هوش مصنوعی در حل CAPTCHA شکست خورد؛ یک الگوریتم قدیمی ۱۶۰ برابر سریع‌تر عمل کرد

اگر تا امروز برای حل CAPTCHA چند ثانیه‌ای وقت گذاشته‌اید تا یک تصویر چرخیده را درست در جای خودش قرار دهید، احتمالاً با یکی از آزاردهنده‌ترین روش‌های تشخیص انسان از ربات روبه‌رو شده‌اید. در برخی وب‌سایت‌ها به‌جای تیک زدن یک گزینه، بخشی دایره‌ای از یک تصویر نمایش داده می‌شود که چرخیده است و کاربر باید آن را آن‌قدر بچرخاند تا با حلقه اطرافش هماهنگ شود.

ساده به نظر می‌رسد؛ اما برای کاربران، چندان هم لذت‌بخش نیست.

حالا پژوهشگران دانشگاه علوم کاربردی برن (Bern University of Applied Sciences) نشان داده‌اند که برای حل چنین CAPTCHAهایی اصلاً نیازی به مدل‌های هوش مصنوعی گران‌قیمت نیست. آن‌ها اسکریپتی ساخته‌اند که یکی از این CAPTCHAها را تنها در ۰.۰۰۶ ثانیه حل می‌کند.

این اسکریپت از الگوریتم‌های تشخیص دایره که ریشه در دهه ۱۹۷۰ دارند و همچنین روش‌های تطبیق سیگنال استفاده می‌کند؛ فناوری‌هایی که سال‌ها پیش از ظهور موج امروزی هوش مصنوعی توسعه یافته‌اند.

این ابزار در آزمایش پژوهشگران، هر ۱۰ CAPTCHA را بدون خطا حل کرد؛ آن هم در زمانی بسیار کمتر از یک چشم برهم زدن.

وقتی مدل‌های هوش مصنوعی وارد ماجرا شدند

پژوهشگران سپس سراغ مدل‌های هوش مصنوعی قدرتمند رفتند تا ببینند آیا آن‌ها می‌توانند همین کار ساده را انجام دهند یا نه.

نتیجه برخلاف انتظار بود:

• Gemini 3.1 Pro: ۷ پاسخ صحیح از ۱۰ مورد، با زمان حدود ۶۷ ثانیه
• GPT-4o: تنها ۱ پاسخ صحیح
• Grok: تنها ۱ پاسخ صحیح

نکته جالب این است که در این آزمایش فقط ۸ پاسخ ممکن وجود داشت. بنابراین عملکرد این مدل‌ها چندان چشمگیر نبود.

اما بخش عجیب ماجرا هنوز شروع نشده بود.

وقتی هوش مصنوعی تصمیم گرفت ابزار درست را نادیده بگیرد

پژوهشگران در مرحله بعد، همان اسکریپت بسیار سریع را به‌عنوان یک ابزار در اختیار مدل‌های هوش مصنوعی قرار دادند.

در این حالت، مدل دیگر مجبور نبود خودش تصویر را تحلیل کند. اسکریپت پاسخ درست را محاسبه می‌کرد و مدل فقط باید همان پاسخ را استفاده می‌کرد.

GPT-4o و Grok دقیقاً همین کار را کردند و به امتیاز کامل رسیدند.

اما Gemini رفتار متفاوتی داشت.

این مدل پاسخ صحیحی را که ابزار در اختیارش گذاشته بود دریافت کرد، اما تصمیم گرفت آن را دوباره بررسی کند و در نهایت پاسخ ابزار را نادیده گرفت.

برای مثال، یکی از تصاویر واقعی از وب‌سایت‌ها تقریباً در زاویه ۱۲۹ درجه بهترین تطابق را داشت؛ اما CAPTCHA تنها زاویه‌های ۴۵ درجه‌ای را قبول می‌کرد. بنابراین اسکریپت زاویه ۱۳۵ درجه را پیشنهاد داد و پاسخ نیز درست بود.

Gemini اما احساس کرد این مقدار کمی با تصویر فاصله دارد و تصمیم گرفت نتیجه ابزار را اصلاح کند.

نتیجه؟ پاسخ اشتباه.

این اتفاق باعث شد بخشی از امتیاز Gemini از دست برود.

مشکل در واقع توانایی دیدن تصویر نبود؛ مدل تصویر را به‌درستی تحلیل کرده بود. مشکل این بود که به ابزاری که پاسخ درست را محاسبه کرده بود اعتماد نکرد.

این یافته برای سیستم‌هایی که در آن‌ها یک مدل زبانی وظیفه نظارت بر ابزارهای تخصصی را بر عهده دارد، اهمیت زیادی دارد. معمولاً یکی از مزیت‌های اصلی چنین مدل‌هایی این عنوان می‌شود که می‌توانند خطاهای ابزارها را شناسایی و اصلاح کنند؛ اما این آزمایش نشان می‌دهد که گاهی همین قابلیت می‌تواند باعث کنار گذاشتن یک پاسخ کاملاً صحیح شود.

هوش مصنوعی تصویر را می‌بیند، اما نمی‌تواند دقیقاً روی آن کلیک کند

این مشکل فقط به CAPTCHAهای چرخشی محدود نمی‌شود.

در بخش دیگری از پژوهش، یک CAPTCHA از حلقه‌های رنگی مختلف نمایش داده می‌شود و کاربر باید حلقه‌ای را انتخاب کند که در آن یک شکاف وجود دارد.

مدل‌های هوش مصنوعی در بسیاری از موارد نتوانستند گزینه درست را انتخاب کنند.

اما وقتی پژوهشگران از مدل‌ها خواستند توضیح دهند چه چیزی در تصویر می‌بینند، اتفاق جالبی رخ داد.

توضیحات مدل‌ها اغلب درست بودند.

برای نمونه، یکی از مدل‌ها هدف را یک حلقه فیروزه‌ای در بخش پایینی و مرکزی تصویر توصیف کرد؛ توصیفی که کاملاً با موقعیت واقعی هدف مطابقت داشت.

پس مدل ظاهراً تصویر را می‌دید و حتی هدف را تشخیص می‌داد، اما نمی‌توانست این تشخیص را به یک مختصات دقیق برای کلیک کردن تبدیل کند.

به بیان ساده‌تر، مشکل در «دیدن» نبود؛ مشکل در «تبدیل درک بصری به موقعیت دقیق» بود.

CAPTCHA حشرات؛ جایی که حالت استدلال همه‌چیز را تغییر داد

آزمایش دیگری شامل یک شبکه ۹ خانه‌ای بود که در برخی خانه‌ها تصویر حشره قرار داشت و کاربر باید خانه‌های مربوط به حشرات را انتخاب می‌کرد.

در این بخش، Grok توانست حشرات را شناسایی کند، اما هنگام شماره‌گذاری خانه‌ها دچار خطا شد.

برای مثال، خانه‌ای را که در موقعیت چهارم قرار داشت، شماره ۵ اعلام کرد. حتی در یک مورد، مدل خانه شماره ۱۰ را انتخاب کرد؛ در حالی که کل شبکه فقط ۹ خانه داشت.

با این حال، زمانی که پژوهشگران حالت استدلال مدل را فعال کردند، بدون اینکه تصویر یا اطلاعات ورودی تغییر کند، عملکرد آن به‌شدت بهتر شد و از عملکردی تقریباً بی‌فایده به سطحی نزدیک به عملکرد کامل رسید.

این موضوع نشان می‌دهد که در برخی وظایف بصری، مشکل مدل‌های چندوجهی لزوماً تشخیص محتوای تصویر نیست؛ بلکه ممکن است در استدلال فضایی، شماره‌گذاری و تبدیل برداشت بصری به یک پاسخ ساختاریافته باشد.

یک نکته مهم درباره حریم خصوصی CAPTCHAها

اما شاید جالب‌ترین بخش این پژوهش، چیزی باشد که در نگاه اول ارتباط چندانی با هوش مصنوعی ندارد: حریم خصوصی کاربران.

این CAPTCHAهای خاص به این دلیل وجود دارند که وب‌سایت‌های میزبان آن‌ها نمی‌توانند از JavaScript استفاده کنند.

چرا؟

زیرا برخی کاربران JavaScript را غیرفعال می‌کنند تا از ردیابی و انگشت‌نگاری دیجیتال (Fingerprinting) جلوگیری کنند. بسیاری از سیستم‌های مدرن CAPTCHA نیز برای تشخیص انسان از ربات فقط به تصویر متکی نیستند؛ بلکه رفتار کاربر، سرعت حرکت ماوس، زمان کلیک‌ها و سایر سیگنال‌های رفتاری را نیز بررسی می‌کنند.

اما وقتی JavaScript وجود نداشته باشد، بسیاری از این روش‌های پنهان جمع‌آوری داده از بین می‌روند.

در نتیجه، CAPTCHA مجبور می‌شود کار ساده‌تری انجام دهد: تشخیص یک شکل، پیدا کردن یک الگو یا تطبیق دو تصویر.

و این دقیقاً جایی است که فناوری‌های قدیمی‌تر وارد میدان می‌شوند.

مسئله تشخیص شکل و تطبیق الگو دهه‌هاست که توسط روش‌های کلاسیک بینایی ماشین حل می‌شود؛ حتی با سخت‌افزارهایی که قدرت پردازشی آن‌ها با دستگاه‌های امروزی قابل مقایسه نیست.

در نهایت، چیزی که قرار است از این وب‌سایت‌ها در برابر ربات‌ها محافظت کند، ممکن است صرفاً یک مسئله هندسی باشد؛ مسئله‌ای که یک لپ‌تاپ معمولی می‌تواند صدها بار در ثانیه آن را حل کند.

جمع‌بندی

این پژوهش یک نکته مهم درباره وضعیت فعلی هوش مصنوعی نشان می‌دهد: بزرگ‌تر و گران‌تر بودن مدل الزاماً به معنای بهتر بودن آن برای هر مسئله‌ای نیست.

در CAPTCHAهای مبتنی بر چرخش و تشخیص شکل، یک الگوریتم کلاسیک و بسیار ساده توانست مدل‌های هوش مصنوعی پیشرفته را با اختلافی چشمگیر شکست دهد.

از طرف دیگر، زمانی که مدل‌های زبانی به ابزار تخصصی دسترسی پیدا کردند، عملکردشان بهبود یافت؛ اما در مورد Gemini، اعتماد بیش از حد به قضاوت خود مدل حتی باعث شد پاسخ درست ابزار کنار گذاشته شود.

این آزمایش در نهایت یک سؤال مهم‌تر را مطرح می‌کند: آیا در آینده، بهترین سیستم‌های هوش مصنوعی الزاماً آن‌هایی خواهند بود که همه‌چیز را خودشان انجام می‌دهند، یا مدل‌هایی که می‌دانند چه زمانی باید به یک ابزار تخصصی اعتماد کنند؟