我国古籍中蕴含着丰富的天象及时间记载。古代天文历法知识既是中华传统文化的璀璨瑰宝，也是古籍阅读、整理与研究路上绕不开的重难点。看不懂历日、辨不清天象、不会推算历法，常常令众多古籍爱好者、研究者止步不前。

为了帮助大家攻克这一难题，籍合学院去年6月推出中华书局古籍整理训练营（天文历法专题班）。如今课程上线已满周年，直播答疑课程即将开启，今特推出优惠活动，欢迎关注。

点击报名天文历法训练营

training.ancientbooks.cn

蓝老师首先从地图谈起，指出地图并不总是现代意义上的精确测量工具。中世纪地图常受宗教世界观影响，世界中心可能是耶路撒冷，东方被视为神圣方向，越远离中心的地方越容易混入神话、传说和想象。到了近代，地图依然可能成为误导工具：有人把误判出的“桑尼科夫地”长期标注在北冰洋地图上，有航海者将虚构岛屿画进航海图，也有人编造“波亚斯国”，用地图、小册子、国债和移民船票包装骗局。地图在这些案例中不只是描摹世界，而是在制造一种看似可靠的事实感。一个不存在的地方，一旦被画出边界、河流、山脉和航线，就可能比口头谎言更容易被相信。

中世纪世界地图案例

欢迎大家关注北京大学可视分析微信公众号（VisualAnalytics）

获取最新消息

    陈慰平老师以穆里尔·库珀的名言开篇：“信息只有在被理解时才有用”，并引用格式塔心理学家考夫卡的观点“整体不同于其部分之和”，指出人类视觉系统天然具有将零散元素组织为整体的倾向，这正是可视化设计的心理学根基。

    陈老师带领大家回顾了William Playfair在1786至1801年间的开创性工作。Playfair在没有美术背景的情况下，凭借“让数据易于理解”的朴素愿望，先后发明了折线图，条形图，饼图。陈老师特别指出，这些今天看来理所当然的图表形式，在当时是不经意的创造，却奠定了现代统计学可视化最基本的视觉规范。

    拿破仑东征图不仅包含了军队数量变化、地理位置、行军路线、时间轴等信息，还标注了温差等环境因素。“它不仅是内容丰富，更重要的是将内容变成了一种叙事。” 图片元素繁多但不杂乱，还隐含了作者对这场战争的情感判断。此外，死亡人数与严寒天气的直观关联，让可视化不再仅仅是呈现结果，更成为一种论证工具和推理工具。

拿破仑东征图

    对于南丁格尔的玫瑰图陈老师指出，该图用直观的扇形面积对比，清晰地展示了克里米亚战争中因缺乏护理而导致的死亡人数远超战死人数（蓝色代表本可缓解的死亡、红色代表战争伤亡、黑色代表其他原因）。

动物脑质量与总质量可视化

    在艺术流派谱系图案例中，陈老师强调了箭头等连接符号的重要性：“把箭头取消，就看不出元素之间的联系，看不到流派传承或演变历史。” 可视化不仅是数据和美学的组合，更是知识叙事与逻辑构建之间的关系性工具。

    在越战纪念碑案例中，这座纪念碑下沉于大地，设计理念是“只有悲伤，没有值得宣扬的战争”。名字按照伤亡时间排序，战争中期名字最多，亲属在悼念时会发现来自同一旅、同一连的名字排列在一起，间接揭示了伤亡的空间聚集性。设计中的视觉符号同样富有深意：十字架代表未找到尸体或铭牌；如果确认死亡，则将十字架改为菱形。陈老师将这一设计称为“可视化 = 身体与空间体验的叙事。”

越战纪念碑案例

当代方法：Horizon Graph与历史网络

    在处理大规模时间序列数据时，陈老师介绍了Horizon Graph（地平线图）。通过颜色深浅表示涨跌幅度，在有限的平面空间内实现高密度时序数据的空间折叠，让大数据量在有限画幅中依然可读。

地平线图

    在字体设计史的案例中，陈老师展示了如何构建一个非线性历史关系网络：用户在交互探索中灰色代表关联但未被选中，点击后显示实线表示直接关系、虚线表示衍生关系。

字体设计史案例

总结

    讲座最后，陈老师借用了爱德华·塔夫特提出的六项分析设计基本原则，作为整场讲座的总结与升华：

1. 明确对照物——最基本的分析行为就是问：“与什么做比较？”

2. 明确因果关系——回答：“为什么？”

3. 明确各种变化因素——我们所探索的世界是多元的

4. 整合各种迹象——把文字、数字、图像和图表完全整合在一起

5. 将现象记入文档——提供详细标题、数据源、完整测量比例

6. 内容决定一切——分析结果的好坏最终依赖于内容的质量、实用性和完整性

欢迎大家关注北京大学可视分析微信公众号（VisualAnalytics）

获取最新消息

首先，陈老师用多个案例给大家解释可视化设计中的尺度与认知。当数据尺度超出人的日常直觉，设计师要敢于“收”，也要敢于“放”，一收一放之间，才看得出设计功力。“收”是用统一简约视觉压缩海量信息；“放”则是“超长滚动+沉浸式”的缩放节奏，用页面物理空间、视野落差放大体量差距，让读者真实感知宏大尺度。在案例IF THE MOON WERE ONLY 1 PIXEL中，整站依靠超长纵向滚动打造沉浸式尺度感知，以1像素代表月球直径，用页面长度直观展现太阳系天体间空旷的距离，完美诠释“放”的叙事手法，而全程只用极简像素图形承载天体信息，是“收”的符号化表达典范。在案例EYES ON ASTEROIDS（NASA 小行星可视化）中，统一极简圆点符号收纳亿万颗小行星数据完成“收束”，全域缩放交互自由切换星系全景与单颗星体细节，尺度切换自如，平衡宏观宇宙与微观天体。再看Ben Fry上的经典作品——isometricblocks/The Fortune 500，以标准化等距方块作为极简视觉符号收拢企业、基因海量数据，纵向长滚动页面分层展示行业全貌、单企业详情，依靠页面延伸放大体量对比，收放结合。

随着数字化、网络化，尤其是智能化的持续深入发展，数据已成为国家关键战略资源。“十五五”规划纲要提出，“迎接数字时代，激活数据要素潜能，推进网络强国建设，加快建设数字经济、数字社会、数字政府，以数字化转型整体驱动生产方式、生活方式和治理方式变革。”语言资源作为重要的数据资源，对推动学科交叉创新、支撑智能社会构建、维护国家安全及提升国家文化软实力具有深远意义。

中文语料库建设是我国语言资源建设的基础性工作。近日印发的《教育发展“十五五”规划》提出，加强数字中文建设。推进新型国家语料库建设和应用。实施国家关键领域语言科技赋能计划。此外，《教育强国建设规划纲要（2024—2035年）》也提出了“建设新型国家语料库”的任务。《关于加强数字中文建设 推进语言文字信息化发展的意见》要求：“推动基础性语言资源建设，实施国家关键语料库共建共享计划，重点支持建设大规模中文语料库。”

语料库建设是一个“老”话题，英文语料库建设可回溯至20世纪60年代。中文语料库建设比英文晚了大约20年。那么，当人工智能发展到大模型时代，语料库建设呈现哪些新的特点？面临哪些主要挑战？又应该有哪些应对之策？这些基本问题都需要我们认真思索并回答。

语料库建设走过的路程

语料库建设的“初心”是面向语言教学和研究，同时面向自然语言处理技术研发。在其发展过程中，始终强调两点：一个是语料库的“大规模”，另一个是对大规模“生”语料库的“精加工”。

据其官网统计，目前已完成逾3700万词的加工，涵盖186种语言。“精加工”多倚重人工完成，因此通常是浩繁的工程。

我国自20世纪80年代前后启动中文语料库建设，基本上是参照国外上述“大规模”及“精加工”的路数来做。部分具有代表性的语料库建设成果包括：北京大学基于《人民日报》构建的现代汉语标注语料库，规模约2700万字，进行了分词、词性、专有名词、多音词等标注；国家语委牵头建设的现代汉语通用平衡语料库，规模约1亿字，其中5000万字经分词和词性标注；北京语言大学BCC语料库（Beijing Language and Culture University Corpus Center），规模约62亿字，覆盖报刊、微博等载体和文学、科技等领域，并进行了适当加工。

2010年起，人工智能进入石破天惊的深度学习时代，并在2020年前后快速推进至大模型时代。语料库在大模型发展中起着关键作用，已演变为支撑人工智能基本能力迭代并迈向通用人工智能的核心要素。毫不夸张地说，没有语料库就没有语言大模型。在大模型时代，语料库建设的内涵和外延都发生了急剧变化，如对大规模“生”语料库的需求呈爆炸式上升，以人工标注手段为主的语言“精加工”则从语料库建设的主导地位退居至“不太起眼”的位置。

新型语料库建设的基本特点

第一，规模极其浩大。2020年，美国开放人工智能研究中心（OpenAI）提出语言大模型的规模法则（Scaling Law），指出模型的训练损失随数据的指数级增加而线性下降。在此驱动下，训练用“生”语料库规模大到无所不用其极。如2020年ChatGPT-3训练语料库约含3000亿词；至2025年，DeepSeek-V3的训练语料库已达约14.8万亿词。典型的开源语料库如C4（约1750亿词）、The Pile（约2000亿词）、RedPajama（约1.2万亿词）等，其规模与传统语料库相比有天壤之别。值得注意的是，传统语料库由于规模限制需要均衡采样，新型语料库则致力于收录“全空间高质量”内容。

第二，范围极其广博。传统语料库多集中于新闻、文学作品等典型类型，新型语料库则广泛纳入网页、杂志、百科全书、科技图书、学术期刊、辞典乃至代码等多源类型，如维基百科、ArXiv等平台的开放获取论文和GitHub等平台的代码数据等。

第三，语言极其多样。传统语料库多以单语或双语为主，新型语料库则试图打通所有语言，构建覆盖数以百种语言的多语言语料库，如CC100、mC4、OSCAR等。Meta发表于《自然》杂志的NLLB项目，构建了涵盖200多种语言、规模约450GB的多语语料。此外，古籍、方言、手语、盲文等特殊语言类型，也会一定程度上被新型语料库所收录。

第四，模态极其丰富。以文本模态为枢轴，将声、图、视频等相关模态数据对齐、融通，形成多模态语料库。近年来，图文对齐数据发展尤其迅速，如OpenAI的CLIP语料库含4亿图文对，LAION-5B多达58.5亿对，DataComp更扩展至128亿对。语音文本对齐数据规模也持续增长，如WaveCaps含约40万语音—文本对、VSDial-CN含约120万对等。视频作为融合文本、语音、图像的复合媒介也备受关注，如WebVid含1000万视频—文本对，VTP含2700万对。这些多模态数据构成了新型语料库的生力军，赋予人工智能多角度理解、“生成”大千世界的能力。

第五，加工极其专精。针对大模型训练的各类新型数据被不断构造出来，如文本问答数据集、图文问答数据集、大规模指令数据集等。此外，从浩瀚无比的语料库中筛选出高质量语料，对大模型训练越来越重要，同时极具难度，需要研发相关的数据治理技术。借重大模型技术构造大规模合成数据也成为常态。

中文语料库建设的主要挑战

上述特点为大模型时代中文语料库设计指明了方向。建设规模浩大、范围广博、语言多样、模态丰富、加工专精的中文语料库体系，理应成为推动我国人工智能发展、赋能智能社会建设的基础性工程。显然，这个工程极其艰巨。我们将主要面临来自数据供给、体系构建与合规治理三方面的严峻挑战。

一是中文语料相对匮乏。当前,主流开源语料库仍以英文为主。据阿里研究院《大模型训练数据白皮书》，全球网站英文内容占比约59.8%，中文内容仅占约1.3%，差距悬殊。在大模型训练广泛使用的Common Crawl网页语料库中，中文占比也仅为约4.8%。

二是中文语料库体系远未建立。面向大模型时代的“全空间高质量”中文语料库体系尚处于雏形。如中文百科全书、科技图书、学术期刊、辞典等高知识密度的语料在现有中文语料库中几乎难觅踪迹，高质量的多模态数据也十分稀缺。

三是数据治理机制亟待完善。当前语料数据治理仍较为粗放，缺乏顶层设计。具体表现为三点：第一，版权保护与数据共享难以平衡。图书、辞典、影视作品等是天然的高质量语料，理应成为国家语料库的重要组成部分。然而，其合规共享面临版权保护壁垒，国际上已有相关纠纷案例。例如，Anthropic公司在训练Claude模型时因不当使用版权数据，向作者及出版商支付了高达15亿美元的和解金。第二，标准缺失导致“数据孤岛”。各单位加工的语言数据格式不一、质量参差，阻碍了数据要素的流通与协同利用。第三，隐私与安全风险突出。在数据采集、加工和训练过程中，如何有效防范信息泄露，确保内容符合伦理与价值规范，是语料库建设中必须严守的安全底线。

上述挑战都是全局性的、深层次的。应该采取怎样的应对之策？需要我们知难而上、持续探索。

中文语料库的建设路径

一是拓宽数据来源，突破数据供给瓶颈。系统推进出版物、古籍文献、地方志、历史档案等优质线下资源的数字化转化，激活存量语言资源。大力发展数据合成与增强技术，实现数据规模的跃升。

二是完善体系设计，整合全空间高质量数据。系统规划中文语料库的整体架构，重点推动图书、辞典、影视作品等高质量数据入库。同时，拓展多模态数据的来源与形态，鼓励各级图书馆、博物馆采集音频、图像、视频等多模态数据。此外，将方言、少数民族语言、手语、盲文等纳入建设范畴。

三是创新版权机制，整合关键语言资源。由国家相关部门牵头，探索建立关键语料的授权使用机制。依法合规构建解决了版权问题的国家关键语料资源。建立分级开放机制：基础共性数据向社会开源，高价值专业数据实行授权使用，保障建设者权益，形成可持续生态。

四是推动标准建设，强化全流程治理。加快制定国家或行业层面的语料采集、清洗、标注、质检与交换标准，打破“数据孤岛”。研发高效、智能、可复用的数据处理工具链。同时建立覆盖数据全生命周期的治理框架，明确隐私保护、安全审核、伦理审查等环节的责任与流程，筑牢语料库建设的安全底线。

大数据时代中文语料库的建设具有高度的紧迫性，但又难以一蹴而就。不行不至，行于当行。相信通过坚持不懈的群策群力、攻坚克难，中文语料库建设的新格局将逐渐形成，从而对我国人工智能的发展作出历史性的新贡献。

    廉老师以南宋时期的一个云月纹金钱镯为例，展示了首饰纹样与诗词名篇的奇妙联系。这只手镯在云月图案的圆圈内别具匠心地錾刻了“人”“月”二字，结合外围代表圆满的圆圈，巧妙构成了当时极为流行的吉祥语及词牌名“人月圆”。这一发现不仅解开了文物设计的巧思，也让诸如“人月圆时”等宋词名句有了实物依托，更印证了后世“花好月圆”这一说法的历史渊源。在植物方面，廉老师以张九龄的名句“兰叶春葳蕤”为例，澄清了古今兰花的差异。唐代及唐以前诗文中的“古兰”实为菊科的大泽兰，具有茎干发紫、花朵偏红的特征，并非宋代以后文人偏爱且流传至今的细长叶片的兰科“春兰”。如果不了解这一植物演变史，单纯用现代兰花的形象去给唐诗配图或作注，便难免产生张冠李戴的谬误。

古兰与今兰之辨

设计研究框架需要考虑的三个方面：世界观、研究设计与研究方法

    其中，研究中可以采取的世界观包括后实证主义、构建主义、演变主义、实用主义等。研究的设计可以是定型研究，定量研究或混合型研究。当开始一项研究时，应当分别从这三个方面进行考虑以制定完整的研究计划。

欢迎大家关注北京大学可视分析微信公众号（VisualAnalytics）

获取最新消息

排版：覃子椿

初审：徐碧姗

复审：段婧怡

终审：夏翠娟

今年暑期学校继续采用线上讲座与线下课程设计相结合的方式，邀请来自可视化、人机交互、设计、历史、博物馆等领域的多位专家学者授课。课程内容涵盖可视化与人文智能、可信任的可视化设计、历史地理信息设计、AIGC叙事、文化遗产数字化演绎、数据标注与策展实践等主题。

    按照往年惯例，本期暑期学校继续通过线上直播向非正式学员开放部分讲座内容，使更多关注可视化与人文智能交叉研究的师生能够参与学习与交流。正式学员将根据计算机、设计、人文等不同专业背景进行分组，围绕唐代历史主题，从考古发现与史料关联、墓地与随葬品分析、服饰文物文献、古今城市空间对照、墓志与史料人物等具体方向开展课程设计，最终形成交互式可视化作品，并讲在结课汇报中展示跨学科协作成果。

开幕式结束后，由北京大学袁晓如老师带来了本期暑期学校的第一讲，主题为《可视化、可视分析与人文智能》。

    袁老师展示了如何通过可视化将书法专家的经验知识转化为可计算的维度。团队参考书法理论中的"平画宽结、斜画紧结"等概括，建立了整体性、倾斜度、紧凑度、粗细度等11项指标。用户可在时间线上排列碑帖，选择特定汉字（如"之"字）进行投影分析，系统计算不同书例在11个维度上的距离并投影到二维平面，相近的书例自然聚集；配合雷达图展示各维度差异，将原来依赖"美学眼光"的感性判断变为可解释、可比较的理性分析。

尊敬的各位参会代表：

“智汇人文：大模型与智能体应用” 数字人文青年学者论坛暨第三届信管数字人文工作坊（大社科工作坊·创新文会 第37期）将于 2026 年 7 月 4 日至 5 日在中山大学东校园举办。为确保会议顺利进行，保障各位代表参会体验，现将报到、日程、交通及参会注意事项等相关事宜通知如下：

主办单位：

中山大学社会科学学部

中山大学信息管理学院

中山大学数字人文实验室

内容来源：中山大学InformationWorld

编辑：陈旖旎

初审：蔡一峰

复审：林  耿、陈诗诗、王蕾

审定发布：张  伟