美國加州Vicarious研發(fā)人工智能計算模型,專門用于破解驗證碼
防止惡意注冊和點擊是互聯(lián)網(wǎng)上使用的最廣泛的安全系統(tǒng)之一,但如今它已被一種強大的新型人工智能所擊敗。
相信大家都有這樣的經(jīng)驗,要想進入系統(tǒng),必須通過 CAPTCHAs 測試,這種測試在 20 世紀 90 年代被首次引入,目的是防止自動化軟件機器人做出諸如創(chuàng)建假的用戶帳戶和刮擦個人信息的行為。
傳統(tǒng) CAPTCHAs 測試原理很簡單,即通過彩色或黑白的模糊混淆的字母和數(shù)字構(gòu)成密碼,自動化系統(tǒng)很難識別這些字符,所以它們無法輸入正確的密碼,因此無法進入系統(tǒng),而通常情況下人眼卻可以很容易地識別所顯示的圖像。
令人震驚和遺憾的是,現(xiàn)在自動化軟件機器人居然也可以識別這些模糊的字符了。
美國加州的人工智能公司 Vicarious 的聯(lián)合創(chuàng)始人迪利普·喬治和他的團隊開發(fā)了一種稱之為遞歸皮質(zhì)網(wǎng)絡(luò)(RCN)的計算機模型,它能夠有效地推斷出 CAPTCHAs 測試中的模糊圖像。
喬治認為人工智能系統(tǒng)難以克服 CAPTCHAs 障礙的原因之一是人工智能沒有像人類一樣能感知的神經(jīng)網(wǎng)絡(luò)。
為了提高它們的識別能力,研究員用傳統(tǒng)方式是讓這些系統(tǒng)進行示例學習,即讓它們每天處理數(shù)千張圖片來開發(fā)其識別字母和數(shù)字的能力,就是機器學習模型。
不同于傳統(tǒng)深度學習模型,RCN 計算機模型使用的算法,是通過檢測圖像輪廓來識別那些模糊符號,或者把符號預(yù)先標記為 As, Bs, Cs 等以區(qū)分圖像中的字母,即便有些圖像是重疊的,它也能將其分離。
對 RCN 的工作原理,喬治給出了解釋:“它可以建立圖像模型,比如你給它看 As, Bs 等這些字母,它就會根據(jù)其輪廓自動建立起這些字母模型”。
在測試中,研究員發(fā)現(xiàn) RCN 破解 CAPTCHAs 圖像的效率的比深度學習模型培訓出的人工智能系統(tǒng)高出 300 倍,并且字符識別準確度高達 90%。
RNC 首次攻破 CAPTCHAs 測試是在 2013 年,但當時技術(shù)并不成熟。此后,研究人員一直在對這項技術(shù)進行改進,并不斷升級系統(tǒng)的運行方式。
RCN 的最終目的是開發(fā)擁有更接近于人類的感知神經(jīng)網(wǎng)絡(luò)的人工智能系統(tǒng),希望可以讓機器具備想像功能,并具有人類所謂的“常識”。
喬治表示:“我們所要研發(fā)的人工智能,要能以非常靈活的方式處理問題,能夠快速推理并出色完成任務(wù),并能在很多領(lǐng)域協(xié)助人類,這就是我們的研發(fā)初衷”。