全球视野下的中国古籍数智化演进与未来趋势报告

中国人民大学数字人文研究院 中国人民大学工作组 组长 夏翠娟中国人民大学信息资源管理学院教授 工作组成员 龙家庆中国人民大学信息资源管理学院讲师严承希中国人民大学信息资源管理学院讲师胡云怡中国人民大学信息资源管理学院讲师郑振魏中国人民大学信息资源管理学院博士生曲梓萌中国人民大学信息资源管理学院博士生孟令国中国人民大学信息资源管理学院博士生居思微中国人民大学文学院博士生吴世强中国人民大学文学院硕士生祝章霞中国人民大学文学院硕士生 作者贡献 夏翠娟：调研团队组织、报告内容框架搭建、引言和结论撰写、全文统稿修改审定。龙家庆、曲梓萌、郑振魏：全球视野下中国古籍数字化存量与增量。严承希、郑振魏、孟令国：技术驱动的中国古籍数智化开发路径和利用模式。胡云怡、孟令国、曲梓萌：国际合作和人智协同标准的制订和应用。居思微、吴世强、祝章霞：“中国古籍”定义、调研范围框定。 目录 一 引言01 二 全球视野下中国古籍数字化存量与增量02 （一）中国古籍数字化的全球开展情况02 （二）中国古籍数字化发展的阶段演进（三）存量与增量及趋势分析0304 三 技术驱动的中国古籍数智化开发路径和利用模式05 （一）古籍数智化开发的技术路线演进05 （二）典型案例的技术路径与利用模式08 （三）古籍数智化开发利用的技术提升建议09 四 国际合作和人智协同标准的制订和应用11 （一）数字化基座的全球协同：国际通用标准应用调研11 （二）人工智能环境下的标准制订：前沿趋势与治理逻辑13 共同体（三）行动倡议：构建人智协同的全球性中国古籍数智化14 一 引言 在 AI 技术高速发展和向垂直领域全方位渗透的背景下，中国古籍的保护与传承已步入从“数字化”向“数智化”跨越的关键窗口期。中国人民大学数字人文研究院通过对全球范围内多个国家和大型文化记忆机构及科研机构的深度调研，编制本报告。报告旨在通过详实的数据调研与案例分析，全面审视中国古籍在数字空间的存在形态、技术范式及传播效能，为构建全球性的中国古籍数智化共同体提供决策参考。 报告的主体包括以下三个部分：第一部分为全球数字化存量和增量调研，主要探视中国古籍的载体形态从物理的纸本到电子版、研究对象从载体到内容、数据和知识、利用方式从信息孤岛到开放互联的演进历程。尤其注重海外珍稀古籍的数字化存量和增量调研。第二部分为技术应用的范式转移评估。通过典型案例分析评估技术的迭代对中国古籍数智化开发利用范式的影响，并为应对当前 AI 技术带来的机遇和挑战提出意见和建议。尤其注重生成式人工智能、智能体、具身智能、空间智能等前沿技术如何赋能中国古籍的数智化开发利用和活化传承。第三部分为国际合作和人智协同标准的制订和应用调研分析。通过 IIIF、关联数据、MCP（模型上下文协议）等标准规范在中国古籍数智化领域的应用调研，考察国际合作的现状、分析问题和瓶颈、提出未来发展建议。尤其注重 MCP 等新型 AI 技术应用协议和人工智能伦理治理政策对中国古籍的既有开放共享模式的影响，以及可能带来的新突破、新机遇。 将“中国古籍”作如下框定：中国古籍指 1912年以前在中国书写或印刷的文献。在内容上，涵盖传统学术中经、史、子、集四部，其类型包括一般古籍、甲骨金文、简帛古籍、敦煌遗书、类书、丛书、地方志、谱牒、碑帖及古地图等。古籍是以文本、图像、实物等形式承载知识与思想，依托特定材料、制作技术与装帧形制加以定型的文化记忆媒介，在历史流传中发挥着记录、传递与累积文明成果和传承与传播文化思想的功能。中国古籍是中华优秀传统文化的重要载体，集中承载了具有中华传统的知识生产方式、文明演化历程与文化传承机制，经过有效的为了进一步明确报告的调研范围，本报告参考《古籍定级标准》（WH/T 20-2006 / GB/T 31076.1-2014）后，数智化转化后，必将在发挥重要的作用。 二 全球视野下中国古籍数字化存量与增量 在普查登记工作进行的同时，数字化工作也在同步进行。截至第 11 次古籍数字资源发布，全国累计发布古籍及特藏文献影像资源将超过 16.1 万部（件）3。2025 年 10 月，古联公司发布的数据库产品资源规模已达 45 亿字，构成国内规模最大的线上整理本古籍资源库。4由国家图书馆（国家古籍保护中心）建设的中华古籍资源库陆续发布国家图书馆藏善本和普通古籍、法国国家图书馆藏敦煌遗书、天津图书馆藏普通古籍、日本永青文库捐赠汉籍、云南省图书馆善本古籍、芷兰斋藏稿抄校本等古籍影像资源，总量超过了 3.3 万部。在古籍资源方面开放共享的举措，也迅速得到了全国各古籍收藏单位的积极响应。国家古籍保护中心联合省市区县级公共图书馆、高等院校、科研机构、博物馆系统等 40 余家古籍收藏单位在线发布古籍数字资源超过 5 万部，得到了社会各界的热烈反响和一致好评，形成了全国联动的新局面。 随着全球文化遗产数字化进程加速，同时受到 AI技术的影响，中国古籍在数字空间中的存在形态与利用方式正在发生一系列变化。以下是从项目类型、内容、主题领域及技术方法等方面，对遴选的 54 个案例项目与平台展开调研的情况呈现。 （一）中国古籍数字化的全球开展情况 中国古籍承载着五千年的文化记忆。自 2007 年“中华古籍保护计划”实施以来，我国古籍保护工作实现了从最初的家底不清、保护薄弱境况，逐渐向体系化与科学化发展。通过调查全国古籍普查登记基本数据库发现：截至 2024 年 10 月 27 日，累计发布319 家单位古籍书目记录941708 条 8982920 册1。由中国国家图书馆（中国国家古籍保护中心）与北京大学数字人文研究中心联合设计开发的“《国家珍贵古籍名録》知识库”平台统计显示：目前，国务院已批准公布六批《国家珍贵古籍名录》，全国已有 485家机构或个人收藏的 13026 部古籍入选，涵盖先秦两汉至明清时期的汉文古籍、少数民族文字古籍和其他文字古籍。其中，甲骨 4 种，简帛 187 种，敦煌遗书 405 件，碑帖拓本 219 件，古地图 149 件，普通古籍12062 部（包含少数民族文字古籍及其他文字古籍）。2 具体而言，目前，国家图书馆已发布馆藏古籍2万余部，国家图书馆超过 2/3 的善本古籍实现了在线阅览。天津图书馆提供总量约 5800 余种 300 万拍明清古籍数字资源。中华古籍善本国际联合书目系统著录了三十余家海内外图书馆所藏古籍善本，数据达 2万多条，并配有 1.4 万余幅书影。云南省图书馆提供少数民族汉文著述等古籍数字资源共 139 种 727 册给国家图书馆（国家古籍保护中心）。数字方志主要包括为清代（含清代）以前的数字方志资源 6529种。金刻《赵城金藏》共有 1281 件数字资源已正式发布。宋人文集善本通过缩微胶卷还原数字影像并辅以详细书目，目前已发布 275 部。碑帖以国家图书馆藏有的历代甲骨、青铜器、石刻等类拓片二十三万余件为基础建设的数据库，现有元数据 2.5 万余条，影 像 3.1 万 余 幅。 甲 骨 实 物 元 数 据 2964 条， 影 像5932 幅。甲骨拓片元数据 2975 条，影像 3177 幅。西夏文献书目数据 124 条，原件影像近 5000 拍。敦煌 遗 书 由 国 际 敦 煌 项 目（International DunhuangProgramme，IDP）5完 成 写 卷 影 像 18 万 余 拍， 法藏敦煌遗书完成共计 5300 余号 3.1 万余拍。谱牒部 分，徽州善本家谱印刷资料数据库收录了中国国家图书馆藏善本古籍中徽州家谱 243 种 286 部，配有书影 5437 幅。国家图书馆与上海图书馆合作，征集该馆所藏明清家谱数字资源 2200 余种。6 （二）中国古籍数字化发展的阶段演进 结合调研结果来看，可以初步将中国古籍数智化进程概括为四个阶段：一是数字化阶段，以扫描、元数据规范制订、元数据著录和数字资源库建设为核心任务，此阶段解决的是数字化转换、保存与检索利用的问题。全球文化遗产数字化浪潮在新世纪前 后 进入加速期，美欧等地的数字图书馆项目、中国国家数字图书馆推广工程等陆续启动，全球文化遗产数字化浪潮推动大量馆藏古籍完成高清影像采集。二是数据化阶段，以 OCR 、自动句读、标点、分词、词性标注等技术成熟为标识。古籍文本被转化为可检索和计算的数据，多个调研案例自动句读准确率达到 90%以上，文本识别精度显著提升，古籍数智化进入数据驱动的时代。三是语义化阶段，基本知识单元由文本向知识节点和关联发展。在此阶段，基于 BERT 模型的分类、标引、实体提取研究发展迅速。具体而言，基于知识图谱技术的知识库构建成为数智化中的主要成果，其中又以人物、地名、官职等实体抽取与知识图谱构建成为重，约 40% 的调研案例涉及知识图谱构建，语义化成为常规范式。四是智能化阶段，围绕大语言模型的垂直领域应用和模型训练成为古籍资源整合与利用的新模式。特别是 2022 年多款生成式人工智能大模型发布后，基于古籍数智化成果训练垂直领域模型成为新趋势。调研案例中多个项项目构建了垂直领域模型，语料规模达数十亿字，实现了智能化古文标引、文白翻译、智能问答与辅助研究功能。 放眼海外，中国古籍数字化仍以大型国家图书馆和高校图书馆为主体。例如，大英图书馆（BritishLibrary）通过国际敦煌项目实现了数字化敦煌文献数万页7。法国国家图书馆（Bibliothèque nationalede France）在 Gallica 平台上线中文古籍与手稿数千种8。美国国会图书馆（Library of Congress）收藏东亚文献约 4 万册，其中部分珍本已实现高清开放访问9。Harvard-Yenching Library 则持续推进中文古籍目录与影像数字化10。从整理时序来看，早期数字对象多停留在高清图像与基础元数据层面，尚未形成大规模可计算的文本资源。 不过，近年来国内数字化存量规模明显扩大、数智化加工范式正快速向人工智能转向。以国家图书馆古籍数字资源平台为代表，已累计上线古籍影像与目录数据数十万条。“荀子”古籍大语言模型项目覆盖《四库全书》等传世古籍的 40 亿字混合语料库11。中国哲学书电子化计划（CTEXT）收录古籍文本超过 3 万余部12。从本次 54 项样本统计结果看，约 70% 的项目进行了全文文本化结构化处理，约 40% 的项目进入知识图谱构建阶段，近三年新增项目中，甚至超过了一半项目与大语言模型训练直接相关。 1,400 余家机构的古籍馆藏古籍书目数据，可查询 60余万条古籍元数据记录，根据“作品 - 版本 - 单件”三层模型合并得到古籍作品 21 万余种，融合历代官修、私家、藏书楼等多种类型的古籍目录数据，形成138 万余条循证研究数据，其中上海图书馆馆藏古籍书目 13 万 7 千余种，发布馆藏古籍扫描影像 1 万零8 百余种23。中国家谱知识服务平台可查全球华人家谱目录 9 万 8 千余种，其中上海图书馆馆藏家谱 4 万零 5 百余种，发布馆藏家谱扫描影像 1 万 4 千 6 百余种24。上海图书馆馆藏碑帖约 25 万种，其中善本碑帖 3000 余种，碑帖知识库发布全文影像 45 种、单字切割图像 74198 个25。在海外，哈佛燕京图书馆馆藏中文文献约 90 万册26，5.3 万卷中文善本特藏已全部数字化，法国国家图书馆手稿部27的中国藏书是该部最大的馆藏，拥有超过 15 万册木刻、石印或铜版 /铅版活字印刷的书籍，数百份手稿，以及 500 多种期刊，大英图书馆28有中文在线档案和手稿约 4000 件。 （三）存量与增量及趋势分析 从语料规模看，不少古籍全文资源已进入“亿字级”规模区间。尤其是大模型项目的出现，使古籍数据逐步向少数核心平台集中，呈现明显平台化趋势。具体而言，荀子古籍大语言模型项目构建了覆盖四库全书等传世古籍的混合语料库。截至 2021 年籍合网已上线 资源 5000 余 种，累计 约 20 亿字13。CTEXT 收录超过三万部文献、五十亿字符14。中国