2019年，有一件事讓研究聖訓計算
的學者們心裡犯嘀咕。
那一年，Azmi等人發表了一篇綜述，給聖訓計算領域畫了張地圖。地圖上密密麻麻標註著規則系統、傳統機器學習、小型語料庫、專門任務流水線。這些方法能做segmentation（文本切分）、能抽取傳述者資訊、能建本體、能做檢索、能輔助真偽判斷。
聽起來還不錯，對吧？
但這張地圖有個致命的時間戳：它畫的是transformer模型和生成式AI大爆發之前的世界。
聖訓*：伊斯蘭教先知穆罕默德的言行錄，由一條條經過傳述鏈傳下來的記錄構成，是僅次於《古蘭經》的重要宗教文獻。
幾年過去,大語言模型來了。整個自然語言處理的遊戲規則變了,評估標準變了,人們對"規模"和"表徵能力"的期待也變了。聖訓計算這個領域跟著變了,但變得很不均勻。有些任務像是突然開了竅,有些任務卻依然卡在老地方,怎麼都繞不過去。
這篇來自Greentech Apps Foundation和倫敦瑪麗女王大學的論文,做的就是一件事:把這場技術變革掰開揉碎了看,告訴你哪些進步是真金白銀,哪些只是在特定測試集上刷了個好看的分數。
現有綜述為什麼不夠用
先說一個容易被忽略的問題:市面上不是沒有關於聖訓AI研究的綜述,而是這些綜述回答的問題不對。
作者列了一張表,把近年的幾篇重要綜述挨個點評了一遍。Luthfi等人2018年的綜述聚焦數字聖訓真偽驗證,但完全停留在transformer出現之前。Azmi等人2019年的綜述奠定了整個領域的技術基線,可它也沒趕上後來的技術浪潮。Hakak等人2022年專注真偽驗證的進展和挑戰,但沒有重新審視LLM給整個領域帶來的衝擊。Sulistio等人2024年的綜述更像是機器學習技術清單,對哪個研究真正改變了這個領域缺乏深入判斷。Azwar等人2025年的兩篇綜述,一篇做文獻計量分析,一篇用PRISMA系統綜述方法梳理趨勢,但都停留在描述層面。
PRISMA*：一種系統綜述和薈萃分析的國際報告規範,用來保證文獻篩選過程透明可追溯。
這裡有個很關鍵的判斷標準:文獻計量學的證據不等於技術成熟的證據。
發表的論文數量在漲,不代表核心問題真的被解決了。這就好比統計一個城市新開了多少家餐館,這個數字本身說明不了這些餐館裡到底有沒有好吃的菜。你得親自去嘗一嘗,才知道哪家是真功夫,哪家是徒有其表。
這篇論文想做的,就是那個"親自嘗一嘗"的角色。它不滿足於羅列有哪些應用場景,而是要問:這個方法在乾淨的測試集上表現好,換一批更亂的真實數據它還行嗎?這個數據集能不能被別人拿去復用?這個任務解決的是學者真正頭疼的問題,還是只是一個替代性的技術指標?
審查是怎麼做的
作者沒有簡單地把所有論文扔進一個池子裡評分,而是設計了一套結構化的評估維度。
這套框架從六個角度審視每一篇論文:語料庫是不是真實多樣的,還是局限在幾本經典典籍;評估設置是端到端的工作流,還是簡化的標註任務;有沒有測試過跨語料庫的遷移能力;數據代碼是不是公開可復現的;有沒有請專家來驗證結果;這個任務距離真實的學術工作流程有多遠。
這套評估體系背後藏著一個更深的判斷標準:光看準確率、F1值這類數字是不夠的,因為不同論文的任務定義、數據集、評價指標千差萬別,硬湊到一起比較反而會掩蓋真相。所以作者沒有給論文打一個總分排名,而是堅持在各自的任務語境裡理解每一個數字。
這就好比評價不同學科的考試成績,你不能拿數學的100分和語文的100分簡單相加求平均,因為它們衡量的根本不是同一件事。硬要湊出一個綜合分,反而會讓人誤以為存在某種客觀的高低之分,實際上只是自欺欺人。
審查團隊最初收集了42篇文獻,經過範圍精修後留下32篇核心文獻,時間跨度覆蓋了2025年末到2026年初的疊代檢索。檢索平台包括谷歌學術、Scopus、ACL文獻庫、SpringerLink、ScienceDirect、arXiv,以及一些專門的領域資源庫。
isnad*：聖訓中的傳述鏈,記錄一條聖訓是經過誰傳給誰,一代一代傳下來的完整鏈條。
matn*：聖訓報告的具體內容本身,也就是先知說了什麼、做了什麼的實質記述。
論文還特別強調了一個三層框架,用來理解整個領域的技術布局。第一層是isnad-matn分離,也就是把傳述鏈和內容本身切分開來的基礎工作。第二層涉及傳述者身份分析、來源驗證、問答系統這些更複雜的任務。第三層則關乎知識圖譜構建、語料庫大規模處理這樣的基礎設施級工程。
這個三層框架幫我們理解了一件很重要的事:為什麼進步這麼不均衡。第一層任務受益於清晰的任務定義和可復用的標註數據,進展最快。第二層和第三層則嚴重依賴結構化知識整合和跨文檔鏈接,需要更多專家介入才能真正往前走。
老方法和新方法之間沒有簡單的取代關係
你可能以為,故事應該是這樣的:老的規則系統和傳統機器學習方法逐漸被transformer取代,transformer又被大語言模型取代,一代更比一代強。
事實並非如此。
在穩定的、邊界清晰的低層任務上,老的符號方法和混合方法依然能拿出最紮實的證據。真正被transformer和LLM改變的,是整個領域的野心、工作流設計和證據標準。
這就好比問"錘子有沒有被電鑽淘汰"。如果你只是要釘一顆小釘子,錘子反而更快更准更省事;但如果你要在混凝土牆上打洞、要處理成百上千個不同規格的孔位,電鑽帶來的就不只是效率提升,而是從根本上改變了你能承接什麼樣的工程規模。聖訓計算領域發生的正是後者:LLM沒有讓老方法變得毫無用處,而是讓原本不可能做的事情變得可能。
具體來說,LLM帶來了三個層面的變化。
第一,規模變了。像Asgari-Bidhendi等人2025年提出的Rezwan系統,能夠處理超過120萬條聖訓narration,並配套多層次的知識增強、多語言接入和專家覆核。這在過去以小型語料庫為核心的手工作坊模式下,是完全不現實的。
narration*：一條具體的聖訓記錄,包括它的傳述鏈和內容。
第二,工作流設計變了。創新的單位不再是一個孤立的分類器,而是一整套編排好的流水線,包含OCR修復、文本切分、檢索、來源核查、簡化改寫、語義標註、人工驗證等環節。
OCR*：光學字符識別技術,用來把掃描圖片或古籍照片裡的文字轉換成可編輯的電子文本。
第三,什麼才算"令人信服的證據"這個標準變了。在LLM之前的時代,一個在精心整理的語料庫上跑出的漂亮數字,常常就能撐起整篇論文的核心結論。現在這已經不夠有說服力了。讀者想知道的是:這個系統在結構混亂的真實數據上表現如何,輸出的內容能不能追溯到權威原始來源,專家是否認為它犯的錯誤可以接受,整個工作流是否可靠到值得信任。
論文特別提醒讀者,LLM沒有改變的東西同樣重要。它沒有解決傳述者身份消歧問題,沒有讓文本預處理變得無關緊要,沒有消除對顯式傳記和文獻學證據的需求,也沒有抹平流暢的文本生成和真正可靠的聖訓學術研究之間的鴻溝。所以作者用"混合階段"來形容當前的技術格局,而不是簡單地說"LLM時代來了"。
數據基礎設施變成了研究本身
有一個變化值得單獨拿出來說:數據工作從模型的配角,變成了研究的主角。
早期論文往往把數據集當作模型訓練的原料,用完即棄。現在的研究越來越把語料庫、標註體系、基準測試資產本身當作獨立的學術貢獻。
Altammami等人2019年和2020年的工作幫助建立起可復用的標註資源體系,覆蓋切分任務和雙語聖訓處理。Mghari等人2022年更進一步,推出了名為Sanadset 650K的數據集,涵蓋926本典籍,把之前只依賴典籍數據造成的結構假設問題徹底暴露出來。開放基礎設施如OpenITI也進一步拓寬了整個文本處理生態。
這個變化改變了我們對整個領域的判斷方式。當語料庫變得更大更多樣,我們就很難再把六大聖訓典籍當成整個聖訓文獻世界的代表了。Sanadset的數據顯示,大規模narration數據里有相當一部分根本不符合過去實驗中默認的結構假設。
這提示我們,過去部分所謂的"進步",其實只是相對於特別整齊的語料庫而言的局部進步。
但更多數據不等於更乾淨的證據。Mahmoud等人2022年做了一個很有價值的傳述者消歧數據集,卻也留下了一個耐人尋味的對比:模型在人工合成的傳述鏈上驗證效果很好,換成真實測試數據表現就明顯下滑了。
這個反差就像用模擬考試題反覆訓練學生,考出來的分數確實節節攀升,但一到真正的聯考現場,題目稍微換個說法學生就懵了。合成數據能推動任務被更清晰地定義出來,卻掩蓋不了從合成數據到真實數據之間那道遷移鴻溝。
如果研究者只滿足於合成數據上的高分而不去做真實數據測試,他們很可能會誤判一個任務已經"解決",實際上只是在一個人造的、比現實簡單得多的環境裡表現良好。這不是苛責,而是提醒:數據基礎設施建設得越好,越需要誠實地報告它和真實世界之間的差距。
第一層任務跑得最快,但評估本身也在進化
在整個三層框架里,進展最明顯的是第一層,也就是isnad-matn分離和相關的傳述鏈抽取任務。
Altammami等人2019年、2020年,以及Tarmom等人2020年的兩篇論文都顯示,混合方法、基於壓縮的方法、以及新型分類器在穩定的任務環境下都能表現出色。作者沒有把這解讀成"某個架構徹底贏了",而是認為這說明切分任務本身變成了一個更可復現的基準測試領域。
真正更深層的進步,來自評估方式本身變得更成熟了。Muther和Smith在2020年的兩篇論文裡指出,精確的邊界劃定和傳述鏈抽取並不總是客觀清晰的,尤其是在篇幅較長的古典阿拉伯語文本里。
這一點很關鍵,因為它改變了我們該怎麼解讀性能數字。一個系統可能已經準確識別出了正確的區域,卻在某個連人類專家都會有分歧的邊界點上"犯了錯"。也就是說,近年的工作不只是把分數刷高了,更重要的是把評估這件事本身變得不那麼天真了。
即便如此,這個領域也還沒到收工的地步。AlShuhayeb等人2025年的研究表明,聖訓領域的阿拉伯語分詞依然比很多通用NLP流水線預設的要難得多。
這是一個很實在的提醒:LLM時代的樂觀情緒容易掩蓋底層語言處理的脆弱性。如果分詞和形態學切分這一步都做不穩,那再往上一層的成果無論看起來多麼亮眼,都是建在沙地上的。
第二層任務變寬了,但離成熟還有距離
聖訓計算領域現在不再只圍繞文本切分或者簡單的真偽二分類做文章。它現在包括傳述者消歧、來源驗證、問答系統、知識表示等一整個任務族。
作者認為這種廣度擴張本身就是有意義的進步。但廣度不等於成熟度。
Syed等人2019年的工作把領域推向了更接近文獻學錯誤檢測和引用核實的方向,而不只是通用文本分類,這一點很重要,但它仍然聚焦在一個具體的糾錯性問題上,還沒有形成完整的真偽判斷框架。Abdi等人2020年展示了語言學知識如何幫助聖訓問答系統,但系統運行的環境比真實的學術檢索場景要受控得多。Wiharja等人2022年和Kamran等人2023年推動領域走向基於圖譜的語義訪問,但這些系統的能力上限,取決於他們構建的知識庫本身的覆蓋面和質量。
所以作者用"在壓力下變得多元化"來形容第二層任務的現狀,而不是說它已經"解決"或者"收斂"了。任務更多了,建模策略更豐富了,形式化程度更高了,但跨語料庫的魯棒性、跨傳記傳統的實體鏈接、能支撐"整體進步"這種說法的基準標準,依然是薄弱環節。
第三層從零散工具走向了流水線級的基礎設施
早期的圖譜構建和跨文檔工作,比如Azmi和Bin Badia 2010年的研究,展示了技術上的可能性,但規模始終有限。相比之下,現在的研究越來越傾向於把聖訓計算構建成一整套端到端環境,涵蓋OCR修復、切分、驗證、語義標註、知識圖譜構建、多語言接入、專家審核。
Asgari-Bidhendi等人2025年的Rezwan系統是這個轉變最清晰的體現之一。它的重要性不只在於技術本身,而在於它把大規模聖訓內容增強重新定義為一個研究基礎設施問題,而不是單一任務的基準測試。與此同時,Mubarak等人2025年提出的grounded評估框架表明,LLM時代也在推動這個領域更明確地檢視幻覺問題、來源忠實度和檢索可靠性。
grounded*：指AI系統的輸出內容能夠被追溯並核實到權威原始文獻,而不是憑空生成或編造的說法。
hallucination*：大語言模型自信地生成看似合理實則錯誤或虛構資訊的現象,在宗教文獻這樣對準確性要求極高的領域尤其危險。
最新的研究進一步印證了這個方向。Abbas等人2026年的工作轉向了有約束的多智能體伊斯蘭問答系統,而不是無約束的自由生成。這說明整個領域的走向,不是朝著純生成式系統前進,而是朝著更加流水線化、更加有據可循的方向前進。這個區別很關鍵,因為對聖訓計算來說,流暢但無法溯源到權威證據的輸出是沒有價值的。
四個還沒填上的大坑
論文用了相當大的篇幅,梳理出四個領域內至今沒有被真正解決的結構性缺口。
第一個坑是語料庫過度集中在六大聖訓典籍上。這些典籍編校精良、數位化程度高、結構規整,做實驗很方便,但這份便利也塑造了整個領域的盲區。聖訓學術研究的疆域遠遠大於六大典籍,還包括按傳述者組織的musnad、按主題編排的musannaf、按人名或師承排列的mu'jam、小冊子式的ajza'合集,以及大量部分數位化或者OCR質量堪憂的文本,這些內容基本被排除在了主流基準測試之外。
musnad*：一種按傳述者(通常是先知的門徒)組織編排的聖訓集。
musannaf*：一種按主題或法律章節分類編排的聖訓匯編。
Mghari等人的Sanadset擴展到926本書,Asgari-Bidhendi等人證明更大規模、更多樣化的資料庫如今在技術上是可處理的,但整個領域的基準測試文化依然落後於這一傳統實際的文本多樣性。
這不只是"公平對待冷門文獻"的問題,更是科學有效性的問題。一個主要從結構規整的典籍中學習出來的系統,很容易高估自己的可遷移性,低估OCR和元數據處理上的困難,把編校乾淨和任務真正成熟這兩件事搞混。
第二個坑是聖訓學術的解釋性層面幾乎無人問津。大多數聖訓NLP論文止步於切分、傳述者處理、分類、檢索、來源驗證,很少觸及注釋、變體報告的調和、法律含義的討論、詞彙和語境難題的解決這些註解層面的工作。
sharh*：對聖訓文本的注釋和講解,用來闡明詞義、背景或詮釋。
takhrij*：來源追溯,把某條聖訓在不同典籍中的出處、傳述鏈變體逐一核實標註的學術工作。
fiqh al-hadith*：從聖訓中推導出的法律和教法詮釋分析。
這個缺口之所以重要,是因為聖訓學術從來不只是"傳述鏈加正文"這麼簡單。學者常常依賴注釋、交叉引用、真偽等級判定、敘述背景討論、法學詮釋來判斷一條narration到底意味著什麼、該怎麼用。在《古蘭經》一側,已經出現了連接經文與tafsir(經注)的問答和檢索資源,但聖訓這邊至今沒有針對主要注釋傳統的對等資源。
這意味著未來需要構建能把基礎narration和注釋段落、詮釋性釋義、真偽等級論證、法學推論對齊的數據集,以及能區分"這是基礎報告本身""這是注釋者的轉述""這是從中得出的法律推論""這是特定教法學派施加的限制"這幾層含義的模型。少了這一層,聖訓計算就只是文本處理很勤快,學術含金量卻很薄。
第三個坑是聖訓和更廣闊的伊斯蘭知識網路之間連接薄弱。聖訓隸屬於一個更大的伊斯蘭學術體系,它的詮釋常常取決於古蘭經語境、先知傳記、傳述者傳記、經注、法學章節、後世法學綜合成果。但大多數計算研究依然把聖訓當成一個孤立的文本集合來處理。
Altammami等人的多篇論文、Alnefaie等人2023年、Al-Azani等人2025年的工作顯示,連接古蘭經和聖訓、構建古蘭經問答與檢索系統在技術上是可行的,Nakhlah等人2023年的QASiNa顯示先知傳記也能進入計算問答領域。但這些努力大多是兩兩配對的、任務特定的,還沒有真正融入聖訓計算的核心。
真正的缺口不是"完全沒有跨來源工作",而是缺少一個成熟的多跳研究框架,能把經文、聖訓、先知傳記事件、注釋、法學章節、傳述者傳記、後世學術應用都串聯進一個可檢視的證據圖譜里。這樣的框架才能更真實地反映伊斯蘭學術是如何推導含義和裁決的。
第四個坑,也是最貼近現實應用的一個:聖訓計算和當代教法之間的橋樑還很不完善。伊斯蘭問答、遺產繼承推理、教法裁決(fatwa)生成這些新興系統顯示,應用層的法學工作已經在計算化的路上邁進了,但聖訓計算研究和這股浪潮的連接還只是局部的。
fatwa*：伊斯蘭教法學者針對具體問題作出的宗教法律裁決意見。
madhhab*：伊斯蘭教法學派,不同學派對證據的權衡方式和方法論各有不同。
這個斷裂之所以重要,是因為教法幾乎從不孤立地依賴某一條聖訓。它依賴證據的篩選、真偽評估、表面矛盾narration的調和、法學詮釋、學派特定的方法論過濾,以及和古蘭經及歷史語境證據的聯動。一個只會返回單條narration、卻沒有溯源資訊、注釋、變體版本或法學框架的聖訓處理系統,還算不上一個嚴肅的教法輔助工具。
論文的立場很明確:聖訓計算在當代教法中該扮演的角色不是自動裁決,而是證據支持。未來的系統應該幫助學者、研究者和高階學生檢索相關narration,呈現平行或變體報告,把它們和古蘭經及先知傳記的語境關聯起來,揭示相關注釋和溯源資訊,標明不同教法學派用法上的分歧所在,並且呈現不確定性而不是掩蓋它。
評估這件事本身,現在也成了研究對象
有一個細節特別值得單拎出來講:近期一些論文開始主動邀請伊斯蘭學專家參與驗證,而不只是靠自動化指標評分。
Altammami2025年的工作明確請了一位伊斯蘭研究專家來核驗文本簡化的輸出結果。Asgari-Bidhendi等人2025年用六位領域專家來評估他們那套大規模LLM輔助流水線,而不只是依賴自動化指標。Mubarak等人2025年乾脆把幻覺檢測和糾錯設為明確的評估目標,對照權威的古蘭經和聖訓原文進行核實。
這幾篇論文放在一起看,能看出一種緩慢但清晰的轉向:從"模型中心"的評價方式,轉向"專家、來源、grounding都算數"的評價方式。
Elmahjub 2023年的伊斯蘭AI倫理研究主張多元化的倫理評價基準,而不是單純追求技術指標最優;Nawi等人2021年的調查顯示,穆斯林專家普遍認為需要以maqasid al-shari'ah(伊斯蘭法的高階目標)為基礎建立監管框架。
maqasid al-shari'ah*：伊斯蘭法學中關於法律最終目標和精神實質的理論體系,常用來指導具體法律條文之外的原則性判斷。
這些不是聖訓專屬的論文,但它們解釋了為什麼專家對齊的評估在宗教文本領域不是可有可無的加分項。作者也提醒讀者,不要把某一篇學者視角的論文當成"整個伊斯蘭學界"的代言。目前這類專家視角文獻大多是概念性、規範性的,或者基於小規模的專家樣本,還沒能形成橫跨不同教法學派、機構和技術素養水平的廣泛比較證據。
接下來該往哪走
論文最後給出了一個五個層面的研究議程,不是零散的建議清單,而是一組互相咬合的研究方向。
第一是基準測試改革。共享基準測試需要從典籍內部測試,走向跨語料庫遷移測試、結構不規則的narration、冷門典籍、含OCR噪聲的手稿類材料。這一步要求未來的研究更清楚地報告語料庫邊界、預處理假設、數據代碼開放程度、跨領域測試策略和失敗模式。
第二是知識基礎設施和長尾語料庫建設。這個領域需要一場超越六大典籍、覆蓋musnad、musannaf、mu'jam、傳記文獻、注釋文獻的長尾語料庫工程。這不只是科學上說得通,現實中很多塑造學術走向的文本至今數位化程度低、編校不統一、跨版本對齊困難。
第三是面向學術的建模。傳述者身份消歧還需要顯式的傳記基礎設施,包括緊密鏈接的傳記資源、實體鏈接數據集、時間和地理約束條件。同時,注釋感知的聖訓計算應該成為一個實質性的研究方向,而不是邊緣性的理想。
第四是整合的伊斯蘭知識系統和面向教法的支持。未來的系統應該把聖訓、古蘭經、先知傳記、經注、法學章節、傳述者傳記連接進可檢視的證據網路,而不是各自為營的資訊孤島。
第五是以專家為中心的治理和評估。在這個領域,溯源、忠實的引用、不確定性報告、合格學者的角色,本身就是系統質量的一部分,而不是外圍的附加考量。
論文的最終判斷是策略性的,也是保守的:聖訓計算不是被LLM一舉顛覆的領域,而是進入了一個混合階段,結構化資源、神經網路模型、檢索技術、知識圖譜和專家監督需要共同發揮作用。很多眼下的頭條式進展,依然處於"有希望但尚未確證"的階段,尤其是當它們依賴的是狹窄語料庫、合成數據、薄弱基線或者無法互相比較的評估設置時。
寫在後面
讀完這篇論文,最讓我在意的一個細節,是Mahmoud等人2022年那個傳述者消歧數據集的對比結果:合成數據上表現優秀,真實數據上明顯下滑。這不是個例,而是一種提醒,任何聲稱"用大規模合成數據解決了某個古老學術難題"的論文,都值得多問一句,它有沒有在真實、混亂、不完美的數據上驗證過。
另一個觸動我的地方,是論文反覆強調的"證據支持"而非"自動裁決"這個定位。這其實是一種很克制的技術倫理立場,在一個宗教權威高度依賴人的學問傳承的領域裡,AI最合適的位置不是替代裁判,而是給裁判遞上更完整的卷宗。這個思路其實可以推廣到很多其他專業領域,醫療診斷、法律諮詢,判斷的權力和責任該留給誰,值得每個做AI系統設計的人認真想一想。
還沒解決的問題是,當聖訓計算真的把古蘭經、聖訓、先知傳記、注釋、教法這些資源全部打通成一張證據網路的那一天,普通的穆斯林學生和研究者會怎麼使用它?這會不會催生一種新的學習方式,讓原本需要多年師承才能掌握的跨文獻比對能力,變成一種可以藉助工具快速上手的技能?這既是機會,也是一個需要謹慎對待的問題。
Q&A
Q1：聖訓計算研究里最核心的三層任務框架是什麼？
A：第一層是isnad-matn分離,把傳述鏈和聖訓內容切分開來。第二層涉及傳述者消歧、來源驗證、問答系統等更複雜任務。第三層是知識圖譜構建和大規模語料庫處理的基礎設施工程。第一層進展最快,第二三層依賴更多結構化知識整合和專家介入。
Q2：為什麼這篇綜述認為發表論文數量多不等於技術真正成熟？
A：因為文獻計量學統計的是發表數量和主題聚類,不能判斷某項成果是否只在特定基準測試集上有效,數據集能否被復用,任務是否觸及真正的學術痛點。作者主張必須做論文級的批判性評估,而不只是數數量。
Q3：為什麼聖訓計算領域至今很少涉及注釋和教法層面的內容？
A：因為大多數研究止步於文本切分、傳述者處理、分類和檢索這些基礎層面,很少觸及注釋、變體調和、法律詮釋這些更深的解釋性工作。這需要構建能把基礎聖訓與注釋、真偽等級論證、法學推論對齊的新數據集和模型。
