Google Brain创建了两个人工智能（AI）系统，这两种系统完善了各自的加密算法，保护信息免遭第三个人工智能系统的破解，这第三个人工智能系统在竭力完善自 己的方法，以便破解人工智能生成的密码。这项研究很成功：前两个人工智能系统从零开始学会了如何安全地通信。
加密系统架构。P =输入的明文，K =共享密匙，C =加密文本，PEve和PBob 为经过计算后得出的明文输出。 Google Brain团队的总部位于加州芒廷维尤城，独立于设在伦敦的Deep Mind，它最初设计了三个相当普通的神经网络：Alice、 Bob和Eve。每个神经网络都被赋予了一个非常明确的任务：Alice的任务是向Bob发送保密信息，Bob的任务是解译这个信息，而Eve的任务则是 窃听这个信息并尝试对其进行破译。相对于Eve，Alice和Bob有一个优势，即它们拥有一个共享密钥（也就是对称加密）。 重要的是，这 两个人工智能都不会透露它们是如何对信息进行加密的，或是使用的是何种密码技术。它们只被给予了一个损失函数（一个失败条件），随后它们就利用这一损失函 数开始工作。在Eve方面，损失函数非常简单，即Alice的原始输入明文和其猜测之间的差距，以对和错二进制表示。对于Alice和Bob，损失函数比 较复杂：如果Bob的猜测（也以二进制表示）与原始的输入明文差距过大，即为损失；对于Alice，如果Eve的猜测优于随意猜测，那么即为损失。由此创 建了一个生成对抗网络（GAN）。 Alice、Bob和Eve都共享了相同的“组合与变换”神经网络架构，但是它们都被独立预置，除了 Alice和Bob的共享密钥外没有其它的联系了。对于Alice，密钥和明文被输入至神经网络的第一层。对于Bob，其获得了密钥和密文。对于Eve， 其只得到了密文。第一层被完全连接，因此文本和密钥可实现混合。在第一层之后是大量的卷积层，它们学习对从上一个层那里获得的字节使用函数。它们不知道这 个函数可能是什么，仅是不断地进行学习。对于Alice，最后一层负责发出某种密文，而Bob 和 Eve输出的则为明文。
在学习期间Bob和Eve的重建误差。我们能够看到Eve开始进行改进，但是Alice-Bob加密方法中的改变让Eve再次出局。 结 果……喜忧参半。随着Bob不再重建Alice的信息，部分尝试变成了一个彻底的失败。在大部分时间当中，Alice和Bob设法改进了系统，在这个系统 中它们的通讯几乎没有什么错误。在部分测试中，Eve的猜测较随意猜测有所提升，但是Alice和Bob通常会通过改进加密技术进行回应，直至Eve彻底 失去机会（见曲线图）。 研究人员没有对Alice和Bob所设计的加密方法进行详细的分析。不过，他们观察到这依赖于密钥和明文。他们表示：“这不单纯是XOR。特别是，输出值常常为不同于0和1的浮点值。” 最后，研究人员Martín Abadi和David G. Andersen表示，神经网络确实能够学习保护它们的通讯，只需告诉Alice评估安全高于一切，并且重要的是，不需要指定某套加密算法就可具有保密性。 除 了数据的对称加密，密码学还有很多东西。研究人员称，未来的工作可能会考虑“隐写术”（即将数据隐藏在其他媒质中）和非对称（公钥）加密。对于Eve能否 有可能一直充当一个优秀对手，研究人员认为：“虽然神经网络似乎不太可能会变得精通密码分析，但是它们或许在理解元数据和流量分析方面非常有效。” |
