一亩二分地

注：如果没有兴趣阅读这篇文章，也一定请看文章中的视频。文中不少图片也截自该视频

想必大家可能都看到过Captcha或reCaptcha的字样，而且可能也都知道Captcha的作用。

captcha

其主要目的就是防止机器人恶意(当然善意的也不行)的在短时间内超强度访问网站(比如，在一定时间内频繁的使用Google搜索，具体的如这位同学试图利用Google Scholar统计论文引用次数而遭遇了麻烦)，或者不正当的侵占免费资源(比如，你想去craigslist上免费贴广告)，这种情况下，你就会被要求输入验证码或者被屏蔽。

对于平常不会去骚扰这些网站的同学们，自然觉得这是多此一举，而且带来了极大的不便。

Captcha的发明者，Luis von Ahn，也意识到了这个问题。但他自然不是想着去取消这项功能，而是想利用这似乎浪费的10－20秒时间去做有益的事情。这就诞生了reCAPTCHA。

reCAPTCHA的口号是Stop Spam, Read Books，它的基本想法就是把古时候照片影印的文档拿出来，取其中难以辨识的词让人们来帮助解读。而这些词之所以被定义为难以辨识，也正是对计算机而言。

比如上图中，影印的文档经OCR(Optical Character Recognition, 光学字符识别)后，仍然有不少词组难以识别，或者识别的词和原文没有关联。而对人们而言，至少还能多识别一些，也更容易猜对一些词。所以reCAPTCHA就把这些确信度不高的词搬到了网上，在需要注册用户，张贴广告的地方得到了采用, 比如 facebook.com, craigslist.org 等等。

但由于这些摘自影印书籍的词并没有确认的答案，所以大家往往会看到两个词，一个是已知答案的，另一个则是需要被识别的。只要输对已知答案的那个，就会被认为不是机器人。而另一个输入的词则会为数字化古籍作出贡献。

下面这两张是我最近使用craigslist的成果：

似乎还挺容易一眼就猜出哪个是已知的，哪个是扫描的。如果有意恶作剧的人们似乎就可以故意输对其中该输对的一个，然后把另一个词输成自己的名字之类，就可以名留青史。当然事实上是不行的，reCAPTCHA自然也会把这个相同的词分发给其他不同的人进行辨认，只有当达到一定数目，并且认同率高于一定值，这个词才会被认为是有效词。

最后一个小注释就是，这阶段这些需要被识别的词汇都来自纽约时报古籍版。