Ghost Font - Phông chữ con người đọc được nhưng AI khó đọc

• Ghost Font là một thử nghiệm giao tiếp thị giác tạo ra chữ bằng chuyển động của các chấm giống hệt nền, khiến con người có thể nhận ra thông điệp trong video nhưng AI phân tích từng khung hình riêng lẻ thì khó giải mã
• Thay vì phông TTF truyền thống, nó kết hợp chuyển động, video, nhiễu và thông điệp mồi nhử; khi dừng video hoặc chụp màn hình, các chấm hòa vào nền nên thông điệp không lộ ra
• Claude Fable và GPT Sol 5.6 Ultra gặp khó khăn cho đến khi được cung cấp prompt chỉ rõ kỹ thuật giải mã chính xác, còn ChatGPT 5.5 Pro sau 19 phút phân tích đã tạo ra một thông điệp không hề tồn tại
• Các tác nhân chuyên dụng chạy mã cục bộ có thể phân tích chuyển động của các chấm, nên mỗi video đều được thêm thông điệp mồi nhử, nhưng với thông tin bí mật thực sự thì vẫn phải dùng mã hóa hoặc mật khẩu
• Có tiềm năng ứng dụng cho CAPTCHA và benchmark nhận thức thị giác của AI, nhưng ngay cả con người cũng khó đọc, và khi các mô hình native video xuất hiện thì có thể sẽ bị giải mã. Mã tạo video dự kiến sẽ được công bố mã nguồn mở

---

Chữ được tạo bằng chuyển động

• Ghost Font ghi lại thông điệp không phải bằng hình dạng chữ tĩnh mà bằng chuyển động của các chấm
  • Nó kết hợp chuyển động, video, nhiễu và mồi nhử để chia sẻ những thông điệp con người có thể đọc được
  • Đây không phải là tệp phông TTF thông thường mà là một thử nghiệm khám phá liệu có thể truyền tải văn bản theo cách thị giác ở định dạng mà AI không dễ hiểu hay không
• Dù không rõ ràng như văn bản thông thường, con người vẫn có thể nhận ra ngay chữ đang chuyển động, trong khi các mô hình AI chủ chốt không dễ giải mã
• Playground được cung cấp là một prototype để thử nghiệm ý tưởng
  • Chỉ cần nhập vài từ, các chữ cái sẽ xuất hiện dưới dạng chuyển động của các chấm
  • Có thể xem trước thông điệp đã nhập theo thời gian thực hoặc tải xuống thành video để chia sẻ và tự thử nghiệm
  • Mọi xử lý đều diễn ra cục bộ, dữ liệu không được gửi lên máy chủ hay chia sẻ

Cấu trúc không thể đọc từ ảnh tĩnh

• Mọi ký tự đều được tạo thành từ các chấm trông giống hệt nền, và thông điệp chỉ xuất hiện trong chuyển động theo thời gian của các chấm
• Khi dừng video, các chấm tĩnh trộn lẫn vào nhau nên rất khó biết chỉ từ một khung hình duy nhất có chứa thông điệp gì
• Ngay cả khi chụp màn hình trang hoặc trích xuất từng ảnh từ video, thông tin thông điệp có thể đọc được cũng không lộ ra

Từ ZXX đến Ghost Font

• Nhà thiết kế Sang Mun đã công bố ZXX vào năm 2013, một bộ phông mà con người đọc được nhưng phần mềm nhận dạng ký tự quang học (OCR) khó đọc
  • Nó gồm bốn kiểu phông, dùng nhiễu để ngụy trang chữ, xóa bằng các đường kẻ và giấu dưới các dấu hiệu giả
  • Khi đó nó được đánh giá là phông có thể né tránh giám sát, nhưng các tác nhân AI hiện đại có thể dễ dàng đọc chữ được render bằng ZXX
• Khi đưa ảnh ZXX vào chế độ Instant của ChatGPT 5.5, chỉ với một prompt nó đã nhận ra từ ngữ và cả một số chi tiết nhỏ
• Ngược lại, trên một màn hình đơn của Ghost Font chỉ thấy các chấm tĩnh không thể đọc được, nên rất khó lấy ra thông điệp bằng cách phân tích hình ảnh tương tự
  • ChatGPT 5.5 Pro sau 19 phút phân tích đã tạo ra một thông điệp không hề tồn tại trong thực tế

Phân tích dựa trên mã và thông điệp mồi nhử

• Chỉ riêng việc dùng video không có nghĩa là phòng thủ hoàn toàn
  • Môi trường mô hình trực tuyến có thể không tìm ra thông điệp từ từng khung hình riêng lẻ
  • Các tác nhân chuyên dụng có môi trường chạy mã cục bộ có thể phân tích chuyển động của các chấm để giải mã thông điệp thật
• Để làm việc phân tích khó hơn, Ghost Font thêm thông điệp mồi nhử vào mọi video mà nó tạo ra
  • Nếu tác nhân tìm kiếm thông điệp ẩn phát hiện mồi nhử trước, nó có thể coi đó là thông điệp thật
  • Lớp này khiến cả những mô hình suy luận mạnh như Fable và GPT Sol 5.6 Ultra cũng gặp khó khi giải mã
• Claude Fable và GPT Sol 5.6 Ultra có thể dùng mã, nhưng trước khi được cho biết chính xác bằng prompt rằng cần tìm kỹ thuật nào, chúng vẫn khó giải mã thông điệp chuyển động

Giới hạn như một biện pháp bảo mật

• Nếu thực sự cần ẩn thông điệp, nên dùng mã hóa hoặc một khóa cụ thể thay vì Ghost Font
  • Một thông điệp chỉ mở được bằng mật khẩu mà con người biết thì AI cũng không thể đọc nếu không có mật khẩu
• Mục tiêu của Ghost Font không phải là bảo mật tuyệt đối mà là thử xem liệu có thể đưa vào các tệp có thể chia sẻ những thông điệp thị giác mà con người nhìn thấy nhưng AI không dễ đọc hay không
• Đây cũng là một nỗ lực vừa khám phá giới hạn năng lực tri giác của AI vừa gìn giữ những yếu tố riêng của con người
  • Trong bối cảnh AI cũng đang được dùng cho tạo phông chữ, tác giả hy vọng con người vẫn tiếp tục giữ được tiếng nói sáng tạo độc đáo của mình

Khả năng cho CAPTCHA và benchmark AI

• Chữ chuyển động có tiềm năng áp dụng cho CAPTCHA
  • Trong bối cảnh nhiều CAPTCHA đã bị AI giải dễ dàng, chuyển động trong video có thể trở thành một nhiệm vụ tương đối dễ với con người nhưng khó giải mã hơn với bot tự động
• Cũng có thể dùng như một benchmark để đo lường sự phát triển tri giác thị giác của AI
  • Các mô hình đa phương thức hiện nay chủ yếu dựa trên hình ảnh, và ngay cả khi nhận video thì thường cũng tách thành từng khung hình để phân tích từng ảnh
  • Trong tương lai, khi xuất hiện các mô hình native video, chúng được kỳ vọng sẽ xử lý trực tiếp chuyển động và đọc được văn bản của Ghost Font

Khoảng cách đang thu hẹp giữa con người và AI

• Ghost Font khó đọc với AI nhưng cũng khá khó đọc với con người
• Khi năng lực tri giác thị giác của AI cải thiện nhanh chóng, khoảng cách nhận thức giữa con người và AI tiếp tục thu hẹp
• Bước tiếp theo là dự định công bố mã tạo video dưới dạng dự án mã nguồn mở
  • Dự kiến sẽ mở rộng để hỗ trợ kích thước màn hình lớn hơn và xử lý được cả các chuỗi dài

[GN⁺]

Ý kiến trên Hacker News

• Kiểu CAPTCHA như thế này đã tồn tại và có thể vượt qua dễ dàng. Nếu bắt chước lấy trung bình theo trục thời gian bằng cách tính trung bình khoảng 4 khung hình liên tiếp, chữ sẽ nổi bật lên, và ngay cả các mô hình ngôn ngữ lớn cơ bản cũng đọc được.
  Đây là cách cũng hiệu quả với nhiều kỹ thuật phòng thủ AI khác, nên nhiều khả năng gần như không làm chậm được các scraper.

• Có lẽ chỉ cần áp dụng kỹ thuật nén video thông thường cho Ghost Font, rồi khôi phục đường viền chữ từ tín hiệu đã nén và phân tích bằng nhận dạng ký tự quang học (OCR). Nó có thể là một kỹ thuật CAPTCHA mới, nhưng khi cuộc công thủ bắt đầu thì về bản chất cũng không khó hơn các cách hiện có.

  • Cuối cùng hẳn sẽ có một lệnh ffmpeg nào đó xử lý việc này.
  • Chỉ áp dụng bộ lọc lên hai ảnh chụp màn hình cũng đã thu được kết quả sau:
    https://fingswotidun.com/images/GhostFont_2_samples.jpg
    https://fingswotidun.com/images/GhostFont_b_2_samples.jpg
    Nếu là AI, thay vì vụng về bấm nút chụp màn hình, nó sẽ dùng các khung hình liên tiếp và thu thập đủ mẫu để khôi phục văn bản rõ nét, ngay cả từ một đoạn video ngắn hơn thời gian con người cần để đọc.
  • Dù có thể thay thế CAPTCHA hiện có, nó không đem lại hiệu ứng phụ như dùng dữ liệu người dùng gửi lên để huấn luyện các hình ảnh chưa xác định hoặc củng cố nhãn cho các mảnh ảnh hiện có.

• Lúc đầu tôi tưởng “Written In Ghost Text” là câu cần đọc, mãi sau mới nhận ra đó là câu mồi. Câu thật khó đọc chẳng kém tranh Magic Eye 3D, và nhìn trên màn hình di động còn khiến tôi đau đầu.
  Ý tưởng nghiên cứu khá thú vị, nhưng tôi tò mò không biết khi nào các mô hình AI sẽ tìm ra cách giải mã; có lẽ chỉ cần chỉnh prompt thêm một chút là làm được.

  • Với tôi thì hoàn toàn ngược lại. Văn bản thật đọc rất dễ, còn “Written in Ghost Text” mờ đến mức nếu không có bình luận này thì tôi đã bỏ lỡ hoàn toàn.
  • Với người không nhìn được tranh Magic Eye như tôi, cả dòng chữ phụ cũng không thấy. AI có thể đọc được từ nhiều mẫu, nên về lâu dài có khả năng AI sẽ đọc tốt hơn con người.
  • Thật vậy sao? Câu tôi thấy chỉ có mỗi câu đó.
  • Tôi hoàn toàn không đọc được câu mồi.

• Tôi đưa video ghi màn hình cho GPT-5.6 và nó đọc được văn bản mà không gặp vấn đề gì. Nó ước lượng chuyển động trong video bằng optical flow và bản đồ dịch chuyển dọc, rồi tổng hợp thành bản đồ chuyển động có độ tương phản cao; tôi không chỉ dẫn phương pháp riêng nào, chỉ hỏi trong đó viết gì.

  • Tôi cũng đưa vào Fable với prompt “What does the message say?” và nó nhận ra không vấn đề gì. Quá trình suy luận cũng thú vị: https://imgur.com/a/GToXs6W
  • Nó không phát hiện câu mồi, mà đọc văn bản tôi trực tiếp nhập vào. Nó lần lượt thực hiện phân tích metadata video và khung hình, phát hiện chu kỳ stereogram, xử lý làm mờ/thu nhỏ, tính toán độ dịch khung hình và tương quan chéo, kiểm tra bằng OpenCV, tối ưu optical flow, ước lượng dịch chuyển dọc và cải thiện trích xuất văn bản.
  • Không biết có liên kết tới cuộc trò chuyện đó không.

• Thông minh, nhưng không phải không thể bẻ bằng thuật toán. Với hai khung hình liên tiếp, chỉ cần dịch chỉ số của một khung hình để tìm vị trí có sai khác nhỏ nhất, rồi trừ các khung đã căn chỉnh cho nhau và áp dụng nhận dạng ký tự quang học.
  Cách này đặc biệt hiệu quả khi chuyển động tuyến tính hoặc theo một hướng; với đoạn mã 20 dòng chỉ kiểm tra dịch chuyển dọc, kết quả lấy khung hình 1 trừ khung hình 7 như sau: https://imgur.com/a/only-human-can-read-this-vfDe6ZA

  • Cách này dễ bị dương tính giả và nhìn chung cũng tốn chi phí tính toán. Bản thân Ghost Font có vẻ là một kỹ thuật khá vững.
  • Không biết có thể chia sẻ mã được không.

• Tôi dán ảnh chụp màn hình văn bản mặc định “GHOST FONT” vào ChatGPT 5.6 Sol và bảo nó đọc, sau khi xử lý một lúc nó trả lời “WHAT HAPPENS IN VEGAS / STAYS IN VEGAS”.

  • Văn bản không phải ảnh tĩnh mà là video, và mỗi khung hình gồm các điểm ngẫu nhiên, nên trong một khung hình đơn lẻ không có câu dự định.
    Nó tận dụng việc các mô hình hàng đầu thế hệ hiện tại xử lý video theo từng khung hình; trong mỗi khung còn có câu mồi ẩn khiến mô hình tưởng đã tìm ra đáp án và dừng lại. Nếu phân tích tương quan giữa các khung hình thì có thể nhận ra kỹ thuật này, nhưng trong một khung hình đơn chỉ có nhiễu và câu mồi.
  • Thứ khiến văn bản đọc được là chuyển động, nên khó kỳ vọng đáp án mong muốn từ một ảnh chụp màn hình chỉ toàn nhiễu. Tuy vậy nhìn lại thì trên ảnh tĩnh cũng có dòng “WRITTEN IN GHOST FONT”.

• Con người còn đọc khó khăn, nếu nó trở nên quan trọng thì AI cũng có thể được huấn luyện để đọc. Vậy tính thực dụng của nó là gì?

  • Dự án nghiên cứu không nhất thiết phải thực dụng. Việc khám phá lĩnh vực này và chia sẻ những gì phát hiện được tự thân đã có ý nghĩa.

• Ngược lại, tôi cũng muốn thấy một phông chữ chỉ AI mới đọc được.

• Kỹ thuật này khá vững, nhưng rốt cuộc giải pháp cuối cùng, đáng tiếc, có lẽ sẽ là chứng thực (attestation).

• Nói chính xác thì đây không phải một phông chữ vốn phải ở trạng thái tĩnh, mà là hiệu ứng video. Nó giống như đóng sách lại rồi chụp ảnh và nói rằng camera không đọc được phông chữ đó.
  Tôi thử đưa một khung hình đơn và video 1 giây vào GPT 5.6 Sol (High); với khung hình, sau 9 phút 30 giây nó giải mã thành “WRITTEN IN GHOST FONT”. Trong bản demo chỉ thấy “GHOST FONT”, nhưng trong ảnh trích xuất thực sự hiện ra dạng “Ghost Font”.
  Với video, sau 3 phút nó nhận ra đây là hiệu ứng được định nghĩa bằng chuyển động và yêu cầu chạy QuickTime; nó nói rằng “không có lớp OCR tĩnh có thể đọc được, và đang trích xuất dạng chữ từ trường optical flow”. Sau 4 phút nó thu được ảnh chuyển động có hình dạng chữ, rồi phân tích thêm 9 phút và cuối cùng trả về “GHOST FONT” sau tổng cộng 13 phút 36 giây.
  Vì vậy đây không phải phông chữ, cũng không phải ai cũng đọc được, và cũng không phải AI không đọc được. Có thể xem các ảnh trung gian trong quá trình xử lý tại https://imgur.com/a/SHlGu4O

  • “WRITTEN IN GHOST FONT” là câu mồi tĩnh không liên quan đến nội dung được nhập. Có thể xác nhận bằng cách chụp phơi sáng lâu màn hình bằng smartphone hoặc thiết bị tương tự.