防止惡意注冊(cè)和點(diǎn)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(qiáng)大的新型人工智能所擊敗。

相信大家都有這樣的經(jīng)驗(yàn)，要想進(jìn)入系統(tǒng)，必須通過(guò) CAPTCHAs 測(cè)試，這種測(cè)試在 20 世紀(jì) 90 年代被首次引入，目的是防止自動(dòng)化軟件機(jī)器人做出諸如創(chuàng)建假的用戶帳戶和刮擦個(gè)人信息的行為。

傳統(tǒng) CAPTCHAs 測(cè)試原理很簡(jiǎn)單，即通過(guò)彩色或黑白的模糊混淆的字母和數(shù)字構(gòu)成密碼，自動(dòng)化系統(tǒng)很難識(shí)別這些字符，所以它們無(wú)法輸入正確的密碼，因此無(wú)法進(jìn)入系統(tǒng)，而通常情況下人眼卻可以很容易地識(shí)別所顯示的圖像。

令人震驚和遺憾的是，現(xiàn)在自動(dòng)化軟件機(jī)器人居然也可以識(shí)別這些模糊的字符了。

美國(guó)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(tuán)隊(duì)開(kāi)發(fā)了一種稱之為遞歸皮質(zhì)網(wǎng)絡(luò)(RCN)的計(jì)算機(jī)模型，它能夠有效地推斷出 CAPTCHAs 測(cè)試中的模糊圖像。

喬治認(rèn)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(méi)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(shí)別能力，研究員用傳統(tǒng)方式是讓這些系統(tǒng)進(jìn)行示例學(xué)習(xí)，即讓它們每天處理數(shù)千張圖片來(lái)開(kāi)發(fā)其識(shí)別字母和數(shù)字的能力，就是機(jī)器學(xué)習(xí)模型。

不同于傳統(tǒng)深度學(xué)習(xí)模型，RCN 計(jì)算機(jī)模型使用的算法，是通過(guò)檢測(cè)圖像輪廓來(lái)識(shí)別那些模糊符號(hào)，或者把符號(hào)預(yù)先標(biāo)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(duì) 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(huì)根據(jù)其輪廓自動(dòng)建立起這些字母模型”。

在測(cè)試中，研究員發(fā)現(xiàn) RCN 破解 CAPTCHAs 圖像的效率的比深度學(xué)習(xí)模型培訓(xùn)出的人工智能系統(tǒng)高出 300 倍，并且字符識(shí)別準(zhǔn)確度高達(dá) 90%。

RNC 首次攻破 CAPTCHAs 測(cè)試是在 2013 年，但當(dāng)時(shí)技術(shù)并不成熟。此后，研究人員一直在對(duì)這項(xiàng)技術(shù)進(jìn)行改進(jìn)，并不斷升級(jí)系統(tǒng)的運(yùn)行方式。

RCN 的最終目的是開(kāi)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(jī)器具備想像功能，并具有人類所謂的“常識(shí)”。

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(wèn)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”。