人工智能技術(shù)已經(jīng)可以通過聲音和筆跡來確認個體的身份。現(xiàn)在，一種人工智能算法可以通過個體下棋的行為來標記他們。這項技術(shù)作為“筆紋”領(lǐng)域中的重要進展，能幫助計算機成為更好的象棋老師，或在人機對戰(zhàn)中更像人類。意外的是，這些系統(tǒng)還能夠被應(yīng)用于幫助確認和跟蹤那些認為自己的線上行為是匿名的人。

“對隱私的威脅正在迅速增加。”哈佛大學(xué)伯克曼網(wǎng)際網(wǎng)絡(luò)與社會研究中心(Berkman Klein Center)的律師Alexandra Wood說道。她說類似這樣的研究如果以負責的方式進行，會對社會很有用，“因為它們闡明了一種重要的丟失隱私的方式。”

類似于Deep Blue和AlphaZero等下棋程序的下棋功夫長期以來都遠超人類。多倫多大學(xué)的計算機科學(xué)家和該項目的首要研究者Ashton Anderson認為，大部分下棋機器人的棋風都是“外星人的風格”，這些下棋機器人對想要學(xué)習(xí)和精進技術(shù)下棋者并不是很有指導(dǎo)性，因此如果他們能夠進行個性化的指導(dǎo)建議會更有益。然而，這首先需要這些機器人能夠捕捉到一位下棋者獨特的風格。

為了設(shè)計和訓(xùn)練人工智能，研究者利用了一處巨大的的資源：擁有超過5千萬局人類棋局的Lichess網(wǎng)站。他們收集了游戲局數(shù)超過1000次的玩家的棋局，并從中取樣了近32個連續(xù)棋步。他們對每一個棋步進行了編碼，將其輸入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，每個棋局為在神經(jīng)網(wǎng)絡(luò)的多維空間中是一個點，每個下棋者的所有棋局組成了一個聚類簇(cluster)。研究者訓(xùn)練該網(wǎng)絡(luò)以最大化每個玩家的聚類簇的密度和玩家間的差異性。這需要系統(tǒng)識別出每個玩家風格的獨特性。

研究者們通過給模型3000個已知下棋者的各100局棋局和一個未知下棋者的100局棋局，測試了系統(tǒng)對用戶的區(qū)分度。為了增加測試任務(wù)的難度，他們隱藏了每個棋局最開始的15步。模型識別選手的正確率達到86%，研究者在神經(jīng)信息處理系統(tǒng)大會(NeurIPS)上報告了該結(jié)果。“我們覺得這個結(jié)果難以置信，”Anderson實驗室和該文章的主要作者Reid McIlroy-Young說道。一個非人工智能的方法只能達到28%的準確性。

“這個研究非常有趣。”Meta(Facebook的母公司)的研究科學(xué)家Noam Brown說道，他曾開發(fā)了超人的撲克機器人程序。他對可以模仿世界象棋冠軍Magnus Carlsen棋步的象棋機器人程序非常期待，并認為能夠區(qū)分不同個體風格的人工智能能夠改變其他的計算機交互方式。他說：“聊天機器人有許多有趣的地方，比如說你可以做一個說話像愛因斯坦或其他人的聊天機器人。”

該研究的研究者意識到，該模型能夠被用來確認線上匿名下棋者的身份，這可能會帶來隱私問題。通過微調(diào)模型也能將這項技術(shù)應(yīng)用于撲克游戲上，McIlroy-Young說道。研究者們認為，只要有合適的數(shù)據(jù)集，這樣的模型理論上能夠基于駕駛的癖好，或者手機使用的時間和地點來確認個體的身份。

神經(jīng)信息處理系統(tǒng)大會的組織者認可了該項研究技術(shù)上的成就，但是認為它在倫理上存在瑕疵，因此該大會在研究者強調(diào)了隱私風險的條件下才接受了這篇文章(一位審稿人評價這篇文章“是營銷者和法律部門所感興趣的”)。Anderson說他們已經(jīng)決定眼下不會公開模型的代碼。