기술 요약: 계산적 중국 고문서학(Computational Chinese Paleography)을 향하여

1. 문제 정의

고대 중국의 문자 체계(갑골문부터 한대 예서에 이르기까지)를 연구하는 중국 고문서학은 '황금기'의 역설에 직면해 있다. 즉, 발굴되는 유물의 양의 폭발적 증가가 전통적인 수동 학술 연구의 역량을 앞질러 버린 것이다. 이 분야는 세 가지 주요 병목 현상을 특징으로 한다:

• 규모와 파편화: 발굴된 유물들은 종종 물리적으로 파편화되어 있고, 불완전하며, 노이즈가 많다. 자료의 막대한 양은 수동적인 방식으로는 종합적인 교정, 파편의 재결합, 전사를 수행하는 것을 점점 더 비현실적으로 만든다.
• 해독의 복잡성: 핵심적인 지적 과제는 해독되지 않은 문자를 해독하는 데 있다. 복원 작업을 시퀀스 모델링으로 프레임화할 수 있는 음절 문자(phonographic scripts)와 달리, 고대 중국어는 로그그래프(morphemo-syllabic, 표의·표음 결합) 체계이다. 해독에는 그래픽 형태, 음운적 특성, 의미적 의미, 그리고 맥락적 사용에 대한 총체적인 합성이 필요하다.
• 데이터 희소성 및 불균형: 기존 데이터셋은 갑골문(OBI)에 크게 치우쳐 있어, 청동기나 죽간/백사(bamboo/silk) 문자는 자원이 부족한 상태이다. 또한, 데이터 분포는 롱테일 패턴을 따르며 많은 문자가 단 한두 번만 등장한다. 이미지, 전사, 의미 분석을 연결하는 고품질의 표준화된 멀티모달 데이터셋도 부족하다.

본 논문은 이 분야가 단순한 캐릭터 인식과 같은 개별 작업 자동화를 넘어, 복잡한 학술적 탐구를 지원할 수 있는 통합된 디지털 생태계를 구축하는 '계산적 전환(computational turn)'을 겪고 있다고 주장한다.

2. 방법론 및 기술 파이프라인

본 논문은 계산적 지형을 기초적인 시각 분석에서 고급 추론으로 진행되는 방법론적 파이프라인으로 구조화한다:

A. 기초적 시각 분석

• 이미지 처리: 전통적인 필터(K-SVD, anisotropic diffusion)부터 STSN(Structure-Texture Separation Networks) 및 채널별 셀프 어텐션을 사용하는 OBIFormer와 같은 딥러닝 모델에 이르기까지, 탁본의 노이즈를 제거하고 손상된 획을 복원하는 기술을 다룬다. 데이터 희소성을 해결하기 위해 생성 모델(GAN, Diff-Oracle과 같은 Diffusion 모델)이 데이터 증강에 사용된다.
• 문자 검출 및 인식: 이 분야는 수작업 특징 추출(SIFT, HOG, 위상 그래프)에서 딥러닝으로 이동했다. 현재의 최첨단 기술은 어텐션 메커즘이 강화된 합성곱 신경망(CNN)과 트랜스포머(예: 진나라 죽간을 위한 QBSC Transformer)를 활용한다. 구별되는 트렌드는 **부수 기반 인식(radical-based recognition)**으로, 모델이 문자를 구성 요소로 분해하여 제로샷 학습을 지원하고 구조적 변이를 처리하도록 하는 것이다.

B. 맥락 분석

• 유물 재결합: 물리적 파쇄 윤곽과 문자 시퀀스를 분석하여 파편화된 유물(예: 갑골, 죽간)의 매칭을 자동화한다. 접근 방식으로는 시암 네트워크(Siamese networks), SUM 알고리즘(윤곽선 기울기), 물리 기반 딥러닝 모델(WisePanda) 등이 있다.
• 중복 제거: 비문을 텍스트가 아닌 시각적 패턴으로 취급함으로써 동일 유물의 중복 탁본을 식별하며, 이를 통해 텍스트 내용이 약간 다르더라도 중복을 발견할 수 있게 한다.
• 시대 구분 및 분류: 폰트 분류 및 유물의 자동 연대 측정을 위해 딥러닝 모델(예: 순환 그래프 신경망)이 사용된다. 일부 프레임워크(예: BIRD)는 텍sual 내용과 글리프 편향 샘플링을 활용하여 청동기 명문의 연대를 측정하며, 미세 분류 작업에서 높은 정확도를 달enc한다.
• 분절 및 언어 모델링: 갑골문의 구성 요소 단위 분절과 죽간을 위한 멀티모달 토크나이저 개발 노력이 포함된다. 언어 모델은 수용된 텍스트로부터 전이 학습을 활용하거나 전문가의 주석이 달린 특화된 코퍼스(예: OracleCS)를 구축하여 고대 텍스트에 적응된다.

C. 고급 추론 및 지식 시스템

• 자동 해독: 이는 단순한 인식을 넘어 미해독 문자를 해석하는 학술적 과정(kao shi)으로 정의된다. 접근 방식은 다음과 같다:
  • 생성적 방법: 디퓨전 모델을 사용하여 고대 글리프로부터 그럴듯한 현대적 문자 형태나 "의미적 타이포그래피"를 생성한다.
  • 구성적 방법: 해독을 "퍼즐 맞추기"(예: Puzzle Pieces Picker, CoLa)로 취급하여, 문자를 부수나 잠재적 구성 요소로 분해한 후 재구성한다.
  • 교차 참조: 서로 다른 역사적 스크립트 간에 유사한 문자를 검색(Cross-Font Image Retrieval)하거나, 대규모 시각-언어 모델(LVLM)을 사용하여 시각적 형태와 의미적 의미 사이의 간극을 메운다.
• 인간-AI 협업: 본 논문은 완전 자동화에서 인간-AI 시너지로의 전환을 강조한다. 이타카(Ithaca, 그리스어 대상) 및 신흥 중국어 도구들(예: RejoinX, GenOV)은 계산 집약적인 작업(예: 파쇄 매칭)을 처리하는 지능형 조수 역할을 하며, 복잡한 통합적 추론은 인간 전문가에게 남겨둔다.
• 지식 그래프: 이질적인 데이터(형태, 부수, 의미소, 어휘)를 통합하고, 점술가의 사회적 네트워크나 명문 배치와 같은 관계를 모델링하기 위해 멀티모달 지식 그래프가 구축되고 있다.

3. 주요 기여

본 논문은 이 분야에 세 가지 주요 기여를 한다:

1. 문제 지향적 파이프라인 분석: 기초적인 시각 작업(이미지 복원, 인식)에서 맥락 분석(재결합, 연대 측정)을 거쳐 고급 추론(해독, 지식 그래프)에 이르는 전체 스펙트럼을 매핑한다. 또한, 고립된 문자 데이터셋에서 전체 문서 및 멀티모달 자원으로의 중요한 전환을 강조한다.
2. 기술적 궤적 매핑: 고전적 특징 공학에서 현대 딥러닝으로의 진화를 추적하며, 특히 중국 문자의 독특한 로그그래프 특성에 따른 아키텍처(CNN, Transformer, Diffusion 모델)의 적응을 분석한다. 부수 기반 추론과 구성적 분석에 근거한 방법론의 등장을 조명한다.
3. 과제 및 미래 의제 합성: 데이터 희소성, 모달리티 불균형, 그리고 AI의 그래픽 형태 집중과 인문학적 탐구의 총체적 성격 사이의 괴리라는 핵심 장애물을 식별한다. 본 논문은 학술적 전문성을 대체하는 것이 아니라 보완하기 위해 설계된 멀티모달, 퓨샷(few-shot), 인간 중심 시스템에 집중된 미래 연구 의제를 옹호한다.

4. 결과 및 현황

본 논문은 기존 문헌을 종합하여 분야의 현황을 보고한다:

• 데이터셋 지형: 주로 갑골문(예: HUST-OBS, Oracle-50K, OBC306)을 위한 데이터셋이 확산되어 있다. 청동기 및 죽간을 위한 데이터셋(예: CHUBS, BIRD)이 등장하고 있으나 여전히 덜 포괄적이다. 이미지와 전사 및 의미 주석을 연결하는 멀티모달 데이터셋(예: OBIMD)은 매우 중요하지만 여전히 제한적이다.
• 성능 벤치마크: 최근 벤치마크(예: OBI-Bench)에 따르면, 현재의 대규모 멀티모달 모델은 복잡한 해독 작업에서 훈련받지 않은 인간의 수준에 겨우 도달하는 정도이다. 모델들이 특정 하위 작업(예: 청동기 연대 측정의 조대 분류에서 89.8% 정확도)에서는 높은 정확도를 달성하지만, 미해독 문자의 오픈 셋(open-set) 문제와 희귀 글리프의 "롱테일" 분포에는 어려움을 겪는다.
• 협업의 성공: 인간-AI 협업(예: 유물 재결합)의 파일럿 연구는 "단순한 성격"의 작업(파쇄 매칭)을 AI에 위임하고 "복잡한 성격"의 작업(양식 분석)을 인간에게 유지하는 것이 새로운 발견을 이끌어내는 데 성공적임을 보여준다.

5. 의의 및 주장

본 논문은 계산적 중국 고문서학 분야에 대한 종합적인 조사이자 행동 촉구로서 자리매김한다. 그 의의는 다음과 같다:

• 학문 분야의 정의: "고문서 디지털화"(인프라 구축)에서 "계산적 고문서학"(탐구의 핵심 논리 체계에 계산을 통합)으로의 전환을 명시한다.
• 로그그래프의 도전 강조: 중국 문자의 독특한 성격(로그그래프, 표의·표음 결합)은 시퀀스 모델링이나 텍스트 전용 표현에만 의존할 수 없는 멀티모달 접근 방식이 필수적임을 강조한다. 재결합 및 해독과 같은 작업에는 시각적 정보가 필수적이다.
• 인간 중심 AI 옹호: 최종 목표는 완전 자동화가 아니라 지능적인 학술적 인프라를 구축하는 것이라고 주장한다. 본 논문은 이 분야의 미래가 퓨샷 학습과 멀티모달 융합을 사용하여 학자들이 인지적 병목 현상을 극복하고 수동 검사로는 보이지 않는 대규모 역사적 패턴을 발견하도록 돕는 지적 파트너로서의 시스템을 개발하는 데 달려 있다고 본다.

본 논문은 기술적 혁신이 매우 중요하지만, 이 분야의 성공은 계산적 방법론을 인문학적 탐구의 풍부한 전통과 깊이 있고 존중 어린 방식으로 통합하는 데 달려 있으며, 이를 위해서는 컴퓨터 과학자와 고문서학자 사이의 학제 간 협력 정신이 필요하다고 결론짓는다.