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”。