ИИ в исторической кодикологии: изучение средневековых рукописных книг как материальных объектов

Искусственный интеллект в исторической кодикологии: трансформация изучения средневековых рукописей

Историческая кодикология — это дисциплина, изучающая рукописные книги как материальные, исторические артефакты. Ее интересует не только текст, но и физическая сущность кодекса: пергамент или бумага, чернила, переплет, следы использования, пометы, структура тетрадей, водяные знаки, инструменты разлиновки. Традиционно этот анализ требовал многолетнего опыта, острого зрения и был подвержен субъективным оценкам. Внедрение методов искусственного интеллекта, в частности машинного обучения и компьютерного зрения, революционизирует эту область, предлагая инструменты для объективного, количественного и масштабного анализа материальных особенностей рукописей.

Основные направления применения ИИ в кодикологии

1. Анализ и классификация почерков (палеография)

Задача атрибуции и датировки рукописи на основе почерка является одной из ключевых. ИИ решает ее через обучение на размеченных наборах данных (датированных рукописях).

• Сегментация текста: Алгоритмы семантической сегментации (например, U-Net) точно отделяют текст от фона, декора, полей и пятен, что критически важно для последующего анализа.
• Извлечение признаков: Сверточные нейронные сети (CNN) автоматически выделяют сотни признаков почерка: углы наклона, пропорции букв, расстояния между графемами, характер соединений.
• Кластеризация и атрибуция: Методы без учителя (например, t-SNE, UMAP) выявляют сходства между почерками в больших корпусах, группируя руки писцов. Это позволяет идентифицировать работу одного писца в разных манускриптах или выделить несколько писцов в одном кодексе.

2. Исследование материалов: пергамента и чернил

Спектральная визуализация (мультиспектральная, гиперспектральная съемка) в сочетании с ИИ позволяет анализировать состав материалов неинвазивно.

• Классификация типов пергамента: Анализ текстурных паттернов, следов мездры, толщины помогает определить вид животного (телячья кожа, овечья, козлиная) и даже регион производства.
• Анализ чернил: ИИ классифицирует спектральные сигнатуры, различая железо-галловые, угольные, киноварные чернила. Это помогает в датировке, выявлении поздних добавлений и реконструкции угасшего текста.
• Выявление следов химического и биологического повреждения: Алгоритмы обнаруживают и картографируют области плесени, окисления, выцветания, прогнозируя дальнейшую деградацию.

3. Реконструкция кодекса как объекта: структура тетрадей и переплет

Многие средневековые рукописи были разобраны, их листы перепутаны или утрачены. ИИ помогает в виртуальной реконструкции.

• Анализ водяных знаков: Сопоставление водяных знаков на бумаге — ключ к датировке. Нейросети сравнивают сотни знаков, находя совпадения с точностью, недоступной человеческому глазу, и соотносят их с эталонными базами данных (например, Briquet).
• Сопоставление проколов и линеек: Алгоритмы выравнивают изображения листов по следам от стилуса или краске разлиновки, определяя, какие листы были частью одной тетради.
• Анализ переплета и следов использования: 3D-сканирование и ИИ анализируют деформации переплета, потертости, следы воска, позволяя реконструировать историю бытования книги.

4. Изучение декора и миниатюр

ИИ применяется для стилометрического анализа иллюминаций.

• Атрибуция художественных мастерских: Нейросети анализируют стилистические особенности: манеру рисования лиц, использование цвета, орнаментальные мотивы, выявляя общие руки или разные художественные традиции.
• Выявление подрисовок и поздних наслоений: Анализ инфракрасных и рентгеновских изображений с помощью ИИ позволяет отделить нижние слои рисунка (подготовительный рисунок) от верхних, выявить исправления.

Технологический стек и методы

Работа в этой области строится на комбинации аппаратных и программных решений.

Таблица 1: Ключевые технологии ИИ в кодикологическом исследовании

Задача	Метод ИИ / Алгоритм	Входные данные	Выходные данные / Результат
Сегментация листа	Сверточные нейронные сети (CNN) для семантической сегментации (U-Net, Mask R-CNN)	Высококачественное цифровое изображение листа (RGB, мультиспектр)	Пиксельная маска, выделяющая текст, декор, поля, пятна, переплет
Классификация почерков	CNN (ResNet, VGG), обучение с переносом (Transfer Learning), метод опорных векторов (SVM)	Сегментированные изображения текстовых блоков	Вероятность принадлежности к определенному писцу, скрипторию или временному периоду
Сравнение водяных знаков	Методы сравнения изображений (SIFT, ORB) в сочетании с машинным обучением для фильтрации	Изображения водяных знаков, полученные методом бета-радиографии или в отраженном свете	Цифровой «отпечаток» знака, совпадения в базе данных, вероятная дата и место производства бумаги
Анализ спектров чернил	Кластеризация (k-means, иерархическая), классификаторы (Random Forest) на основе гиперспектральных данных	Гиперкуб данных (изображение в множестве спектральных каналов)	Карта распределения типов чернил по листу, идентификация химического состава
Виртуальная реконструкция	Генеративно-состязательные сети (GAN) для дополнения утраченных фрагментов, алгоритмы выравнивания	Изображения разрозненных листов, метаданные о структуре тетрадей	Гипотетическая модель исходной последовательности листов, реконструированные изображения утраченных частей

Проблемы и ограничения

Внедрение ИИ в кодикологию сталкивается с рядом существенных вызовов.

• Качество и доступность данных: Для обучения моделей требуются большие, качественно размеченные датасеты. Оцифровка рукописей дорога, а экспертные разметки (например, «это почерк писца А») требуют участия высококвалифицированных палеографов и крайне ограничены.
• Проблема «черного ящика»: Сложные нейросетевые модели часто не объясняют, на основании каких конкретных признаков они приняли решение об атрибуции. Для исторической науки, где важна аргументация, это серьезная методологическая проблема.
• Риск усиления bias (смещения): Если модель обучена на рукописях из определенного региона или периода, она будет плохо работать на материале из других традиций, потенциально закрепляя существующие в науке пробелы или предубеждения.
• Необходимость междисциплинарности: Успех проекта невозможен без тесного сотрудничества между data scientist, разработчиками и кодикологами-историками, которые формулируют исследовательские вопросы и интерпретируют результаты.

Перспективы развития

Будущее лежит в создании комплексных цифровых исследовательских сред.

• Мультимодальные модели: Объединение анализа текста (NLP для колофонов, помет), изображения (почерк, декор) и материальных данных (спектры) в единую модель для всесторонней атрибуции кодекса.
• 3D-кодикология: Применение ИИ к данным 3D-сканирования для автоматического анализа рельефа письма на пергаменте, деформаций переплета, следов инструментов.
• Создание открытых инструментов и стандартов: Развитие платформ вроде eScriptorium или Transkribus, но с акцентом на кодикологические задачи (анализ структуры, водяных знаков), и открытых размеченных датасетов для обучения моделей.
• Динамическое картографирование производства: Агрегация данных ИИ-анализа тысяч рукописей для визуализации путей перемещения материалов (бумаги, пергамента), писцов и художественных моделей в пространстве и времени.

Заключение

Искусственный интеллект не заменяет эксперта-кодиколога, а предоставляет ему мощный набор инструментов для работы с большими данными. Он смещает фокус с интуитивного и выборочного анализа к систематическому, количественному и воспроизводимому исследованию материальной культуры книги. Это позволяет ставить новые исследовательские вопросы о масштабных процессах в истории книжного дела, стандартизации производства, миграции технологий и индивидуальных практиках писцов. Преодоление текущих ограничений, связанных с данными и интерпретируемостью моделей, является ключевой задачей на пути к полноценной интеграции ИИ в методологический аппарат исторических наук. Кодикология из науки, оперирующей единичными образцами, превращается в науку, способную анализировать целые корпусы рукописей как сложную сеть материальных взаимосвязей.

Ответы на часто задаваемые вопросы (FAQ)

Может ли ИИ полностью заменить эксперта-кодиколога или палеографа?

Нет, ИИ не может заменить эксперта. Он функционирует как инструмент усиления возможностей исследователя. ИИ обрабатывает огромные объемы визуальных данных, находит статистические закономерности и сходства, невидимые глазу, но окончательную историческую интерпретацию, учет контекста, работу с архивными документами и формирование научных выводов осуществляет человек-исследователь. ИИ предоставляет гипотезы и данные для их проверки.

Как ИИ отличает почерки двух разных писцов, если они очень похожи?

ИИ анализирует не общее впечатление, а сотни микропризнаков: точные углы соединения штрихов в конкретных графемах (например, буква «g»), соотношение высоты верхних и нижних выносных элементов, колебания расстояния между буквами, микроскопические особенности нажима. Модель, обученная на множестве образцов, выявляет устойчивые комбинации таких признаков, уникальные для каждого писца, даже при визуальном сходстве манеры письма.

Достаточно ли просто отсканировать рукопись на обычный планшетный сканер для применения ИИ?

Для базового анализа макроструктуры или ярко выраженных почерков может быть достаточно. Однако для серьезного материального исследования требуется высококачественная научная оцифровка: многоспектральная съемка в стандартизированном освещении, сканирование в высоком разрешении (не менее 600 dpi), съемка в боковом освещении для выявления рельефа. Качество данных напрямую определяет возможности и точность ИИ-моделей.

Существуют ли готовые программы для кодикологического анализа, которые может установить каждый исследователь?

Готовых комплексных коммерческих продуктов мало, но развиваются открытые платформы и библиотеки. Например, Transkribus предлагает инструменты для анализа структуры страницы и распознавания почерка. Специализированные задачи (анализ водяных знаков, сравнение почерков) часто решаются с помощью скриптов на Python с использованием библиотек компьютерного зрения (OpenCV) и машинного обучения (TensorFlow, PyTorch), которые требуют для своей настройки и применения programming skills или сотрудничества с техническими специалистами.

Как ИИ помогает в изучении переплетов?

С помощью 3D-сканирования и фотограмметрии создается точная цифровая модель переплета. ИИ-алгоритмы анализируют эту модель: измеряют деформации досок, классифицируют тип и износ застежек, идентифицируют слепое тиснение или остатки кожи по текстурным признакам. Это позволяет объективно сравнивать переплеты, выявлять общие мастерские или, наоборот, поздние замены, а также моделировать механические нагрузки, приведшие к наблюдаемым повреждениям.

Может ли ИИ обнаружить подделку средневековой рукописи?

Да, ИИ является мощным инструментом для аутентификации. Он может выявить несоответствия на нескольких уровнях: анализ чернил (современный химический состав под железо-галловые чернила), микроструктура пергамента (современные методы дубления), статистические аномалии в почерке (неестественная стабильность, лишенная вариативности живого письма), несоответствие водяных знаков датировке. Комплексный ИИ-анализ создает «цифровой паспорт» артефакта, отклонения от которого становятся заметны.