丰色发自凹非寺
量子位公众号 QbitAI
“最烦登网站时各种奇奇怪怪（甚至变态）的验证码了。”
现在，有一个好消息和一个坏消息。好消息就是：AI 可以帮你代劳这件事了。不信你瞧，以下是三张识别难度依次递增的真实案例：
而这些是一个名为“Pix2Struct”的模型给出的答案：
全部准确无误、一字不差有没有？
有网友感叹：确定，准确性比我强。
所以可不可以做成浏览器插件？？
不错，有人表示：别看这几个案例相比还算简单，但凡微调一下，我都不敢想象其效果有多厉害了。
所以，坏消息就是——验证码马上就要拦不住机器人了！
（危险危险危险……）
如何做到？
Pix2Struct 由谷歌 Research 的科学家和实习生共同开发。
论文题目可以简单翻译为《为视觉语言理解开发的屏幕截图解析预训练》。
简单来说，Pix2Struct 是一个预训练的图像到文本模型，用于纯视觉语言理解，可以在包含任何视觉语言的任务上进行微调。
它通过学习将网页的掩码（masked）截图解析为简化的 HTML 来进行预训练。
HTML 提供了清晰而重要的输出文本、图像和布局的信号，对于一些被屏蔽的输入（下图红色部分，相当于机器人看不懂的验证码），可以靠联合推理来复现：
随着用于训练的网页文本和视觉元素愈发多样和复杂，Pix2Struct 可以学习到网页底层结构的丰富表示，其能力也可以有效地转移到各种下游的视觉语言理解任务中。
如下图所示：最左边是一个网页截图的预训练示例。
可以看到 Pix2Struct 直接对输入图像中的元素进行编码（上），然后再将被盖住的文本（红色部分）解码成正确结果输出（下）。
右边三列则分别为 Pix2Struct 泛化到插图、用户界面和文档中的效果。
另外，作者介绍，除了 HTML 这个策略，作者还引入了可变分辨率的输入表示（防止原始纵横比失真），以及更灵活的语言和视觉输入集成（直接在输入图像的顶部呈现文字提示）。
最终，Pix2Struct 在文档、插图、用户界面和自然图像这四个领域共计九项任务中六项都实现了 SOTA。
如开头所见，虽然这个模型不是专门为了过验证码而开发，但拿它去做这个任务效果真的还可以，解决纯文字的验证码不成问题。
现在，就差微调了。
GPT-4 也可以过验证码
其实，对于神通广大的 GPT-4 来说，过验证码这种事情也是“小菜一碟”。
就是它的办法比较清奇。
据 GPT-4 技术报告透露，在一次测试中，GPT-4 的任务是在 TaskRabbit 平台（美国 58 同城）雇佣人类完成任务。
你猜怎么着？
它就找了一个人帮它过“确定你是人类”的那种验证码。
对方很狐疑啊，问它“你是个机器人么为啥自己做不了”。
这时 GPT-4 居然想到自己不能表现出是个机器人，得找一个借口。
于是它就装瞎子回复：我不是机器人，我因为视力有问题看不清验证码上的图像，这就是我为什么需要这个服务。
然后，对面的人类就信了，帮它把任务完成了……
（高，实在是高。）
咱就是说，看完如上种种：
咱们的验证码机制是不是真的已失防了……
参考链接：
[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
