维多利亚州人工智能的一组研究人员首次揭示了他们用来击败CAPTCHA的新的和创新的方法。在他们发表在“科学”杂志上的论文中，研究小组描述了他们的神经网络，以及它是如何被用来破解用来阻止机器人访问网站的软件的。
早在2000年，托管网站的团体和用户都对机器人在网站上造成的破坏感到非常恼火。为了防止这种访问，开发了一个名为“完全自动的公共图灵测试来区分计算机和人”(CAPTCHA)的系统。它要求用户输入被扭曲的文本--这一任务对人类来说很容易，但对机器人来说却是不可能的。不幸的是，事实证明，正如几个研究小组所显示的那样，打败CAPTCHA是可能的。他们使用神经网络来了解什么是验证码，然后挫败使用它们的系统。但是，这种方法需要该系统处理数千或数百万个例子，才能合理地熟练地破解验证码。然而，四年前，一支位于维卡利AI的团队宣布，他们已经提出了一种改进的神经网络，在研究了几个例子之后，就可以破解CAPTCHA。然而，该公司没有出版它的作品，因为他们意识到它将允许机器人制造商再次猖獗。最近，CAPTCHA发生了变化--经常使用图像而不是文本，要求用户识别其中的独特之处。正因为如此，维多利亚人工智能已经决定，它现在是安全的，以揭示其新颖的验证码破解技术。
该系统被称为递归皮质网络，其名称提供了对其工作方式的了解。在传统的神经网络中，节点被创建来保持新的信息-从节点建立网络，并且它被用于判断如何处理新数据。这就是它学习的方式。在替代AI的团队也使用了神经网络，但是他们增加了一些新的递归。递归是一种软件技术，由此数据被用来学习新的东西。随着新的过程被学习，结果也会回到软件中。该过程被反复使用直到达到溶液为止。它是一种长期以来一直用于解决马兹的技术。通过向神经网络应用递归，研究人员发现，他们能够大幅减少他们软件的学习曲线，例如，需要五个训练步骤，例如，破解google的reqtcha67%的时间。
进一步探索
从很少的例子中学习并概括到不同的情况是人类视觉智能的能力，这些能力还没有被主要的机器学习模型所匹配。在系统神经科学的启发下，我们提出了一种基于信息传递的视觉概率生成模型，其中基于消息传递的推理以统一的方式处理识别、分割和推理。该模型具有良好的泛化和遮挡推理能力，在具有挑战性的场景文本识别基准上优于深层神经网络，数据效率提高了300倍。此外，该模型还从根本上突破了基于现代文本的CAPTCHA的防御，即在没有CAPTCHA特定启发式的情况下对字符进行一般性分割。我们的模型强调了数据效率和组成性等方面，这些方面在走向一般人工智能的道路上可能很重要。