近日，你应当看见了社交媒体上对于网站ThisPersonDoesNotExist.com，分解无数不不存在人脸的铺天盖地的消息，以及杨幂换回朱茵的假脸图像。一方面，这解释，AI技术的火于是以从专业人士那里不知不觉发展到了频密上热侦的时期，但另一方面强势的AI技术发展带来了大众更大的混乱情绪。 从假人脸、假人声到假消息，AI利用来自人类世界的数据集，正在建构一个以假乱真的建模世界。 从人类的视角来看，AI技术带给的这些前所未有的创造力是一种威胁，是为假，但换回个角度，AI正在建构的建模人类信息世界，有可能于是以给人们带给在面临未来时更大的疑惑和不安全感。
在这里要申明：AI正在建构一个独有的虚拟世界(欺诈)信息世界。 除了众所周知的Deepfake这样的换回脸技术外，今天要讲解的是与人们息息相关的指纹，它被普遍应用于指纹锁、手机、安全检查等应用于场景中，有极高的安全等级。但如今指纹也开始能被AI技术拷贝了，由AI制备的指纹能精彩看穿辨识的扫描仪。 这个叫DeepMasterPrints的系统，显然看起来跟Deepfake来自同一个世界，在由AI建构过于过细致的事物上，业内人士一般都讨厌特个后缀Deep。
DeepMasterPrints系统由纽约大学工程学院的5位研究人员研发，其研究于去年10月在洛杉矶举办的生物测量学会议上公开发表，主要可以用人工智能来制作欺诈的指纹，它可以以假乱真，精彩看穿生物识别扫描仪(或人眼)。 研究人员称之为，DeepMasterPrints在一个系统中拷贝了23%的人类指纹部分，错误率为千分之一。
而当错误给定亲率超过百分之一时，DeepMasterPrints能在77%的情况下仿真现实指纹索取扫描仪的信任。 左图是现实指纹，右图为AI制备指纹 这些制备指纹在看穿存在许多指纹的系统时有可能很有效地(不同于你手机中的指纹记录，它有可能只记录了几个数字)，DeepMasterPrints研发的工具展开运营几个假指纹，通过系统查阅否有任何指纹与任何用户账户给定。
攻击者有可能通过重复试验取得更加多顺利的机会，类似于黑客对密码展开暴力或字典反击的密码方式，不是通过系统运营数百万风行密码的软件。 明确而言，其背后的技术原理是，一般来说研究人员使用两种分解对付网络GAN人组在现实图像中用于，其中一个神经网络，用于公开发表、能用的指纹图像，训练神经网络辨识知道指纹图像，然后用另一套神经网络，训练创立分解假造指纹。
研究人员说明，可以将第二个神经网络的假指纹图像输出第一个神经网络中以测试建模程度。随着时间的流逝，第二个神经网络则不会自学分解细致的指纹图像，最后看穿人眼和扫描仪。
DeepMasterPrints正是利用了生物识别指纹系统中的两个缺失。首先，大多数指纹识别仪器在扫瞄时会对整个指纹展开扫瞄，而只是对指纹的一部分上展开给定；其次，多数设备容许用户递交多个指纹图像，给定其中任何一部分，之后可以证实用户身份。这使得由AI假造的指纹更容易看穿指纹扫描仪。
具有训练网络的潜在变量进化。左边是CMA-ES的高级阐述，右边的方框指出如何计算出来潜在变量。 这样一个系统是如何创立的？根据论文叙述，为了研发DeepMasterPrint，研究人员将生成器的潜在变量进化为拟合值。
生成器的输出称作潜在变量，因为它们对网络输入的影响不能通过观察到的图像来展开解读。由于网络以100个潜在变量作为输出，那拟合约束条件100维空间中的一个点。
如上图右图，LVE(LatentVariableEvolution，潜在变量进化技术)对这些点展开取样，将它们切换为图像，然后对图像展开评分，以理解最佳点随时间的产于情况。这些最佳点是DeepMasterPrint的基因型，然后可以同构到图像上。 LVE可以用于任何演化算法(或其他随机全局优化器)来搜寻潜在空间。
演化算法不必须梯度，因此这是黑盒优化的理想方法。在这个域中，给定器可以报告给定了多少身份(有所不同的指纹)以及适当给定亲率，至于如何获得这些结果的却并不获取任何信息。 梯度没表明DeepMasterPrint的哪个像素效果最差或最好。
由于LVE的适应度分数是身份给定的数量，因此适应度景观(fitnesslandscape)是不倒数的。由于卷积网络的层次性，潜在变量也是不能独立国家分离出来的。
研究人员的这篇论文看起来给了黑客密码指纹锁的密码，但他们告诉他Gizmodo，如果没检验生物识别否来自真人，很多这些对抗性反击都有可能再次发生，期望他们的研究能强化指纹安全性工作，推展生物识别传感器中的活体检测。 不过，AI技术的两面性在于道高一尺魔高一丈，不告诉潘多拉魔盒几乎关上后，还不会如何关卡当下的物理世界，给人类更大的意想不到的震惊。
本文来源：优德88-www.deeds-india.com
