷体的模型来处理这个？它连从哪儿下嘴都不知道。”

“这就是赛道差异。”大胖老师敲着白板，“国外的OCR研究，解决的是‘一马平川’上的奔跑速度问题——怎么更快、更准。我们要解决的，是‘蜀道难’上的通行问题——怎么先让车能开过去，不被悬崖和落石干掉。难度不在一个量级。他们追求的是百米成绩提升0.01秒，我们追求的是越野赛能活着跑完全程。所以不能拿他们的精度指标直接来套我们的场景。”

二、赛道二：字库规模——从“26个字母”到“三万汉字”

大胖老师又在白板上写了两个数字：26和35000。

“英文OCR，核心任务是识别26个字母加一些标点符号。大小写加起来52个，算上数字和特殊符号，一百多个字符类别。模型可以做得非常深、非常精细，因为分类任务很轻。”

“中文古籍OCR呢？”二黑接过马克笔，在35000上画了个圈，“我们目前支持3.5万个汉字。这是什么概念？是英文分类数的三百多倍。而且这些字之间长得还特别像——‘己’和‘已’差一个笔画，‘曰’和‘日’差一个像素，‘人’和‘入’是镜像关系。更别提避讳缺笔字、异体字、俗字——一个‘国’字能有几十种写法。模型不仅要记住这些字长什么样，还要在它们长得几乎一样的时候分清楚谁是谁。”

“所以，”大胖老师总结，“英文OCR可以用大模型、大数据、大算力去堆，因为分类空间小，堆了有效。我们的分类空间巨大，堆同样的算力，效果会被稀释。这就要求我们必须走轻量化、高效率的路线——用小模型办大事。不是我们不想用大模型，是我们的赛道天然需要更聪明的算法，而不仅仅是更暴力的算力。”

三、赛道三：用户与场景——从“极客玩具”到“王大姐的生产工具”

小菜举手：“那国外的古籍OCR项目，他们的用户是谁？”

二黑回答：“主要是学者和图书馆专业人员。哈佛燕京的线上系统，用户大多是东亚研究的研究生和教授。欧洲的数字人文项目，用户是数字人文学者。他们对技术有基本了解，能容忍一定的操作复杂度。说白了，用户画像是一个相对高知、高技术耐受性的群体。”

“我们的用户呢？”大胖老师指了指墙上王大姐的照片，“全国两千八百多个县，每个县图书馆的王大姐。平均年龄四十七，计算机水平‘会开关机会打字’，电脑是五年前的办公机，内存4G，装的还是Win7。她们不懂什么叫命令行，不知道什么是GPU，也没时间参加培训。她们只有一个诉求：拖进去，认出来，导出去。就这么简单。”

“这是完全不同的使用场景。”二黑补充，“国外做古籍OCR，可以假设用户有一定的技术背景和使用耐心。我们做古籍OCR，必须假设用户是王大姐——零基础、零耐心、零预算。这意味着我们的赛道不仅是技术赛道，还是用户体验赛道。我们的系统必须做到‘傻’到极致——不需要命令行、不需要配置、不需要联网、不需要GPU。这种场景倒逼出来的工程能力，是那些高高在上的学术项目永远学不会的。”

四、我们的“非对称作战”优势：三个碾压级的底气

讲完赛道差异，大胖老师话锋一转：“但是，我们也有三个让国外同行羡慕到流口水的优势。这三个优势，就是我们‘非对称作战’的底气。”

优势一：数据规模碾压

“中国大陆现存古籍三千万册。”大胖老师写出这个数字，“哈佛燕京中文古籍六十万册，欧洲加起来可能还不到一百万册。我们一个省的馆藏量，可能就超过整个北美的中文古籍总量。数据源天然是我们的。虽然目前标注数据还不够多，但原始数据的体量摆在那里。只要我们把标注工具和众包机制做好，在数据积累上超越全球只是时间问题。”

优势二：场景驱动碾压

“从国图到县馆，从学者到初中生，从家谱爱好者到地方文史工作者——中国对古籍数字化的需求是全链条、全民的。欧洲一个数字人文项目可能只需要满足几百个学者，我们要满足的是几千万潜在用户。这种海量场景的倒逼，会让我们做出更实用、更普惠、更接地气的技术。不是在实验室里刷榜，而是在阅览室里解决问题。”

优势三：开源社区碾压

“PaddleOCR的GitHub Star数、社区活跃度、模型迭代速度，已经是全球领先水平。”二黑打开数据，“中国开源社区有一种独特的活力——民间开发者愿意为‘没用但有趣’的事情花时间。那个用PaddleOCR做家谱识别的深圳程序员，那个用Tesseract硬怼竖排的大学新生，那些在‘吾与点’平台上义务校对的大爷大妈——这种自下而上的热情，是比算力和经费更宝贵的资源。国外的古籍OCR项目大多靠经费驱动，经费断了项目就停。我们靠社区驱动，只要还有一个人在GitHub上提Issue，项目就还活着。”

五、一张表说清楚：为什么不能简单比

大胖老师画了一张表，把“对称比较”和“非对称作战”放在一起：

“看懂了吗？”大胖老师敲着表格，“对称比较，就是在别人的优势主场跟人硬拼，等于拿鸡蛋碰石头。非对称作战，就是换个战场，把对手拉到我们不弱但他们不强的领域——成本、覆盖、易用、开源。在这些维度上，我们不是追赶者，我们是领先者。”

六、尾声：换个赛道，换个心态

文章快结束时，小菜忽然问：“大胖老师，那咱们什么时候能在识别精度上也超过他们？”

二黑推了推眼镜：“精度当然要追。但要搞清楚一件事——精度不是唯一的目标，甚至不是最重要的目标。我们的目标是让全国的王大姐都能用上古籍OCR，让每一本发黄的线装书都能被搜索、被引用、被传承。至于精度小数点后面第几位超过谁，那是水到渠成的事，不是追逐的目标。”

大胖老师点头：“围棋里有一句话——‘善弈者通盘无妙手’。真正的高手，不是每一步都惊天动地，而是每一步都扎实有用。我们做文渊慧典也是这个道理。不追求炫技，不追求刷榜，不追求让同行惊叹。只追求一件事：王大姐双击桌面那个熊猫图标，拖进去一本古籍，茶还没凉，文字就出来了。这，才是我们的赛道终点。”

小菜在笔记本上写下最后一行字：

“不是我们不行，是赛道不同。在竖排繁体的羊肠小道上，我们已经跑在了最前面。”

窗外，新一轮的测试数据正在生成。大胖老师端起保温杯，对着窗外说了一句：“下一期，咱们聊聊为什么全世界都在抢救古籍，用的却都是‘别人家的轮子’。”二黑翻开了那本填坑日志，嘴角微微上扬——那页上，有他最喜欢的三个字：已解决。

本文为注水技术版，您看看即可，不必当真，写此文字就是图一乐：-）