百年檔案嘅數碼化重生：由紙本堆到跨模態檢索

一間有百年歷史嘅青年社團組織，佢哋嘅檔案記錄住一個世紀以嚟幾代人嘅成長同變遷：泛黃嘅入會登記表、按年份釘裝嘅會刊、活動入面留低嘅相片同影像……呢啲資料散落喺唔同倉庫、唔同介質上面，好多得啲老會員先知道佢哋存在。而家，一座融合 AI 技術嘅智能檔案管理平台，正喺度將呢啲歷史資料自動化咁轉化做結構化、可檢索嘅數碼資產——用一句說話，就喺一百年入面搵到你想睇嗰一段影像。

背景與痛點

對任何有百年累積嘅組織嚟講，檔案一方面係資產，另一方面亦係難題：

• 量大、介質雜。紙本文件、相片、錄音、錄影帶，形態各異，跨越幾十年甚至上百年，靠人手逐件編目幾乎冇可能完成。

• 分散、冇索引。檔案散落喺唔同場所，缺乏統一目錄，檢索基本上靠「記得嘅人」同「撞彩」。

• 內容不可讀。紙本檔案上面嘅文字、相片入面嘅場景、影片入面講嘅嘢，都停留喺「唔可以檢索」嘅狀態——你知佢存在，但冇辦法按內容搵到佢。

• 保存同利用嘅矛盾。原件越珍貴越唔敢郁，而「唔敢郁」即係「無人知」，歷史嘅價值就冇辦法俾後人用到。

一句講晒：百年檔案嘅問題唔係「冇記錄」，而係「記錄冇辦法被檢索、被理解、被重用」。

我哋點樣做

平台嘅核心目標，係將「分散嘅多媒體檔案」轉化做「結構化、可檢索嘅數碼資產」，令歷史內容進入可查詢、可組合、可再利用嘅狀態。圍住呢個目標，平台提供咗一套完整嘅自動化處理能力：

• 解析文件文字。對紙本檔案做光學識別同版面解析，將手寫體、印刷體文字轉化做可檢索嘅文本，令「查一個人名、一個年份」成為可能。

• 提取影片關鍵幀並生成粵語字幕。對歷史影像自動抽幀，再借助語音識別生成字幕，令影片內容進入文本檢索嘅體系，同時補返大量歷史影像冇文字記錄嘅問題。

• 識別圖像內容並標註語義標籤。對相片做內容理解，識別場景、人物、活動類型，自動加上語義標籤，令「搵一張 1960 年代郊遊嘅合照」呢類需求可以被命中。

• 自然語言查詢同跨模態檢索。用戶可以用日常語言發問，平台理解意圖之後跨模態返回結果——例如透過一段文字描述，搵到對應嘅影片片段，實現「文字搵影片、影片搵圖文」嘅互通。

• 結合權限管理確保數據安全。檔案涉及個人資料同組織內部資料，平台喺開放檢索嘅同時，用細粒度權限控制保證唔同角色嘅訪問範圍。

落地效果

平台落地之後嘅核心變化，係將「檔案館」變成「可以對答嘅知識庫」：

• 自動化取代人工編目。海量歷史資料嘅處理唔再依賴逐件人手整理，處理效率由「年」嘅單位縮短到「週」同「月」嘅單位，令以前積壓幾十年、幾乎冇人理嘅檔案重新進入視野。

• 由「按標題搵」到「按內容搵」。檢索嘅最小單位由「一份檔案」細化到「一段文字、一個畫面、一幀影像」——自然語言查詢令冇檔案學背景嘅普通成員都直接用到。

• 跨模態打通歷史「斷層」。文字記錄、相片、影像喺同一個索引體系入面互通，研究者可以透過一份文字記錄，直接跳去相關影像片段，歷史研究由「翻材料」變成「做檢索」。

• 安全同開放兼得。權限管理令「公開得嘅公開、要保護嘅受控」，數碼化冇以犧牲安全做代價。

對呢間組織嚟講，數碼化嘅意義唔止於「保存」：檔案由沉睡嘅資產，變成新一代成員隨時可以攞嚟用嘅組織記憶。

經驗沉澱：由項目到 OntiCards

呢個項目帶嚟嘅最大啟發係：多模態內容如果唔可以被統一納入同一套結構化描述之下，就冇辦法被檢索。無論係文字、相片定影片，最後都要落到「實體 + 關係 + 語義標籤」嘅框架入面，AI 先至可以跨模態理解同配對。

呢段經驗直接沉澱做 OntiCards 嘅能力設計：跨模態嘅統一索引，對應數據卡片入面「實體—欄位—關係」嘅顯式建模——將圖像、影像、文本提煉做統一嘅業務對象描述；自然語言查詢同語義標籤，對應術語庫同問數引擎對「口語化表達」嘅理解同對齊；而權限管理對內容可見範圍嘅約束，就對應數據卡片同質量門禁入面「訪問即受控」嘅治理理念。

如果你都喺度做文化遺產或者歷史資料嘅數碼化，記住一點：數碼化嘅終點唔係掃描件，而係可檢索嘅結構化資產。令內容可以被搵到、被理解、被重用，歷史先至會真正「活」返嚟。