您好，很高興回到您的問題。人工智慧的發展對於駭客的日子會更難過嗎？從目前來看，是這樣的。駭客的目標是在各個系統中，尋找被人忽視的漏洞，從而利用漏洞進行攻擊。隨著人工智慧的發展，系統的設計者和維護人員會利用人工智慧的優勢去發現系統存在的漏洞，從而使得駭客尋找漏洞的成本越來越高。諸如日前，波士頓大學(Boston University)的兩名計算機科學家與位於劍橋(Cambridge)的非營利工程解決方案公司Draper的研究人員合作，開發出一種工具，可以讓駭客更難進入不屬於自己的網路。研究計算機科學教授Peter下巴和b Rafik Hariri的附屬研究所計算和計算科學與工程、雅各哈勒爾,一個四年級的博士生在計算機科學中,曾與德雷伯研究人員開發技術,可以為各種漏洞掃描軟體系統經常使用的網路罪犯獲得條目。該工具使用深度學習來訓練神經網路識別表明軟體缺陷的模式，可以在幾秒鐘內掃描數百萬行程式碼，有朝一日將有能力修復它發現的編碼錯誤。Chin說，這個名為DeepCode的專案是由DARPA(美國國防高階研究計劃局)MUSE專案和空軍研究實驗室資助的，這個想法是他四年前在給他的機器學習課(CS 542)講課時產生的。Chin描述的是谷歌和斯坦福大學的科學家們取得的突破性成就，他們利用深度學習來教授神經網路識別數百萬影象中的共同模式，並利用這些模式識別YouTube影片中的貓。他想知道一個類似的網路是否能夠挖掘開源程式的大資料，並找到表明軟體漏洞的模式。Chin知道可以將軟體程式視覺化地表示為控制流程圖。他還知道有一個包含10,000多個常見編碼錯誤的庫，稱為CWE(常見缺點列舉)，它是由美國國家標準與技術研究所(NIST)整理出來的。他推斷，如果NIST的CWE中常見的編碼錯誤能夠以影象的形式呈現出來，那麼可以想象，可以對神經網路進行訓練，找到漏洞的常見模式，就像斯坦福神經網路學會識別貓的共同特徵一樣。有了這個最初的靈感，當時擔任德雷珀大學決策系統首席科學家和波士頓大學教授的Chin幫助DARPA獲得了該專案的資金。他、Harer (BU的Draper研究員)和Draper的同事開始測試他對基於開源C和c++函式的計算機程式的假設。自2014年該專案啟動以來，研究人員已經認識到，他們需要的不僅僅是控制流圖中的一張影象，以發現漏洞。自那以後，他們改進了自己的技術，增加了額外的特性，比如對程式碼的解析表示，類似於現代編譯器所使用的，並且他們採用了通常用於自然語言處理的網路。下巴說他們的研究,說明了這種大學/行業合作伙伴的承諾,現在是兩篇論文中所描述的,“自動漏洞檢測原始碼學習使用深表示,“已接受了IEEE ICMLA 2018,和“學習與生成對抗網路修復軟體漏洞,“2018年接受少量的酒。Chin說DeepCode的第二個功能，即修復編碼錯誤，仍然是一個工作專案。“這非常困難，”他說。“糾正錯誤的軟體很像糾正錯誤的語法。當他們應該說“I went to the market”的時候，他們可以說“I went to the market”。你訓練網路識別錯誤的模式，並用正確的模式替換它。至少這是基本思想。Harer說，一個問題是研究人員對機器如何識別漏洞瞭解不夠。“這些神經網路模型非常像是黑匣子模型，”他說。“他們接受了大量資料的訓練，我們希望他們能弄清楚到底發生了什麼。”這是一個關於深度學習的普遍問題。

推薦你看看我這篇文章介紹的駭客電影：https://www.toutiao.com/i6645620566248129037/

其實駭客沒有想象的那麼簡單就是動用程式碼，實際上駭客是一門複雜的社會工程學，所以人工智慧可能沒有辦法做到駭客能做到的事情。