活态象形文字的计算再生：纳西东巴文的计算机视觉处理、语义提取与技术前沿分析

I. 导论：数字人文视野下的“东巴文难题”

1.1. 纳西东巴文：作为文化遗产的价值与濒危现状

纳西东巴文是云南丽江纳西族的核心文化载体 1。它并非一种孤立的文字系统，而是围绕“东巴教”——一种原始宗教文化——构建的多元复杂体系的基石 1。东巴文化由东巴（祭司）、东巴仪式、东巴文字、东巴经典、东巴舞蹈和东巴绘画共同构成，而东巴文字是串联并记录这一切的媒介 1。

其在全球文化中的重要性是独一无二的。东巴文是一种原始的图画象形文字 1，更重要的是，它是当今公认的“世界上唯一还在使用的象形文字” 5。这一特性使其被誉为“文字活化石” 1，为研究人类远古文化的源流变迁提供了无可替代的样本 5。2003年，东巴古籍文献因其独特价值被联合国教科文组织（UNESCO）正式列入《世界记忆名录》 1，标志着其全球重要性得到了最高认可。

然而，与这一崇高地位形成鲜明对比的是其濒危的传承现状。东巴文的释读、吟诵和书写高度依赖于被称为“东巴”的祭司 1。随着社会变迁，目前能释读和吟诵东巴经典的中国云南、四川及藏区的几位老东巴祭司已年逾古稀 5。如果不能采用现代数字化手段，在这些寥寥无几的传承者有生之年，记录、复制并解析他们掌握的知识，东巴文化将面临一个“由活的象形文字走向死亡的残酷现实” 5。这种消亡对全人类而言将是“无可挽回的重大遗憾” 5。

1.2. “计算机图像化处理”的内涵：超越扫描

面对东巴文的濒危现状，本报告所探讨的“计算机图像化处理”绝非简单的数字扫描和存档。它是一个复杂的、多层次的技术栈（Tech Stack），旨在将这种“活态”的、存在于手稿和口头传统中的文字，转译为计算机可以理解、处理、乃至“翻译”的结构化信息。

该技术栈可被定义为五个逐层递进的层次：

1. 层次1：数字化 (Digitization)
   此阶段的目标是将物理手稿——包括东巴教经籍以及地契、记账本、书信、歌本等民间文献 9——转化为数字图像。这涉及专业的图像采集技术，如中国专利CN104794470A中所述的流程 10。
2. 层次2：检测与分割 (Detection & Segmentation)
   在数字化图像（通常是模糊、受损的）中，自动定位（Detection）和分离（Segmentation）出单个或成组的东巴文字形。
3. 层次3：识别 (Recognition / Classification)
   将分割出的字形图像进行分类，判定其对应于约2000多个东巴字符 1 中的哪一个（例如，判定该图像是字符“鸟”还是字符“人”）。
4. 层次4：语义提取 (Semantic Extraction)
   这是最具挑战性的一步。它要求计算机不仅能“认字”，还能“理解”字。即，理解该字符或字符组合在特定上下文中的含义（例如，同一个“鸟”的字形，在此时是表示“飞翔”这个动作，还是作为“神灵的使者”这一特定文化符号）。
5. 层次5：翻译与复原 (Translation & Restoration)
   将提取的语义翻译为现代语言（如中文），并可能结合（层次1中）采集的语音数据 7，复原其原始的吟诵读音，实现真正的“视听”复原。

1.3. 核心论点：东巴文作为现代AI的“压力测试”

本报告的核心论点是：纳西东巴文的独特性质，使其成为现代计算机视觉和人工智能（尤其是大型模型）的“压力测试”。

东巴文的“图像化处理”触及了该领域的核心难题：东巴文无法被视为传统意义上的“文本”（Text），它必须被视为“携带语言学意义的图像”（Linguistically-Charged Images）。现代自然语言处理（NLP）是建立在“文本”是一个已解决的输入形式（即Unicode编码的字符串）的假设之上的 11。但东巴文缺乏统一编码 12，且其排列是非线性的 13，使其无法被“文本化”。

因此，处理东巴文必须首先使用计算机视觉（CV）技术。然而，它又不是纯粹的CV问题（如识别日常物体），因为这些图像（字形）具有复杂的、上下文相关的语义 12。东巴文问题是一个真正意义上的“多模态”难题，它位于CV和NLP的交叉点，但又不同于两者各自的传统领域。

正因如此，本报告将揭示一个关键发现：当前最先进的大型多模态模型（LMMs），如GPT-4o和Gemini 2.0，在尝试处理东巴文的深层语义时遭遇了灾难性的失败 12。这表明，东巴文的计算再生，不仅是对濒危文化遗产的抢救，也是对现代AI能力边界的一次深刻探索。

II. 计算处理的多维障碍：为什么东巴文如此困难？

纳西东巴文的计算机处理之所以极端困难，是因为它在物理层、字符层和语义层均设置了独特且相互叠加的障碍。

2.1. 物理层挑战：退化的手稿

第一个障碍来自于手稿的物理载体。东巴古籍的数字化面临严峻的图像噪声问题：

1. 脆弱的载体：东巴古籍所使用的“东巴纸”是一种传统手工纸，其物理特性使其极易折叠、损坏和被污染 13。
2. 手稿老化：由于长期使用和保存不当，手稿普遍存在严重老化 13。墨迹会随着时间而褪色 13，纸张会发黄，并出现大量污渍和水印 13。
3. 采集噪声：在数字化采集过程中，模糊的纸质经书 10 会导致图像对比度低、笔划不清。

这些物理层面的退化，对计算机视觉构成了严峻挑战。简单的图像二值化算法会丢失褪色的笔划，而复杂的水渍和污渍则可能被AI模型误认为是文字笔划 13。因此，任何后续的高级处理，都必须建立在一个强大的图像预处理管线（pipeline）之上，包括高级去噪、对比度增强和笔划特征突出化 10。

2.2. 字符层挑战：非标的检测与分割

如果说物理层是工程障碍，字符层则是计算机视觉面临的根本性障碍。东巴文手稿的特征使其几乎免疫所有“基于规则”的传统CV算法。其核心挑战在于其高度的“非标准化”：

1. 无固定形态：东巴文字符“大小不一” 13。同一个字（例如“神”）在不同位置或不同经书中，其尺寸可能相差甚远。
2. 无固定布局：手稿中的字符呈现“非线性排列” 13。它们不像现代文本那样整齐地从左到右或从上到下排列，阅读顺序和空间布局可能非常灵活。
3. 无统一风格：东巴古籍多为不同时期的东巴祭司手抄而成，导致了“不同东巴书写者之间存在显著的写作风格差异” 13。
4. 无标准编码：东巴文“缺乏一个标准化的编码系统” 12，它“尚未成为Unicode的脚本” 11。

东巴文在字符层的这些特性，是推动该领域技术选型从传统CV转向深度学习的根本原因。

“无统一风格”和“无固定形态”的特性，使得基于模板匹配（Template Matching）或刚性特征（如HOG 14）的“经典”机器学习方法极其脆弱。一个为祭司A的“鸟”字设计的特征描述符，将完全无法识别祭司B风格迥异的“鸟”字。

而“无固定布局”的特性，使得在传统OCR（光学字符识别）中广泛使用的、基于投影的分割算法完全失效。

这种由书写者、时代、手稿状况共同导致的高度视觉可变性 (visual variance)，恰恰是卷积神经网络（CNN） 15 的核心优势所在。CNN能够通过数据驱动的方式，自动学习到鲁棒的（robust）特征，使其能“看穿”不同书写风格和形态的差异，抓住字形的核心拓扑结构。因此，正是东巴文本身的困难，淘汰了HOG+SVM 14 的技术路线，并必然导向了以CNN为代表的深度学习方法 11。

2.3. 语义层挑战：表意文字的“语义鸿沟”

如果说CNN解决了“认字”的问题，那么语义层的挑战则是AI面临的、迄今仍未被攻克的最大难关。这也是导致SOTA（最先进的）大型模型失败的根源 12。

东巴文是“图画象形文字” 1，具有“图画表意特征” 12。这意味着一个字形（图像）与它的含义（语义）之间不是简单的、一对一的映射关系。其语义的复杂性体现在独特的语言学现象上：

1. 多义性 (Polysemy)：东巴文字形存在“一字多义”现象，一个字形可以有多种含义，其具体释义完全取决于上下文 12。
2. 上下文省略 (Contextual Omission)：这是最棘手的特征之一。东巴手稿中会省略某些字形，其含义需要读者（祭司）根据上下文和口头传统自行“脑补” 12。
3. 语法差异：东巴文的语法结构与现代语言（包括汉语）“显著不同” 12。

这些特性揭示了一个深刻的事实：东巴手稿（图像）本身只是“冰山一角”。

东巴文手稿本质上是一种“助记符”（mnemonic device）16。它并非书面语的完整记录，而是辅助祭司回忆起口头叙事的工具。这一点在早期的抢救工作中就被敏锐地意识到：抢救工作必须“采用现代数字化手段...记录及复制老东巴祭司们吟诵经典的原始读音”，并将“读音与象形文字逐字逐句对应起来” 5。

这背后的技术含义是：一个只看图像的AI模型，无论其视觉能力多强，都注定无法翻译东巴文。因为它从一开始就缺失了最关键的信息：隐藏在水面之下的口头传统、上下文逻辑和被省略的字符。

因此，一个成功的东巴文“图像化处理”系统，其终极形态必须是一个多模态系统。其输入至少应包括：【图像】（字形）、【文本】（上下文中的其他字形）、【语音】（如5中提到的语音数据）。这也解释了为何后来的成功实践 7 从立项之初就强调必须“基于...大量图像和语音数据”。

III. 技术路径演进：计算机“学习”阅读东巴文

面对上述多维障碍，计算机科学界对东巴文的处理经历了从基础图像工程到前沿人工智能的清晰技术演进。

3.1. 阶段一：经典图像处理 (Phase 1: Classic Image Processing)

此阶段的目标是解决物理层的挑战，即数字化与数据准备。其代表是中国的发明专利CN104794470A 10。该专利描述了一种面向东巴象形文的数字化获取与图像处理方法，其技术管线清晰地反映了对物理障碍的应对：

1. 数字图像采集：获取原始手稿图像。
2. 去噪：处理手稿老化和污染问题 13。
3. 笔划特征突出化：通过算法增强目标文字与背景的对比度，解决墨迹褪色和图像模糊问题。
4. 轮廓检测：初步分离字形。
5. 尺寸统一化：为后续处理进行归一化。

此阶段是后续所有AI应用的基础工程。其产出是相对清晰、归一化的字形图像，为机器学习阶段提供了“干净”的输入数据。

3.2. 阶段二：“经典”机器学习 (Phase 2: "Classic" Machine Learning)

此阶段的目标是实现“自动识别”。在深度学习浪潮普及之前，研究者采用了当时标准的计算机视觉范式。一篇2020年的研究 14 展示了这种方法：

1. 预处理：灰度图像平滑去噪、边缘检测。
2. 特征提取：使用方向梯度直方图 (HOG, Histogram of Oriented Gradient)。这是一种“手工设计”的特征，通过计算和统计图像局部区域的梯度方向直方图来构成特征，对物体的形状和轮廓敏感。
3. 分类器：将提取到的HOG特征向量输入支持向量机 (SVM, Support Vector Machine) 进行分类。

这种“HOG+SVM”的范式是当时的SOTA。然而，如前文[II. 2.2]所分析，其根本局限在于HOG特征的刚性。HOG特征描述符无法有效处理东巴文手写体之间巨大的风格差异和非刚性形变 13，导致其泛化能力和准确率受限。

3.3. 阶段三：深度学习 - 卷积神经网络 (Phase 3: Deep Learning - CNNs)

此阶段的目标是实现高精度的图像分类。以卷积神经网络（CNN）为代表的深度学习方法，凭借其强大的自动特征提取能力，完美地克服了“经典”机器学习的局限性。

多篇学术论文 11 证明了CNN在东巴文识别上的有效性。其中一篇研究 15 明确使用了ResNet（残差网络） 架构。为了适应东巴文的特性，研究者对ResNet模型进行了优化和定制，例如增加残差块 (residual blocks) 的数量以加深网络，并调整卷积核的大小和数量以更好地捕获东巴文字形的精细特征。同时，为了防止在深度网络中过拟合，模型在损失函数中加入了L2正则化作为惩罚项 15。

由于真实的、带标注的东巴文手稿数据是稀缺的，数据增强 (Data Augmentation) 技术在此阶段至关重要。研究者通过对有限的原始图像进行一系列变换来扩充数据集，包括：旋转 (rotation)、仿射变换 (affine transformation)、缩放 (scaling) 和平移 (translation) 17。

这些努力取得了显著的成果。例如，有研究报告称，在优化训练条件下（75个训练周期，批处理大小512），其CNN模型在东巴文分类任务上的准确率达到了 99.84% 17。

然而，这个惊人的高准确率具有一定的误导性。仔细分析文献可知，这个99.84%的准确率是针对一个18类的分类任务 11。而东巴文的字符总数约有1400至2000个 1。

因此，这些研究的真正价值并不在于它们“解决”了东巴文识别问题。相反，它们在方法论上证明了：CNN（特别是ResNet 15）是识别东巴字形的正确工具，但它们解决的只是一个“玩具问题”（18类），距离“真实世界问题”（1400+类）还很遥远。更重要的是，它们解决的是分类 (Classification)（“这是什么字？”），而不是翻译 (Translation)（“这句是什么意思？”）。后者需要理解上下文、省略和多义性，是CNN无法单独完成的。

3.4. 阶段四：深度学习 - 上下文与语义 (Phase 4: Deep Learning - Context & Semantics)

此阶段标志着一个重大的范式转变：研究的焦点从孤立的字形转向了包含上下文的场景。其目标是超越单个字形的分类，尝试理解图像的整体语义，并生成描述性文本。

一篇针对东巴画（与东巴文同源且常混合使用）的研究 19 体现了这一前沿探索。该研究构建了一个“编码器-解码器” (Encoder-Decoder) 架构：

1. 编码器 (Encoder)：使用CNN 19 捕获图像中的关键视觉语义信息。
2. 解码器 (Decoder)：使用Transformer 19 结构，利用其强大的自注意力机制（self-attention）来捕捉长距离依赖关系，并生成描述性的文本。

该研究敏锐地指出了一个核心挑战：“领域偏移” (domain shift) 19。即，通用的图像描述模型虽然能生成语法正确的句子（例如“一个人在骑马”），但无法捕捉东巴画的特定文化主题和民族特征（例如“这是一个祭祀场景”）。

为了解决这个问题，研究者引入了创新的技术：

1. 内容提示模块 (Content Prompt Module)：通过图像特征向量得到主体、动作等信息，构建成提示信息，引导解码器关注具体的文化场景和细节。
2. 视觉语义-生成融合损失 (Visual Semantic-Generation Fusion Loss)：一种定制化的损失函数，用于“强迫”模型学习东巴画中的关键文化信息，使生成的描述与图像保持高度一致 19。

这篇论文的意义重大。它不再将东巴文（或画）视为孤立的符号，而是试图将其嵌入到一个“视觉-语义”的联合空间中。它通过定制化的提示 (Prompt) 和 损失函数 (Loss Function) 来向模型注入文化背景知识。这预示了后续大型模型在领域适应 20 和语义提取 12 方面的研究方向。

IV. 解题的基石：关键数据集的构建与分析

在现代人工智能领域，研究范式是数据驱动的。如果没有高质量的、公开的、带标注的数据集，算法的迭代和比较便无从谈起。上文[III]中所述的技术路径演进，其背后真正的驱动力是新型数据集的出现。从早期研究（如11）使用自建的小型数据集，到 'Dongba1800' 和 'DongbaMIE' 的发布，东巴文的计算研究才真正从“作坊式”探索转向了“工业化”的科学研究。

4.1. 'Dongba1800'：解决“寻找”字符的问题 (检测)

'Dongba1800' 数据集 13 是为解决[II. 2.2]中提到的字符层挑战而构建的。

• 目标：专为东巴文脚本检测 (Script Detection) 而设计 13。其任务是回答“字符在哪里？”。
• 规模：包含1800张精细标注的东巴手稿图像，总计111,702个东巴字符 13。
• 标注：由于东巴文字符形态不规则且排列非线性，该数据集没有使用简单的矩形框（bounding box），而是采用了高精度的多边形边界框 (polygonal boundaries) 13 进行轮廓标注。
• 价值：该数据集的发布，为训练和评估检测/分割模型（如YOLO, Mask RCNN, DBNet）提供了唯一的公开基准。在该数据集上的测试验证了[II. 2.2]中提到的挑战：模型（如Mask RCNN, DBNet）在处理密集、大小不一、风格各异的字符时均遇到了困难 13。

4.2. 'DongbaMIE'：直面“理解”语义的挑战 (语义)

'DongbaMIE' 数据集 12 标志着东巴文研究进入了[II. 2.3]所述的语义层。

• 目标：多模态信息提取 (Multimodal Information Extraction)，即“语义理解” 12。其任务是回答“这句话是什么意思？”。
• 规模：包含23,530个句子级别和2,539个段落级别的（东巴文图像 - 中文语义）图像-文本对 12。
• 标注：这是其核心价值所在。它不仅有中文翻译，还提供了更高维度的语义标注。标注涵盖了四个关键的语义维度：对象 (object), 动作 (action), 关系 (relation), 和属性 (attribute) 12。
• 价值：这是第一个（也是目前唯一一个）能够量化评测AI模型对东巴文语义理解深度的数据集。它将问题从“这是什么字？”（分类）提升到了“这句话在说什么？”（语义）的层面。

4.3. 东巴文关键公开数据集对比

为了澄清不同研究的技术目标和成果，下表对比了上述不同类型的数据集。

理解这张表格是理解东巴文计算研究现状的关键。例如，[III. 3.3]中提到的99.84%的准确率 17 和[V. 2]中将提到的3.16%的F1分数 12，两者之间并不矛盾。前者是在“私有分类数据集”上解决“分类”任务，而后者是在“DongbaMIE”上解决“语义提取”任务。二者难度有着数量级的差异。

表1：东巴文关键数据集对比

V. 关键发现：大型多模态模型（LMMs）的“东巴文失灵”

随着'DongbaMIE'这一高级语义数据集的问世，研究者得以执行一项前所未有的“压力测试”：评估当前最先进的、通用的大型多模态模型（LMMs）在面对一个真正“异质”的符号系统时的表现。

5.1. 实验设置：对SOTA模型的“压力测试”

近年，以GPT-4o、Gemini为代表的LMMs，以其强大的零样本（Zero-shot）和少样本（Few-shot）的图像理解与推理能力震惊了世界。它们似乎能“理解”任意图像并回答相关问题。

'DongbaMIE' 12 的研究者们，利用该数据集对包括GPT-4o、Gemini-2.0和Qwen2-VL在内的主流LMMs进行了系统性评测。任务是：在零样本和少样本设置下，让这些模型“看”东巴文手稿图像，并提取出[IV. 4.2]中定义的语义信息（如“对象”、“关系”）。

5.2. 灾难性的实验结果

实验结果是明确且令人震惊的：当前最先进的通用LMMs在东巴文语义提取任务上完全失败。

• GPT-4o：在零样本设置下，其句子级“对象”提取的F1分数（一种综合评价准确率和召回率的指标）仅为 1.60% 12。在最佳表现下（one-shot），F1分数也仅为 3.16% 12。
• Gemini 2.0：表现同样不佳，最佳F1分数仅为 3.11% 12。
• 复杂语义：对于更复杂的“关系” (relation) 和“属性” (attribute) 提取任务，GPT-4o和Gemini的F1分数均为 0.00% 12。这意味着它们完全无法理解这些语义。
• 监督微调 (SFT)：即便是放弃零样本，使用'DongbaMIE'数据集对开源模型Qwen2-VL进行监督微调（SFT），其F1分数也仅能达到 11.49% 12。

这些数据表明，AI距离“理解”东巴文还相差甚远。

5.3. 深度分析：为什么LMMs会失败？

LMMs的“东巴文失灵”，深刻地揭示了其“泛化能力”的根本边界。

LMMs的强大能力，并非源于真正类人的、抽象的“智能”，而是源于对其训练数据（主要是整个互联网）的“海量模式匹配”。在它们的训练数据（如LAION, Common Crawl）中，包含了数万亿的（图像-文本）对，涵盖了人类已知的大部分知识领域。

然而，东巴文及其独特的语言学规则（如[II. 2.3]所述的上下文省略、多义性 12）并不存在于这个训练数据集中。东巴文是一个对LMMs来说真正“分布外”（Out-of-Distribution, OOD）的、全新的符号系统。

当LMMs面对一个其知识库中完全没有的符号系统，以及一套其完全不懂的语法逻辑时，它所谓的“零样本”能力瞬间崩溃，其表现退化为随机猜测（F1分数接近0）。

这一失败雄辩地证明了：LMMs所谓的“零样本”能力，很可能只是一种“大数据驱动的插值”（massive-scale interpolation），而非真正的“外推”（extrapolation）或抽象推理。

这一关键发现的技术含义是：至少在目前，“一个模型通吃所有”的通用LMMs无法解决东巴文问题。解决之道必须是领域专有 (domain-specific) 的，即：（特定架构）+（高质量的领域数据集）+（领域知识注入）。

VI. 实践前沿：东巴古籍智能翻译系统（案例研究）

正当[V]中的分析揭示了通用LMMs的局限性时，一个多方协作的“中国方案”则展示了解决此类“OOD”问题的正确路径。

6.1. 项目概览：一个多方协作的“中国方案”

“东巴古籍智能翻译系统”是一个由学术界、本地教育界和文化领域专家三方深度协作的产物 7。

• 学术界 (AI)：华东师范大学（ECNU）计算机科学与技术学院、上海智能教育研究院（周爱民院长团队）7。
• 学术界 (本地)：丽江师范学院 8。
• 领域专家 (文化)：丽江市东巴文化研究院（和洁蕾院长）7。

该项目的启动源于2021年11月，华东师范大学团队访问丽江时，深刻体会到“保护并发扬优秀的民族文化是我们的责任” 7。经过近三年的努力，该团队于2024年8月成功研发并发布了“东巴古籍智能翻译系统” 7。

6.2. 技术栈分析：LMMs的正确使用方式

该系统的技术架构，完美印证了[V. 5.3]的推论，并展示了LMMs在专业领域的正确使用方式。

首先，该项目的数据基础是“基于丽江市东巴文化研究院提供的大量图像和语音数据” 7。这一点至关重要，它呼应了[II. 2.3]中的“冰山”洞察——东巴文的理解必须依赖“语音”数据（即口头吟诵传统）。

其次，其技术架构 20 采用了“领域适应” (domain adaptation) 的策略，而非“零样本”：

1. 前端：综合采用图像处理和深度学习技术（如CNN），实现对东巴古籍中象形文字的智能化识别与分割。
2. 后端（核心）：以华东师范大学智能教育研究院自主研发的教育大模型EduChat为基座 (base model)。
3. 方法：使用“大量（东巴文）语料数据训练”，对EduChat这个基座模型进行深入的“领域适应”。

ECNU项目的成功（初步实现翻译功能 20）与[V. 2]中LMMs的失败（F1\~3% 12）形成了鲜明对比。这清晰地展示了：

1. 12的研究证明了LMMs的零样本能力为0。
2. ECNU的方案从不依赖零样本能力。
3. 相反，他们（ECNU）将一个预训练好的大模型 (EduChat) 作为“知识底座”，然后用大量的、高质量的东巴文领域数据（图像、语音、文本），对这个模型进行深入的、持续的训练（即“领域适应”）。

结论是：ECNU的方案才是解决东巴文这类OOD问题的正确路径。通用大模型提供了基础的推理和语言能力，但要使其在专业领域可用，必须辅以高质量的专业数据和领域专家的深度参与（如20所述，系统支持专业研究需求）。

6.3. 成果与意义：从“抢救”到“传承”

该系统的价值不仅在于其技术上的突破。它初步实现了东巴典籍的“智能识别与诵读”功能 7，并且支持用户对翻译结果进行个性化调整，以满足专业研究的需求 20。

更重要的是，该项目团队的视野超越了软件本身。他们认识到，技术开发的最终目的是“传承”。为此，他们：

1. 编写了面向青少年和爱好者的《东巴文象形文字读本》 8。
2. 开发了一系列东巴文传承教育课程 8。
3. 在丽江当地中小学和丽江师范学院中，利用这些新形态的教材和课程进行传播和教学 7。

这标志着“计算机图像化处理”的最终目标得以实现——它不仅是数字存档（抢救），更是通过“AI + 教育”的模式，真正实现了文化的“活态传承”。

VII. 综合分析与未来展望

7.1. 当前的技术瓶颈：尚未跨越的语义鸿沟

尽管“东巴古籍智能翻译系统” 8 的面世是一个重大突破，但各方均承认，这只是一个开始。系统目前处于“初步实现” 7 阶段，三方团队将“深入探索东巴文的语义和文化细节”，“持续优化和迭代” 20。

[V. 2]中的数据（12）也从侧面印证了这一点：即使是使用'DongbaMIE'数据集进行监督微调，AI的语义提取F1分数也仅有11.49%。这说明AI在理解东巴文复杂的语义（尤其是“关系”和“属性”）方面，仍处于非常初级的阶段。

7.2. 未来的研究方向

基于上述分析，东巴文计算处理的未来研究方向是清晰的：

1. 数据驱动：需要构建更大规模、更深维度的 'DongbaMIE' 类数据集。不仅要标注“对象”，更要标注[II. 2.3]中提到的“关系”、“属性” 12，乃至链接到5所提到的语音和诵读数据，构建一个真正意义上的（图像-文本-语音）三位一体的多模态语料库。
2. 模型驱动：LMMs的失败 12 启示我们，可能需要为东巴文设计全新的模型架构。例如，将东巴文的独特语言学规则（如“上下文省略”）作为归纳偏置 (Inductive Bias) 显式地构建到模型中（例如，使用图神经网络 GNN 来建模字形之间灵活的“关系”）。
3. 标准化驱动：Unicode的困境与超越
   东巴文的“非Unicode”状态 11 是其计算处理的最大障碍之一，它阻碍了东巴文像其他文字一样被输入、搜索和处理。然而，这背后隐藏着一个“Unicode悖论”：
   • Unicode的逻辑是：一个码点（Codepoint）对应一个确定的字符。
   • 东巴文的逻辑是：一个字形（Image）在不同上下文（Context）中对应多个含义（Semantics）12。
   • 悖论在于：如果强行将东巴文“塞进”Unicode，可能会阉割其丰富的语言学特性，将其灵活的表意系统降维为一套僵化的符号。
   • 未来方向：也许东巴文的“标准化”不应该是字符（character）层面的（如Unicode），而应该是语义（semantic）层面的。例如，为东巴文建立一个类似 'WordNet' 或 'FrameNet' 的语义本体（Ontology），并将字形（作为图像）链接到这个语义本体上。

7.3. 最终结论

针对“纳西东巴象形文字计算机图像化处理”的调查，本报告的最终结论是：这是一个远未解决的、横跨文化遗产、语言学、计算机视觉和前沿人工智能的重大挑战。

对东巴文的处理，始于对濒危手稿 13 的基础图像处理（去噪、增强）10；发展于使用深度学习（CNNs）15 对孤立字形进行高精度分类（尽管是在有限类别上 11）；在构建了关键的检测数据集 ('Dongba1800') 13 和语义数据集 ('DongbaMIE') 12 之后，该领域的研究揭示了当前最先进的AI（包括SOTA LMMs）在理解真正“异质”的符号系统时的根本局限性 12。

最终，在以华东师范大学和丽江东巴文化研究院 20 为代表的“领域专家 + AI大模型 + 高质量多模态数据”的专有方案中，我们找到了通往“计算再生”的正确（尽管仍是初步的）路径。

东巴文的“图像化处理”不仅是技术上的攻坚，它更是在连接古代智慧与现代智能的桥梁。这一努力的成功与否，不仅关系到纳西族“文字活化石” 1 的存续，也将为全球其他濒临失传的（图像）文字的数字化保护和传承，提供一个至关重要的技术范本。

引用的著作

1. 东巴文字将有国际标准, 访问时间为 十一月 12, 2025， https://www.mct.gov.cn/whzx/whyw/201112/t20111201_708326.htm
2. 纳西族- 历史沿革, 访问时间为 十一月 12, 2025， https://www.neac.gov.cn/seac/ztzl/nxz/lsyg.shtml
3. 一、 作为族群主体精神的东巴文化, 访问时间为 十一月 12, 2025， http://www.shehui.pku.edu.cn/upload/editor/file/20181102/20181102092250_6621.pdf
4. Dongba Painting in Lijiang - Yunnan Exploration, 访问时间为 十一月 12, 2025， https://www.yunnanexploration.com/dongba-painting-in-lijiang.html
5. “'世界记忆遗产'东巴经典传承体系数字化国际共享平台建设研究”中期检查情况, 访问时间为 十一月 12, 2025， http://www.nopss.gov.cn/n/2015/0731/c357639-27393118.html
6. Dongba: The Last Hieroglyph and the Struggle to Save Naxi Culture | Ancient Origins, 访问时间为 十一月 12, 2025， https://www.ancient-origins.net/ancient-places-asia/last-hieroglyphic-language-earth-and-ancient-culture-fighting-survive-001264
7. 东巴古籍智能翻译系统面世古老文字获得现代解读 - 新华网, 访问时间为 十一月 12, 2025， http://www.xinhuanet.com/ci/20240812/64d4d5f128314d02b75e1eec133ef6fa/c.html
8. 东巴古籍智能翻译系统面世古老文字获得现代解读 - 中国网, 访问时间为 十一月 12, 2025， http://ccpd.china.com.cn/2024-08/12/content_42892162.html
9. 纳西族东巴文献整理范式检析 - 学习公社数字图书馆, 访问时间为 十一月 12, 2025， http://library.ttcdw.com/libary/wenhuakejisuyang/minzu/117843.html
10. CN104794470A - 一种面向东巴象形文的数字化获取与图像处理方法 - Google Patents, 访问时间为 十一月 12, 2025， https://patents.google.com/patent/CN104794470A/zh
11. (PDF) Enhancing Dongba Pictograph Recognition Using ..., 访问时间为 十一月 12, 2025， https://www.researchgate.net/publication/391309838_Enhancing_Dongba_Pictograph_Recognition_Using_Convolutional_Neural_Networks_and_Data_Augmentation_Techniques
12. arXiv:2503.03644v1 [cs.CV] 5 Mar 2025, 访问时间为 十一月 12, 2025， https://arxiv.org/pdf/2503.03644
13. Dataset for Single Character Detection in Dongba Manuscripts - PMC, 访问时间为 十一月 12, 2025， https://pmc.ncbi.nlm.nih.gov/articles/PMC12217708/
14. 基于HOG特征提取和支持向量机的东巴文识别, 访问时间为 十一月 12, 2025， https://jns.nju.edu.cn/article/2020/0469-5097/0469-5097-2020-56-6-870.shtml
15. Enhancing Dongba Pictograph Recognition Using Convolutional ..., 访问时间为 十一月 12, 2025， https://www.mdpi.com/2078-2489/16/5/362
16. Dongba symbols - Wikipedia, 访问时间为 十一月 12, 2025， https://en.wikipedia.org/wiki/Dongba_symbols
17. Aberystwyth University Enhancing Dongba Pictograph Recognition Using Convolutional Neural Networks and Data Augmentation Techniques, 访问时间为 十一月 12, 2025， https://research.aber.ac.uk/files/92454687/Article.pdf
18. Study on the Pictograph of Dongba Script in Lijiang Area - Scientific Research Publishing, 访问时间为 十一月 12, 2025， https://www.scirp.org/journal/paperinformation?paperid=83094
19. 结合提示学习和视觉语义生成融合的东巴画图像描述, 访问时间为 十一月 12, 2025， https://www.cjig.cn/rc-pub/front/front-article/download/84439005/lowqualitypdf/%E7%BB%93%E5%90%88%E6%8F%90%E7%A4%BA%E5%AD%A6%E4%B9%A0%E5%92%8C%E8%A7%86%E8%A7%89%E8%AF%AD%E4%B9%89-%E7%94%9F%E6%88%90%E8%9E%8D%E5%90%88%E7%9A%84%E4%B8%9C%E5%B7%B4%E7%94%BB%E5%9B%BE%E5%83%8F%E6%8F%8F%E8%BF%B0.pdf
20. 东巴古籍智能翻译系统面世深度保护传承世界仅存象形文字- 文体 - 云南日报, 访问时间为 十一月 12, 2025， https://www.yndaily.com/html/2024/wenti_0817/127742.html
21. 東巴古籍智能翻譯系統面世古老文字獲得現代解讀 - 中国新闻网, 访问时间为 十一月 12, 2025， https://m.chinanews.com/wap/detail/cht/zw/10267376.shtml