连水军都要失业了，因为AI水军来了

　　研究者们说，这种假点评也不是完全没法防范，人类觉得它们能以假乱真，但机器不见得这么看。用计算机去分析字符的分布等特征，他们就会发现真假点评之间存在着细微的差异。

　　假点评是从真实点评里学出来的，在这个过程中，难免会有信息流失。假点评注重的是流畅、可信，但像字符分布这种平时没人关注的特征，就做得不那么好了。

　　“在训练过程中发生的信息遗失，会传递到生成出的文本中，”研究者们在论文中写道，“因此生成文本和人类文本在基本字符分布上，有着统计上可检测的差异。”

　　当然，攻击者也可以骗过检测，换好一点的硬件，做更复杂一点的神经网络就行。但这种检测的意义在于至少提高了攻击的门槛，为他们设置了一些障碍。

　　如果攻击的成本高到一定程度，大部分没那么执着的攻击者也就收手了。赵燕斌说：“这就是一种胜利，所有的安全工作都是这样，提高攻击的门槛。你永远没办法阻止那种目标坚定、身手老练的攻击者。”

　　在一份邮件声明中， Yelp发言人Rachel Youngblade说他们“很欣赏这份研究指出了随着欺骗点评系统的方法持续进化，越来越复杂，Yelp这类大型用户点评网站在保障内容真实性上面临着重大挑战。十年来，Yelp一直有保护内容的系统，而正因为欺骗手段越来越复杂，我们也持续迭代这些系统，来识别假点评，以及偏颇、没有帮助的内容。这份研究的作者们以Yelp系统作为‘真实’的代表，并承认它的有效性，我们非常感激。”

　　“不过，这份研究创造的仅仅是看起来真实的点评文本，Yelp的推荐软件使用了更整体的方法，除了文本之外，还使用了很多其他因素来决定是否推荐一条点评。如果某条点评没有价值或有失偏颇，就算它是人类做出的，我们也不会推荐。”

　　不止于点评

　　点评是测试文本生成技术的理想场所。这个领域有明确的方向和目的，主体单一，遵循一个相当标准的结构，而且不长。#虚假点评越长，越容易被发现问题#

　　但技术不会止步于此。

　　“所以，我们只是从在线点评开始。你能相信某某人说的那些关于餐馆、商品的话吗？但这类研究还会继续进步。”

　　“它会进步到更大的攻击，可能博客上的整篇文章都完全是由机器人根据某个主题自动生成的，这时候你就真的得想想信息是哪来的、如何验证……这是我们所有人过些年将要面对的，一个更大的挑战。”

　　赵燕斌说他想传递的信息很“简单”：“我希望人们能关注这类攻击途径，把它们看做真实、迫切的威胁，”如果Yelp、亚马逊这些网站的工程师们还没有开始考虑如何抵御，他希望他们立刻开始思考。

　　教授希望“我们希望能吸引更多注意，不仅为了设计出能防御这类攻击的系统，还想让更多人从平凡的视角，看到‘好AI’带来的威胁。”

　　“我认为，那么多人都在关注奇点、天网这些引人注目的AI威胁，但是那些很好很好的AI，能带来很多更实际的、有显示影响的威胁，而这只是冰山一角。”

（编辑：PHP编程网 - 黄冈站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!