“最煩登網(wǎng)站時各種奇奇怪怪（甚至變態(tài)）的驗證碼了?！?/p>
現(xiàn)在，有一個好消息和一個壞消息。
好消息就是：AI 可以幫你代勞這件事了。
不信你瞧，以下是三張識別難度依次遞增的真實案例：
而這些是一個名為“Pix2Struct”的模型給出的答案：
全部準確無誤、一字不差有沒有？
有網(wǎng)友感嘆：
確定，準確性比我強。
所以可不可以做成瀏覽器插件？？
不錯，有人表示：
別看這幾個案例相比還算簡單，但凡微調(diào)一下，我都不敢想象其效果有多厲害了。
所以，壞消息就是 ——
驗證碼馬上就要攔不住機器人了！
（危險危險危險……）
如何做到？
Pix2Struct 由谷歌 Research 的科學(xué)家和實習生共同開發(fā)。
論文題目可以簡單翻譯為《為視覺語言理解開發(fā)的屏幕截圖解析預(yù)訓(xùn)練》。
簡單來說，Pix2Struct 是一個預(yù)訓(xùn)練的圖像到文本模型，用于純視覺語言理解，可以在包含任何視覺語言的任務(wù)上進行微調(diào)。
它通過學(xué)習將網(wǎng)頁的掩碼（masked）截圖解析為簡化的 HTML 來進行預(yù)訓(xùn)練。
HTML 提供了清晰而重要的輸出文本、圖像和布局的信號，對于一些被屏蔽的輸入（下圖紅色部分，相當于機器人看不懂的驗證碼），可以靠聯(lián)合推理來復(fù)現(xiàn)：
隨著用于訓(xùn)練的網(wǎng)頁文本和視覺元素愈發(fā)多樣和復(fù)雜，Pix2Struct 可以學(xué)習到網(wǎng)頁底層結(jié)構(gòu)的豐富表示，其能力也可以有效地轉(zhuǎn)移到各種下游的視覺語言理解任務(wù)中。
如下圖所示：最左邊是一個網(wǎng)頁截圖的預(yù)訓(xùn)練示例。
可以看到 Pix2Struct 直接對輸入圖像中的元素進行編碼（上），然后再將被蓋住的文本（紅色部分）解碼成正確結(jié)果輸出（下）。
右邊三列則分別為 Pix2Struct 泛化到插圖、用戶界面和文檔中的效果。
另外，作者介紹，除了 HTML 這個策略，作者還引入了可變分辨率的輸入表示（防止原始縱橫比失真），以及更靈活的語言和視覺輸入集成（直接在輸入圖像的頂部呈現(xiàn)文字提示）。
最終，Pix2Struct 在文檔、插圖、用戶界面和自然圖像這四個領(lǐng)域共計九項任務(wù)中六項都實現(xiàn)了 SOTA。
如開頭所見，雖然這個模型不是專門為了過驗證碼而開發(fā)，但拿它去做這個任務(wù)效果真的還可以，解決純文字的驗證碼不成問題。
現(xiàn)在，就差微調(diào)了。
GPT-4 也可以過驗證碼
其實，對于神通廣大的 GPT-4 來說，過驗證碼這種事情也是“小菜一碟”。
就是它的辦法比較清奇。
據(jù) GPT-4 技術(shù)報告透露，在一次測試中，GPT-4 的任務(wù)是在 TaskRabbit 平臺（美國 58 同城）雇傭人類完成任務(wù)。
你猜怎么著？
它就找了一個人幫它過“確定你是人類”的那種驗證碼。
對方很狐疑啊，問它“你是個機器人么為啥自己做不了”。
這時 GPT-4 居然想到自己不能表現(xiàn)出是個機器人，得找一個借口。
于是它就裝瞎子回復(fù)：
我不是機器人，我因為視力有問題看不清驗證碼上的圖像，這就是我為什么需要這個服務(wù)。
然后，對面的人類就信了，幫它把任務(wù)完成了……
（高，實在是高。）
咱就是說，看完如上種種：
咱們的驗證碼機制是不是真的已失防了……
參考鏈接：
[1]https://twitter.com/abacaj/status/1641258677125410820?s=20
[2]https://arxiv.org/abs/2210.03347
[3]https://m.weibo.cn/status/4879575853828813?wx=1&sudaref=login.sina.com.cn
本文來自微信公眾號：量子位 （ID：QbitAI），作者：豐色
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。