担心的事情还是发生了，AI水军你根本看不出来

编者按：本文来自微信公众号“量子位”（ID：QbitAI），李林 问耕 编译整理，36氪经授权发布。

无论是中国还是美国，很多人在选择餐馆或者酒店的时候，主要依靠网上的点评，比方说大众点评或者Yelp等等。

某种程度上，口碑已经成为不少企业的命脉，变成服务和产品质量的永久记录。与此同时，不公平或者虚假的点评也让企业忧心忡忡，这些有可能来自愤怒的顾客，有可能来自竞争对手。

水军，在全球都是一个让人头疼的问题，以后可能会更疼了：

人工智能（AI）已经学会自动编写虚假点评了。

整个点评口碑界正面临潜在却是严重的冲击。如果AI创造的虚假点评泛滥，最终将导致全部点评信息可信度急剧下降。技术进步，这一次又给社会带来了（令人担忧的）影响。

不知道许知远会不会更焦虑了。

“这对整个社会是一个巨大的威胁，不但会让依靠点评信息的用户失望，而且会动摇人类对于真实和虚假的信念，我认为后者更让人担心”，芝加哥大学计算机科学教授赵燕斌（Ben Y. Zhao）说。

以假乱真

《在线点评系统中的自动众包攻击和防御》是赵燕斌等芝加哥大学研究人员发布的一篇论文。他们的研究说明，人工智能可以被用来生成复杂的点评信息。这些虚假的点评不仅机器无法检测出来，就连人类读者也分辨不出来。

这篇论文今年晚些时候会在计算机安全顶级会议ACM CCS上展示。

所谓复杂的点评信息，大概是这个样子：“我喜欢这个地方。我跟我哥一起去的，我们点了素食意大利面，很好吃。啤酒不错，服务也很棒。推荐这个地方，是个吃早餐的好去处。地儿小但是买卖大”。

乍一看这个点评没有什么奇怪的，里面包含一些具体的建议和可信的描述，虽然最后一句有点奇怪，但整体仍然是一段说人话的表达。

实际上，这句话是一种称为RNN（循环神经网络）的深度学习技术生成的。这个RNN网络使用了上千条真实在线点评训练而成。

研究人员表示，AI生成的点评已经做到了“以假乱真”，有600个用户参与的调查显示，这些虚假的点评不仅能逃过人类的法眼，而且还被用户认为“有用”。

“有用”是更可怕的事情：这表明虚假点评已经可以对人类造成影响。

反抄袭软件也对这些虚假点评无能为力，因为这些点评是逐字生成的，而不是简单的替换已有点评中的用词。如果使用反抄袭软件检测，不但很难检测出虚假点评，而且会“误伤”一大批真实的点评。RNN可不仅仅是对现有点评的复制。

人类水军面临下岗

人类手写的虚假点评，已经是一个兴盛的地下行业。只要有钱，你就能找到人帮你的产品写下正面的点评，后者给对手写下负面的评价。

现在，传统水军行业未来可能也要被AI取代了。

美国市场上，一段质量较高的Yelp点评，可能价格能到10美元。不过一旦有了AI的帮助，君心叵测的人可以一分钱不用就生成上千条点评，而且一起放出以免引起怀疑。

好消息是，现在还没有AI在现实世界中生成恶意虚假点评的案例。

坏消息是，构建一个这样的人工智能系统，并不需要太长的时间，所需硬件市面上都能买到，所需的点评数据库可以在网上轻易获得。

仍有对策

如果有人开始大规模生产这种假点评，大众点评、Yelp这样的网站恐怕就没有好日子过了，毕竟，它们的招牌就是来自用户的真实点评，如果每一条都可能是假的，谁又会继续相信它们呢？

接下来沦陷的，会是淘宝京东亚马逊之类的电商，虽然赵燕斌说至少它们还能限制只有买过该商品的用户才能点评，但情况也不容乐观。

不过，也有好消息。

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。”

他补充说：“所以，我以希望安全界的人能和我一起，关注这类问题，这样我们才有希望赶上。我认为，AI以惊人的速度和加速度在发展，如果我们不立刻开始研究如何抵御，可能永远都赶不上了。”

芝加哥大学赵燕斌教授

是真是假？

最后，来个小测验吧。

这有六个案例，其中有一些是神经网络生成的虚假点评，其他的是真实的人类点评。你看看是否能分辨出来是真是假。

1、我最喜欢去的意大利餐厅。大爱这家菜品，一切都很棒。我推荐生牛肉配芦笋。可惜现在名气太大了，越来越难在黄金时间预定到座位。

2、我们全家都是这间餐厅的超级粉丝。工作人员非常奈斯，食物很棒。鸡肉非常好吃，蒜汁堪称完美。上面配有水果的冰淇淋也很美味。强烈推荐！

3、每年圣诞节我都来，最爱意大利面！物有所值！

4、非常好的披萨、烤宽面条以及最好吃的扇贝之一。甜品很大很美味。

5、这的食物好吃得惊人，分量也很大。芝士百吉饼做得非常完美，新鲜又美味！服务很快。毫无疑问是我们最爱的地方！我们还会回来的！

6、我来这吃饭已经一年半了，除了好吃我无话可说。我总是点披萨，意大利牛肉也很好，给我留下深刻印象。服务非常出色。是我见过的服务最好的餐厅。强烈推荐。

你看出哪些点评有问题了么？