本地部署OCR,可能是AI进单位的第一道门
AI是希望。
这两年大家聊AI,动不动就是大模型、智能体、知识库、自动写报告,听上去都很高级。但真到了单位里落地,第一关往往不是大模型有多聪明,而是材料能不能先被机器读进去。
一堆扫描PDF、拍照图片、合同、票据、表格、报告、证明材料、历史档案摆在那里,人眼看得懂,电脑看不懂。大模型再厉害,也不能对着一堆图片闭眼分析。这个时候,OCR就成了AI系统的第一道入口。
OCR直白说,就是把图片里的字识别出来。以前大家觉得这东西很普通,不就是“图片转文字”吗?但真到了业务场景里,会发现远没有这么简单。清晰打印文档是一回事,扫描歪了、拍照糊了、表格套表格、页眉页脚一堆、印章压住文字、金额带小数点、日期格式不统一,又是另一回事。
更麻烦的是,很多单位材料不能出内网。你不可能把合同、票据、案件材料、财务流水、人员信息直接扔到公网工具里识别。在线OCR再好用,只要数据敏感,就必须先停下来。不是工具不能用,而是场景不允许。
所以本地部署OCR这件事,表面上是技术选型,实质上是AI能不能进入严肃业务系统的基础设施问题。
目前国内能考虑的OCR路线,大概分成几类。
第一类是开源OCR底座,代表是PaddleOCR、RapidOCR、CnOCR、MindOCR这一类。它们的价值不是“看起来多炫”,而是朴素、稳定、便宜、可控。尤其是PaddleOCR,生态比较完整,从普通文字识别,到表格、版面、公式、印章、文档结构化,都有对应能力。对很多单位来说,它就是最适合先跑起来的底座。
第二类是文档解析工具,代表是MinerU。这类工具和普通OCR不太一样。普通OCR解决的是“图片里有什么字”,文档解析解决的是“这篇文档结构是什么”。标题在哪里,正文在哪里,表格怎么还原,公式怎么处理,图片怎么提取,最后能不能转成Markdown或者JSON,方便进入知识库。做RAG知识库的人应该很清楚,文档解析质量不好,后面大模型回答就会一路歪。
第三类是多模态大模型OCR,比如Qwen-VL、DeepSeek-OCR、PaddleOCR-VL这类。它们的能力很吸引人,因为不只是识别文字,还能理解页面。比如你给它一张表格截图,它不只是把字读出来,还能大致明白哪一列是金额,哪一列是日期,哪一行是合计。这个能力很像让一个实习生坐在旁边帮你看材料。
但问题也在这里。实习生很聪明,但他可能脑补。传统OCR一般是“识别到什么就输出什么”,大…