在短短几分钟内，人工智能机器破解了那些混乱的文本序列，称为验证码，用于区分人类网络用户和垃圾邮件传播机器人。这么多。
构建验证码破解机器人的人工智能创业公司Vicarious表示，它的方法可以指向通用的，类似人类的人工智能。(Captcha是“完全自动化的公共图灵测试，以告诉人类和计算机分开。”)
“这绝对是一个小步骤。但如果你想走向一般人工智能的方向，这些是你需要考虑的事情，”替代联合创始人Dileep George告诉Live Science，指的是机器概括的能力并从非常少的数据中学习。
乱乱的文字
基于文本的验证码可以工作，因为与人类不同，计算机很难识别构成它们的扭曲和部分隐藏的字符。乔治说，虽然存在可以解决这些问题的机器学习系统，但他们必须接受数百万张图像的培训。
另一方面，由Vicarious建造的智能机器可以在几分钟内使用几百个示例字符进行训练，研究人员说。它适用于多种不同风格的验证码，也可以重新用于识别手写数字，识别真实场景照片中的文本以及检测图像中的非文本对象。
这是因为Vicarious设计了这个系统来模仿大脑在看到几个例子之后识别物体的方式，并且仍然以奇怪的新配置识别它们，乔治说。
“自然界在数百万年的进化中创造了一个支架，”他告诉Live Science。“我们研究神经科学，找出脚手架是什么，我们将这个结构放在我们的模型中，以便模型更容易快速学习。”
Vicarious在2013年宣布了一个验证密码破解的AI，但没有在期刊上发表研究，导致批评者在接受他们的主张之前要求同行评审的论文。现在，该公司在昨天(10月26日)发表在“科学”杂志上的一篇论文中详细介绍了其所谓的递归皮层网络(RCN)。
该公司在领先的供应商reCAPTCHA和Bot Detect以及Yahoo和PayPal使用的基于文本的验证码上测试了该系统，准确度从大约57%到近67%不等。研究作者表示，这远高于1%被认为使它们无法阻止机器人。研究人员表示，针对特定风格优化系统可以将准确度提高90%。
适应性人工智能
许多网站已经远离基于文本的验证码，使用基于图像的测试和鼠标移动或cookie数据来分析您是人还是机器。但研究人员表示，这些谜题为测试更具适应性的AI形式提供了一个很好的基准。
乔治说，虽然大多数机器学习方法只是扫描整个图像以寻找其像素中的图案，但人类视觉系统被连线以构建构成场景的对象的丰富模型。
其中一种方法是将对象的轮廓与其表面属性分开。这就是为什么人们倾向于在着色之前勾勒出形状的轮廓，以及为什么人类可以很容易地想象一种具有草莓质地的香蕉，尽管从未见过它，乔治说。
这种人脑技术不仅可以更灵活地理解物体的外观; 他补充说，这也意味着你不必看到形状和纹理的每一种可能的组合，以便在新的情况下自信地识别物体。
通过将这种方法嵌入到他们系统的结构中，以及其他有助于将注意力集中在物体上并将它们与背景或重叠物体分开的大脑启发机制，研究人员能够创建一个可以从更少的例子中学习并且表现良好的AI跨越一系列任务。
纽约大学助理教授布伦登湖(Brenden Lake)的研究涵盖了认知和数据科学，他表示，尽管人工智能最近取得了进展，但通过多种措施，机器还有很长的路要走。
“人们可以从更少的例子中学习一个新的概念，然后以比最好的机器系统更强大的方式进行推广，”Lake在一封电子邮件中告诉Live Science。“它[科学论文]表明，结合认知科学和神经科学的原则可以产生更像人类和更强大的机器学习算法。”
乔治说，在他们的系统中建立类似人类的认知偏见确实存在缺陷，因为这样的机器将会遇到挫败人类的相同视觉任务。他说，例如，要么了解QR码的训练就会非常困难。