Lịch Sử OCR và Sự Ra Đời Khái Niệm Vision-First OCR

Bài viết dựa trên tham luận "Mô hình OCR chuyên biệt cho văn bản Khmer hậu Angkor và chữ viết trên lá Buông" — trình bày tại Tọa đàm Đại học Trà Vinh, 28/1/2026.

Phần 1: 110 năm lịch sử OCR

Optical Character Recognition (OCR) là một trong những bài toán lâu đời nhất trong lịch sử điện toán. Nhưng ít người biết rằng hành trình của nó khởi đầu không phải từ máy tính, mà từ một nhu cầu nhân văn: giúp người mù đọc sách.

Giai đoạn 1: Cơ học và điện (1914–1960)

Năm 1914, Emanuel Goldberg — nhà khoa học người Đức gốc Nga — phát triển máy đọc ký tự quang học đầu tiên sử dụng tế bào quang điện. Năm 1931, ông được cấp bằng sáng chế cho "Statistical Machine" — thiết bị có thể nhận dạng văn bản và phân loại tài liệu bằng ánh sáng.

Năm 1951, David Shepard tại Hoa Kỳ xây dựng "Gismo" — máy OCR thương mại đầu tiên, ứng dụng để đọc mã điện báo Morse và văn bản in. Đến cuối thập niên 1950s, ngành bưu điện và ngân hàng bắt đầu thử nghiệm OCR để tự động hóa phân loại thư và đọc séc.

Giai đoạn 2: Pattern Matching (1960–1990)

Thập niên 1960–1980, OCR chuyển từ phần cứng chuyên dụng sang phần mềm. Kỹ thuật chủ đạo là template matching: lưu trữ hình dạng "lý tưởng" của mỗi ký tự, rồi so sánh ký tự trong ảnh với kho mẫu.

Phương pháp này hoạt động tốt với font chữ chuẩn, in rõ — nhưng sụp đổ hoàn toàn khi gặp phông chữ lạ, văn bản bị hỏng, hoặc bất kỳ ngôn ngữ nào không có cấu trúc Latin tuyến tính. Với chữ Khmer — vốn có hệ thống dấu phụ chồng nhiều tầng — template matching thực tế là vô dụng.

Giai đoạn 3: Thống kê và Neural Network thế hệ đầu (1990–2010)

Bước ngoặt lớn đến khi Tesseract — phát triển bởi Hewlett-Packard từ 1985, Google tiếp nhận năm 2006 — trở thành engine OCR mã nguồn mở phổ biến nhất thế giới. Tesseract dùng kết hợp phân tích đặc trưng hình học và mô hình ngôn ngữ N-gram.

Đây là lúc một xu hướng quan trọng được thiết lập: các hệ thống OCR bắt đầu tích hợp mô hình ngôn ngữ để "sửa" kết quả nhận dạng. Với tiếng Anh và các ngôn ngữ châu Âu có corpus lớn, cách này cải thiện đáng kể độ chính xác.

Tesseract — từ HP Labs đến Google (1985–2006)

Ban đầu nghiên cứu tại HP Labs Bristol từ 1985–1994. Google mã nguồn mở hóa năm 2006. Phiên bản 4.0 (2018) tích hợp LSTM và hỗ trợ hơn 100 ngôn ngữ. Dù vậy, khả năng xử lý chữ Khmer cổ vẫn rất hạn chế vì phụ thuộc nặng vào corpus hiện đại.

Giai đoạn 4: Deep Learning (2012–nay)

Năm 2012, AlexNet thắng ImageNet — khoảnh khắc đánh dấu kỷ nguyên deep learning. Từ 2015 trở đi, CNN, RNN/LSTM, và Transformer bắt đầu thay thế hoàn toàn các phương pháp cũ.

Google Vision API, Microsoft Azure OCR, Amazon Textract — tất cả đều đạt độ chính xác rất cao trên văn bản tiếng Anh, tiếng Trung, tiếng Ả Rập. Nhưng với chữ Khmer lịch sử, chúng đều thất bại vì cùng một lý do cốt lõi — điều sẽ được phân tích trong phần tiếp theo.

Phần 2: Vấn đề cốt lõi — Khi OCR "quá thông minh"

Language-First OCR là gì?

Phần lớn hệ thống OCR hiện đại hoạt động theo mô hình hai lớp:

1. 
   Lớp thị giác — nhận dạng hình dạng ký tự


2. 
   Lớp ngôn ngữ — hiệu chỉnh kết quả dựa vào từ điển và mô hình xác suất

Lớp thứ hai nghe có vẻ hữu ích. Nhưng đối với văn bản lịch sử, nó là nguồn gốc của một vấn đề nghiêm trọng.

"OCR hiện đại (Google Lens, Cloud OCR) phụ thuộc nặng vào corpus hiện đại. Chúng tự động 'sửa' văn bản cổ về dạng hiện đại, làm mất thông tin gốc — và đây là hành vi không thể chấp nhận trong nghiên cứu lịch sử và bảo tồn di sản."

— Danh Hồng, Tham luận tại Đại học Trà Vinh, 28/1/2026

Tại sao chữ Khmer hậu Angkor là phép thử khắc nghiệt nhất?

Chữ Khmer trải qua ba giai đoạn phát triển chính:

• 
  Pre-Angkor: Ảnh hưởng Brahmi-Pallava, chủ yếu ghi Sanskrit trên bia ký, chính tả ổn định và mang tính học thuật cao


• 
  Angkor: Song ngữ Khmer-Sanskrit, ít ligature hơn Pallava, spelling vẫn tương đối ổn định. Đáng lưu ý: chỉ duy nhất vua Yasovarman I (889–910) dùng chữ Devanagari — sau đó lại quay về dùng chữ Khmer


• 
  Post-Angkor: Chữ viết trở thành phương tiện phổ biến trong Phật giáo Theravada và văn học dân gian. Xảy ra hiện tượng "Khmer hóa spelling" — điều chỉnh cách viết từ vay mượn Sanskrit/Pali theo âm đọc thực tế

Giai đoạn hậu Angkor tạo ra thách thức cực kỳ lớn: một từ có thể có nhiều cách viết tùy vùng miền và thời kỳ. Đây không phải lỗi — đây là đặc điểm lịch sử. Nhưng hệ thống language-first sẽ "sửa" tất cả về một dạng chuẩn duy nhất.

Bằng chứng thực nghiệm — thử nghiệm trên bài hát ái quốc «ចំរៀងយោធាយាត្រា» từ thập niên 1950:

Developer API: developer.nextocr.org

Liên hệ: [email protected] | Telegram: t.me/hout18