CAPTCHA，全称为“全自动区分计算机和人类的公开图灵测试”，是一种在计算中用于验证用户是否为人类的任务-响应测试。该术语于2000年由Carnegie Mellon University的一个团队提出，成员包括Luis von Ahn、Manuel Blum、Nicholas Hopper和John Langford。CAPTCHA的目的是阻止自动化软件（如机器人）执行通常保留给人类的操作，例如创建账户、提交表单或发布评论。该测试呈现一项对人类容易但对机器困难的任务，利用人类感知与当时Artificial intelligence系统之间能力的差距。
最早的CAPTCHA依赖扭曲文本。用户会看到一张经过变形、旋转或叠加噪声的单词或字符序列图像，并需要正确输入这些字符。这种方法多年来一直有效，因为光学字符识别（OCR）软件无法稳健处理此类扭曲。然而，随着Machine learning技术的进步，特别是Deep learning和Neural network模型的出现，基于文本的CAPTCHA变得越来越脆弱。到2010年代中期，许多文本CAPTCHA可以被自动化系统以高精度解决，促使开发更复杂的替代方案。
演变与基于图像的挑战
为了应对文本系统的弱点，开发者引入了基于图像的CAPTCHA。这些要求用户在图像集中识别对象，例如选择所有包含交通灯或店面的照片。这种方法利用了当时计算机视觉中对象识别的困难任务。然而，Convolutional neural network架构和大规模训练数据集的兴起，使Deep learning模型能够以越来越高的成功率解决这些挑战。像Google Cloud和Amazon Web Services这样的服务开始提供能够执行对象检测和分类的机器学习API，进一步削弱了图像CAPTCHA的安全性。
另一个值得注意的变体是音频CAPTCHA，专为视障用户设计，呈现一段语音序列的字符或数字。这些通常比视觉版本更容易被自动语音识别系统解决，因此部署较少。
行为与隐形CAPTCHA的兴起
随着自动化求解器的改进，行业转向行为分析和基于风险的方法。最突出的例子是reCAPTCHA，最初在Carnegie Mellon University开发，并于2009年被谷歌收购。早期版本的reCAPTCHA通过要求用户转录OCR软件无法读取的单词来数字化书籍。后来的版本，如2014年推出的“无CAPTCHA reCAPTCHA”，呈现一个用户点击的简单复选框，同时系统分析用户的交互模式（包括鼠标移动、浏览历史和Cookie数据）以判断用户是否为人类。这种方法通常对合法用户无需显式挑战，使其成为“隐形”CAPTCHA。
隐形CAPTCHA，如reCAPTCHA v3，根据用户在网站上的行为进行评分，无需任何用户交互。系统分配一个风险分数，网站所有者可以决定阻止或挑战低分用户。这种方法严重依赖Machine learning模型，这些模型经过训练以区分人类行为与机器人行为。虽然在许多情况下有效，但它引发隐私问题，因为它在网络上收集用户数据。
安全性与局限性
CAPTCHA并非完美的安全措施。它们容易受到多种类型的攻击。一种常见攻击是使用CAPTCHA解决农场，即低薪人类工人实时为机器人解决挑战。另一种是使用专门训练用于解决CAPTCHA变体的机器学习模型。例如，研究人员已证明，Deep learning模型在足够训练数据下可以在文本和图像CAPTCHA上实现高精度。此外，CAPTCHA可以通过利用实现缺陷被绕过，例如弱随机数生成或挑战图像的重复使用。
CAPTCHA的有效性取决于任务对机器相对于人类的难度。随着Generative AI和Large language model系统的改进，它们可能能够解决更复杂的挑战，包括那些需要推理或常识的挑战。一些研究人员提出使用基于需要人类水平理解任务的CAPTCHA，例如识别情感内容或做出道德判断，但这些并未广泛部署。
应用与影响
CAPTCHA在互联网上广泛使用，以保护网站免受垃圾邮件、虚假账户创建、凭证填充和其他自动化滥用。它们通常集成到登录表单、注册页面和评论部分。主要平台如OpenAI、Anthropic和Google DeepMind在其注册和API访问页面上使用CAPTCHA以防止滥用。该技术还有次要好处：人类在解决CAPTCHA上花费的努力已被用于数字化书籍、训练机器学习模型和标记图像，如原始reCAPTCHA项目所示。
尽管无处不在，CAPTCHA对用户体验施加了成本，为合法交互增加了摩擦。这导致了对替代验证方法的持续研究，例如设备指纹识别、工作量证明和生物特征认证。然而，CAPTCHA仍然是安全工具中的标准，因为它们部署简单且不需要专用硬件。
未来方向
CAPTCHA的未来可能涉及行为分析、风险评分和自适应挑战的结合。随着Artificial intelligence系统能力的增强，CAPTCHA需要演变以维持人类与机器的区分。一些研究人员正在探索使用需要常识或物理推理的交互式谜题，这些对当前AI模型仍然困难。其他人正在研究使用transformers和Neural network模型生成对人类容易但对机器困难的挑战，这一概念称为对抗性CAPTCHA。CAPTCHA设计者与自动化求解器之间的持续军备竞赛是Machine learning和Deep learning进步的直接影响，并且随着双方改进，这种竞赛可能会继续。