有一类工作，二十年前需要整屋子的工程师，今天一块芯片就能搞定。

这就是OCR——光学字符识别，简单说就是让机器看懂文字。你以为这是个新技术？错了，它比大多数人以为的要老得多。

从邮件分拣开始

OCR真正大规模应用，是从1950年代美国邮政系统开始的。那时候，邮局要人工看信封上的地址，再分到对应的格子里，效率极低。工程师们想：能不能让机器读地址？

这个想法推动了最早的OCR系统诞生。那时候的方案叫”模板匹配”——把每个字母的形状存进系统，来一封信，机器就对着模板逐个比对，像是在玩”找不同”。它能认识标准印刷体，但只要字体稍微变形，就彻底抓瞎。

规则时代：靠人类给机器立规矩

1980到2000年代，OCR进入”规则时代”。这时候的主流思路是：让工程师把汉字的所有书写规律写成代码，然后机器按规则识别。

这条路走得很辛苦。汉字有7000多个常用字，每个字的笔画、结构、变体都不一样，光是把规则写全就是一项几十人耗费数年的工程。那时候OCR的准确率大概在92%到95%之间，看起来不错，但放到实际使用里，每100个字错4、5个，一份合同下来就是灾难。

这个时期有一个代表性的技术产品叫TH-OCR，是清华大学研究团队研发的，专攻中文识别，一度是国内最好的中文OCR引擎之一，后来被不少软件授权使用，包括微软Office。

深度学习来了，规则被扔掉了

2012年以后，深度学习改变了这一切。

以前工程师写规则告诉机器”这个字长这样”，现在的思路完全反过来：给机器几百万张标注好的文字图片，让它自己去总结规律。

CRNN（卷积循环神经网络）是这一时期OCR的主力技术。它先用卷积层”看”图片的特征，再用循环层处理文字序列，最后输出识别结果。这种架构的特点是：不需要预先分割每个字，直接处理整行文字，对变形、污损、斜体的容忍度大幅提升。

准确率也因此从95%一路提升到99%以上。

大模型进来之后，OCR不只是”认字”了

最近几年，Transformer架构和大语言模型的出现，让OCR又升了一个维度。

传统OCR只管认字，认完了就结束。但实际使用里，”认字”往往只是第一步——你还需要理解这些字的含义，提取出关键信息。

现在的做法是把OCR和语言模型结合起来：OCR先把图片里的文字读出来，语言模型再来理解语义、提取结构化信息。比如一份合同，OCR读出所有文字，语言模型自动找出甲方、乙方、金额、日期，直接输出成表格。

更进一步的是”端到端多模态”方案——图片直接进去，结构化数据直接出来，中间那道OCR的门都省了。GPT-4V、Claude、Gemini这类多模态大模型已经可以直接读懂图片里的文字，不需要单独的OCR模块。

但OCR还没有被大模型取代

你可能会问：既然大模型直接看图就行，OCR是不是快被淘汰了？

还早。

大模型处理图片的成本比专用OCR高得多，速度也慢，对于每天要处理数百万份单据的金融机构、政务系统来说，成本不可接受。

专用OCR在特定场景的准确率也不输大模型——比如护照机读区的标准字体，OCR做到99.8%的准确率，大模型未必能稳定达到这个数字。

更现实的情况是：OCR和大模型已经开始融合。OCR负责精准快速的文字提取，大模型负责理解和推理，两者分工合作。

从1950年代的邮件分拣机，到今天处理数亿份证件的识别系统——这四十年，这个看起来不起眼的技术，一直在安静地进化。