从大脑视觉皮层获得灵感，初创公司Vicarious利用AI破解了CAPTCHA的安全性-InfoQ



 写点什么

湾区初创公司 Vicarious 利用称为“RCN”的新型网络布局改进了一项机器学习技术，从而有能力解决CAPTCHA 的挑战。

Vicarious 的目标是开发一种在任何环境下都能够检测出特定字母的算法。对机器来说，在不同的环境下检测出字母是件困难的事。出于这个原因，发明了 CAPTCHA 以区分人类和机器。在 2013 年，Vicarious 成为首批利用深度神经网络破解 CAPTCHA 系统的公司之一。

如今，他们改进了算法，所需的数据变得更少以推广到所有的 CAPTCHA。通常，神经网络需要数千到数百万的样本以推广到未曾见过的新数据。但是，他们的新系统归纳能力更好，训练所需的数据只是原来的 300 分之一。

为此，他们发明了 RCN。与一般的神经网络在训练之前不具有任何知识相反，RCN 带着与轮廓和表面相关的知识开始学习。这种预备知识有利于模型的建立和推广，而一般的神经网络必须学习已存在着的轮廓和表面，还必须学习物体和背景之间的不同。多亏了预备知识，现在可以在几个独立的物体上训练一个 RCN，并利用其来代表具有多个物体的场景。

RCN 背后的想法源于认知科学和神经科学。人类在出生时，神经皮层就已经有能力区分前景和背景。对于我们来说，比起从一片空白开始学习所有的东西，在我们所处的世界中学习各种表达更容易些。

RCN 是轮廓和表面组合的模型。表面是使用条件随机场的模型。轮廓是利用特征的组合层次来建模。这样一来，RCN 能够识别具有不同外观的物体，无需在每一种形状和外观组合上进行训练。RCN 的另外一个优点是它们不会过度拟合训练集中的无关细节。这意味着 RCN 对于其他类似的场景有很强的推广能力。

解决 CAPTCHA 问题是机器学习技术推广的一个非常重要的领域。Vicarious 观察到在 CAPTCHA 中轻微的干扰就使得传统的神经网络方法完全无效。这个可以在下图中观察到，如果在训练了两个网络之后，修改了 CAPTCHA 的表达，那么深度学习的方法会失败。而他们的新方法在仅仅用了 260 个样本训练之后，表现却更好。