Don't Miss
古籍訓練AI｜哈佛逾3.8億頁文獻供AI訓練
By 信報財經新聞 on June 16, 2025
原文刊於信報財經新聞「CEO AI⎹ EJ Tech」
科企在訓練聊天機械人時，往往由網上數據着手，例如從維基百科、Reddit等社交媒體論壇，甚至有時從電子書着手，讓人工智能（AI）學習知識。美國廣播公司新聞（ABC News）報道，除了波士頓公共圖書館計劃外，即將開放收藏的大量舊報及政府文件，美國哈佛大學近日向AI研究人員開放館內藏書，包括近百萬本早在十五世紀出版的書籍，涵蓋254種語言。
圖書館為人類知識的寶庫，保存大量有趣的文化、歷史及語言數據。哈佛大學早在2006年已夥拍谷歌，旨在創建一個可搜尋的網上圖書，擁有超過2000萬本書籍。而美國的版權保護通常為95年，錄音的保護期更長。
微軟副總法律顧問戴維斯（Burton Davis）指出，與仍受版權保護的內容相比，公共領域數據引發的爭議較少。
哈佛大學最新發布的AI訓練數據集「機構圖書1.0」，包含3.86億頁掃描紙本文獻，擁有2420億個詞元（Token），已在AI開發者平台Hugging Face發布。作品主要來自十九世紀，涵蓋文學、哲學、法律及農業等主題，其中一件較早作品來自十五世紀，是一位韓國畫家手寫並記錄，關於栽培花草樹木的感悟。
MIT研數碼薄膜修復古油畫
除了把古書數碼化保存外，修復油畫等藝術品亦必須「慢工出細貨」。美國麻省理工學院（MIT）機械工程研究生卡奇金（Alex Kachkine）研發一種創新方法，能把數碼修復的成果印在聚合物薄膜上，再精準地與原畫貼合，不會破壞作品，亦可隨時拆卸。
以一幅嚴重受損的十五世紀油畫為例，AI自動識別出5612個需要修復的區域，並使用57314種顏色填滿這些位置。整個數碼修復過程耗時3.5小時，估計比傳統修復快約66倍；論文刊登在學術期刊《自然》。
支持EJ Tech
如欲投稿、報料，發布新聞稿或採訪通知，按這裏聯絡我們。
