张久珍 | 馆藏资源活化利用的数据基础

馆藏资源活化利用的数据基础

北京大学信息管理系主任、出版研究院院长张久珍

尊敬的各位各位专家、各位领导，非常荣幸受邀代表学术界发言。从去年文旅部委托北大信管系做“智慧图书馆”项目起，我这边一直非常关注新时代的“智慧图书馆”如何建设。以前我们做图书馆研究的时候，都是对已有的、成熟的产业案例、行业案例进行总结，但是当下怎么做“智慧图书馆”，国内外都没有案例可循，而是要“适度超前”进行前瞻性、务实地勾勒一个可落地的中国图景。我谈一下个人和我们团队的研究结论：

一是未来图书馆一切业务的底座一定是AI。也就是说，“人工智能”一定是图书馆、是国家文化繁荣发展的“新质生产力”，会带来颠覆性的变化。比如，图书馆业务中的“编目”，现在还是编目员以人工的方式一个字段一个字段去录入，AI介入后，编目时可直接对“版权页”拍照，在拍照的同时触发基于AI模型的OCR文字识别，自动将“版权页”的CIP数据（题名、著者、ISBN、出版年月、版次、图书分类等）填充到元数据著录系统的各字段中。以后，编目的工作可能主要是拍照了。又比如，图书馆的“检索”业务，目前多是关键词检索，检索的内容是“书目”信息，未来的检索应该是基于AI大算力的RAG（检索增强生成，Retrieval Augmented Generation）。RAG与ChatGPT不同的是，RAG的回答来自书中可靠、可信、可回溯的内容。如果图书馆馆藏的所有书都这样，且所有文献都打通了提供RAG检索增强生成，大家可以想象一下读者使用图书馆是多么方便。

二是图书馆的下一个未来应该是“数据图书馆”。过去图书馆经历了实体馆藏的图书馆、数字图书馆两个阶段，我们认为，下一个未来一定是“数据图书馆”。这里的“数据”与之前的数据不一样，以前图书馆的数据主要是从“0”到“1”揭示“存不存在”，比如编目的元数据主要起这个作用。但是，新的“数据图书馆”的“数据”，是能够训练AI模型的标注数据。现在智慧图书馆的普遍建设思路是用AI来优化图书馆的业务流程。实际上，这种思路是有局限性的。我们认为应该是图书馆去产生各式各样的、优质的“训练语料数据”，供图书馆和图书馆外部的、能够渗透到人民日常生活方方面面的“通用人工智能”AI模型使用，只有这样才能达成完全不着痕迹的“活化利用”使命和“以文化人”使命。

三是文化系统需要“大一统”的数据基础设施。当前，生成式人工智能（AIGC）在人文领域的事实性数据上出现了“幻觉”，就是一本正经地胡说八道，对人文问题的答复缺乏权威性、缺乏可信度、缺乏可解释性，问题比较大。实际上，主要原因是数据之间处于割裂状态，无法关联、无法推理计算，这要求有一个“大一统”的数据基础设施。所谓的“大一统的数据基础设施”，就是历史上以及当下的任何人、职官、地名、机构等等，都只有一个唯一的、统一的DOI（唯一标识符），这样，不同的机构标注的可用于AI训练的数据才能做数据交换、数据关联、数据计算、数据回溯。

由于时间关系，我只说我们得出的3个重要的、关于智慧图书馆、国家文化数字化相关的基本结论和方向。

四是今天国家图书馆出版社发布的“中国古籍图典资源库”。我提前用给的账号进去看了一下，非常惊艳，古籍里各种以前没有注意到或一扫而过的动物、植物、物品等等，都做了标注和提取，而且标注提取出来后显示度更强大了。对于这个“中国古籍图典资源库”，我的理解：

一是创造性产生了不少新的命名实体知识。过去我们的目光都放在人、地、职官，实际上花鸟虫鱼、梅兰竹菊、桌椅农具都是有价值的文化知识。这些全新的实体知识，如何在学术界、文化界、产业界得到充分利用，应该有很大的前景。

二是吹响了文化大数据的“号角”。当图书馆界开始关注图书、期刊、文章这种“粗粒度”下更细粒度的“知识”时，一个新的、让人憧憬的“知识世界”可能才真正出现。我觉得新发布的资源库更像是一个号角、一面旗帜，让更多的人关注到了这一点。

上面是我不成熟的认识和看法，敬请大家指正，谢谢大家！

（本文根据“古籍图典数字化与活化利用研讨会”录音整理 ）

■ 文章来源：古籍图典数字化与活化利用研讨会

编辑 | 杨洋

监制 | 张颀

审核 | 弘文