中国传世古籍的数量极为庞大，仅《中国古籍总目》著录的历代典籍就有二十余万种。这些典籍过去只能以纸本、影印本的形式保存在图书馆里，查阅需要专程前往，借阅受限，且纸张不断老化。数字化让古籍从'藏于密室'变为'可检索、可复制、可传播'，是文化传承方式的一次根本转变。

但古籍的数字化远比普通文档困难。首先，古籍多为竖排右起，版面复杂，有双行小字、夹注、眉批、印章、界栏；其次，古籍用字包含大量异体字、通假字、避讳字与俗字，同一个字在不同版本中写法不同；再次，古籍大多没有标点，需要'句读'才能通读；最后，古籍的用纸、墨色、印刷质量参差不齐，扫描图像往往有污渍、透印、残缺。这些特点，使古籍数字化成为一项兼需文献学素养与工程能力的综合性工作。

古籍数字化最初的形式是'影印'：把书页扫描成图像，做成光盘或数据库。读者看到的是原书的照片，可以保留版式与书法的原貌，但无法检索文字。上世纪九十年代，《四库全书》电子版问世，它以图像方式收录了三千余种典籍，是当时规模最大的中文古籍数字工程之一。

真正的飞跃来自'全文数字化'：不仅要有图像，还要把文字识别出来，形成可以搜索、复制、统计的文本。此后陆续出现了中国基本古籍库、中华经典古籍库、汉典、国学大师等资源平台，收录了从经史子集到方志、家谱、佛道藏的大量文献。研究者可以在几秒钟内检索一个词在数万种古籍中的全部出现位置，这在纸本时代是不可想象的。

全文检索改变了传统学术的工作方式。'一词之演变'、'一典之出处'、'一人之生平'这类问题，过去需要长年翻阅与卡片积累，如今可以在检索结果中快速定位，再回到原书核验。技术并没有取代读书，而是把研究者从机械的翻检中解放出来，让他们有更多精力用于判断与思考。

OCR（光学字符识别）是古籍数字化的核心技术。它的基本流程是：先对扫描图像做去噪、纠偏、二值化等预处理，再通过'版面分析'判断哪里是正文、哪里是注释、哪里是边框与印章，最后把每一个字切出来，与字库比对识别。现代 OCR 已普遍采用深度学习模型，识别准确率在规整印刷体上可以达到很高水平。

古籍 OCR 的难点集中在三个方面。一是'竖排与双行'：古籍的阅读顺序与现代横排相反，小字夹注常以双行并排，需要专门的版面模型处理。二是'异体字与生僻字'：古籍中同一个字可能有多种写法，还有大量字库中不存在的俗字，识别系统需要支持超大字集，甚至要能'造字'。三是'图像质量'：虫蛀、水渍、透印、装订阴影都会干扰识别，需要模型具备较强的抗噪能力。

因此，古籍 OCR 的结果通常需要'校对'环节：由人工比对图像与识别文本，改正错误。近年来的做法是把 OCR 与语言模型结合——模型在识别时不仅看字形，还参考上下文判断'这个位置最可能是哪个字'，从而显著降低错误率。

有了准确的文本，人工智能可以进一步参与古籍整理。'自动标点'是最受关注的应用之一：模型在大量已标点的古籍上学习，为新文本添加逗号、句号、书名号等，减轻整理者的基础工作量。'自动校勘'则尝试比对不同版本，指出异文与可能的讹误；'自动注译'可以生成白话译文与词语注释，为初学者提供参考。

更进一步的是'古籍知识图谱'：把人物、地点、职官、事件、典籍之间的关系抽取出来，构建成结构化的网络。读者点击一个人名，就能看到他的生平、著作、交往与相关事件；检索一个地名，就能看到与之相关的诗文与历史记载。这种'可探索'的阅读方式，正在让古籍从静态文本变为可交互的知识空间。

需要清醒的是，人工智能可以加速整理，却不能替代判断。异体字的认定、通假的成立、版本的优劣、文意的训释，都需要深厚的文献学功底。技术提供的是效率与线索，最终的学术责任仍在人。古籍数字化的理想状态，是'机器做粗活，人做精活'——让学者把时间花在真正需要智慧的地方。