核心要點

• 通用大語言模型（LLM）已超越專業手寫識別軟件，在準確率、速度、成本上全面領先。

• LLM 可快速破譯歷史檔案、私人手稿、賬簿等，解鎖海量塵封文獻，助力學術研究與家族溯源。

• 專業工具商 Transkribus 正集成 LLM，行業范式從 “專用模型” 轉向 “通用 AI”。

當我在肯塔基州伯里亞學院檔案館翻閱貝爾?胡克斯（bell hooks）私人日記時，本以為能直接讀到她未經修飾的私密思緒，結果卻陷入困境：她的草書字跡密集、筆畫纏繞，在我眼中幾乎一模一樣，而且還有多年的日記需要整理。我只能逐頁拍照，用 ChatGPT 轉錄內容。沒想到這個方法效果很好，而我也并非檔案館里第一個發現這一點的人。

幾十年來，AI 研究者一直致力于讓計算機可靠識別千變萬化的手寫體。上世紀 60 年代，人們曾預言機器很快就能輕松讀懂手寫文字；但現實是，這個難題催生了數十年的專用研究與完整商業產業。深度學習先驅、圖靈獎得主 Yann LeCun在 80 年代發表手寫數字識別開創性成果，證明在受控環境下的可行性；但真實檔案館的復雜文獻，一直是另一回事。

如今這一界限正在被打破。通用大語言模型雖非完美，卻已足夠實用：曾需要古文字學訓練、定制軟件、數周人工辨識的手寫頁，現在幾秒內就能生成可用轉錄文本。大量保存完好卻難以查閱的檔案，終于變得可檢索，為學者、普通人開啟前所未有的研究可能。

一、大規模破譯：從一戰檔案到 AI 驗證

加拿大威爾弗里德?勞里爾大學歷史教授、生成式 AI 項目協調馬克?漢弗萊斯（Mark Humphries）耗時十年，數字化了1000 萬頁加拿大一戰撫恤金檔案。這些檔案由數百名職員、軍官書寫，字跡各異，無法訓練專用識別模型，查找單個信息如同大海撈針。

2023 年 GPT-4 發布后，漢弗萊斯開始用它處理手寫檔案，初版結果雖粗糙，卻優于以往所有通用工具。團隊耗時兩年系統驗證，2025 年 5 月發表于《歷史方法》期刊：在 18–19 世紀英文信件、法律文書、日記測試中，LLM 在準確率、速度、成本上全面超越專業手寫識別軟件 Transkribus。

• Transkribus（未訓練文檔）：字符錯誤率約8%

• LLM 最優方案：錯誤率降至2% 以下、速度快50 倍、成本僅為1/50

Transkribus（全球 150 + 高校 / 檔案館在用）已宣布集成 LLM，順應行業趨勢。漢弗萊斯說：“這正是我們一直期盼的工具。”

漢弗萊斯認為，AI 領域通用方法終將超越專用方案（理查德?薩頓 2019 年觀點）：LLM 訓練數據海量，在無人工標注下，自動習得手寫體與文本的映射關系，無需針對特定字跡單獨訓練。

二、學術革命：解鎖塵封的歷史敘事

莉安?萊迪（Lianne Leddy）（威爾弗里德?勞里爾大學副教授、加拿大原住民歷史研究主席）借助 AI，追蹤北美原住民女性的歷史軌跡：皮毛貿易日志、洗禮記錄、婚姻登記散落在加拿大各地檔案館，幾乎全由男性職員書寫，極少關注原住民女性。

傳統研究需人工翻閱數千份文檔，篩選零星線索；女性姓名常為法語 / 英語 / 蘇格蘭語的音譯變體，或僅標注 “某人之妻”。萊迪說：“傳統方式需耗費畢生精力，AI 徹底改變研究規模。”

三、機構落地：從高校到央行

• 北卡羅來納大學教堂山分校：用 AI 轉錄黑奴祖先溯源相關特藏文獻，表格類文檔（賬簿）識別突破（Gemini 表現優異）。檔案員杰基?迪恩：“表格處理是關鍵飛躍。”

• 費城聯邦儲備銀行：用 LLM 提取歷史車輛注冊、房產契約數據，以往成本極高、無法規模化，如今開啟全新經濟研究維度。

• Archive Pearl：加拿大開發非營利 AI 工具，支持批量上傳數百頁手寫文檔，幾分鐘生成純凈轉錄，目標推動學術民主化。加州大學圣克魯茲分校歷史學家本杰明?布林（Benjamin Breen）：AI 對本科生、家族研究者幫助最大，同時解鎖古拉丁語、古英語等難讀文獻。

四、技術溯源：從楊立昆到現代 AI

Yann LeCun 80 年代研究手寫識別時，神經網絡尚屬小眾，算力、數據均不足。他回憶：“當時對手寫體興趣不大，只是剛好有數據（郵編、人口普查表）。”90 年代初，他提出整行識別 + 語言模型糾錯架構，成為現代手寫識別基礎。

如今Yann LeCun認為手寫識別基本解決，轉向通用人工智能研究；但歷史文獻等復雜場景仍需優化，速度、可靠性持續提升。

五、未來展望：AI 賦能人文研究

漢弗萊斯團隊開發Archive Pearl（測試版），面向全球學者，拖拽上傳、批量轉錄，讓小眾文獻觸手可及。他說：“技術應成為大眾工具，而非少數人的特權。”