2026 年 11 月 4 日 AI 阅读加载中…

AI-逆向工程的原理与实验

#AI #原理

看到 AI 复刻 Photoshop、After Effects，或者解析尼康相机滤镜的演示，很容易产生一个疑问：没有源码，AI 怎么知道软件内部在做什么？难道把安装包交给模型，它就能还原整个程序？

实际上，“AI 逆向”包含几种不同的工作：分析机器指令、观察输入输出、解析文件格式，以及根据已有功能重新开发。它们需要的证据不同，最终能证明的事情也不同。

本文先解释这些路线，再完整走一遍教学实验：把一个色彩滤镜当成黑盒，设计测试输入，从错误猜测出发，逐步推导它的计算公式，并用独立样本验证。随后结合 REA（Reverse Engineer Anything）的工具分工与官方案例，解释 AI 怎样主动调查程序内部。教学滤镜实验不调用 REA、Adobe 或尼康软件，也不代表对它们真实算法的还原。

1. AI 逆向究竟在研究什么

正常开发的方向是：需求 → 设计 → 源码 → 可执行程序。逆向工程从另一端出发：手里已经有程序、文件或运行结果，尝试推导其中的结构与规则。

路线	可以观察的材料	主要成果
二进制分析	可执行文件、动态库、运行时内存	函数逻辑、数据结构、调用关系
黑盒实验	输入、操作参数与输出	与原系统行为接近的算法模型
文件格式分析	同类文件及它们的差异	解析器、导出器、格式说明
功能重新实现	界面、文档、公开算法	能完成类似任务的新软件

这些路线可以组合使用。例如，先通过界面确认某个滤镜参数，再在程序中定位对应函数，最后用原软件输出验证新实现。

也有项目只根据截图写出相似界面，底层直接使用现成图像库。这能体现开发效率，但不能据此断言它已经还原了原软件的算法。

二进制分析为什么可行

闭源软件虽然不提供源码，但处理器需要执行它的指令，这些指令仍然存在于发布文件中。反汇编工具可以将机器指令显示为汇编，反编译器进一步尝试恢复为接近 C 的伪代码。Ghidra 官方教程介绍了字节查看、反编译、符号和函数调用图等工具。

AI 可以辅助阅读这些材料：推测参数含义、整理调用关系、识别常见数学运算，再生成实验来检验解释。

不过，编译过程会丢掉注释、许多名字与源码组织信息，优化还可能把多个操作合并或改写。恢复出来的通常是某种等价解释，而不是原作者的工程原样重现。模型给一个函数取名为 ApplyToneCurve，也只是一个需要验证的推断。

2. 为什么图像处理适合做黑盒实验

图像软件有一个便利条件：输入可以人为构造。研究者不必只拿风景照片反复试，而可以把不同因素拆开观察。

测试图案	可以帮助研究的问题
黑白与灰阶渐变	黑白点、亮度曲线、分段和裁剪
单独变化的红绿蓝通道	通道混合、颜色曲线
黑底上的单个白点	空间扩散、模糊核的形状
棋盘格与细线	缩放、采样、锐化与边缘处理
相同色块放在不同背景上	局部对比度、自适应处理
连续多帧与重复运行	时间依赖、随机噪声、状态变化

例如，对线性、平移不变的模糊操作，单点输入的输出能直接揭示其脉冲响应。但如果算法会根据内容改变模糊强度，一张单点图就不足以描述全局行为。

这也是逆向实验的关键：每种输入都带着一个明确问题。照片“看起来很像”，与算法假设“经受住了有针对性的反例”，证据强度不同。

3. 实验：一步一步推导一个未知滤镜

下面构造一个可复现的教学黑盒。假设我们只知道它接收一个 RGB 颜色，并返回处理后的 RGB，允许重复查询。所有数值都是 0 到 1 的浮点数，不涉及 JPEG 压缩、色彩管理或整数取整。

为便于学习，实验假定同一个函数独立处理每个像素。真实软件里，这个条件本身需要通过不同位置、不同邻域和不同图像尺寸的实验来检查。

第一步：固定实验条件

固定参数，重复输入同一个颜色，检查输出是否稳定。若结果随时间变化，可能存在随机颗粒、自动调整或内部状态，不能直接按确定函数拟合。

还要记录输入输出的数值约定。这里的 0.5 就是实验函数中的数值 0.5，不能顺手理解成“物理亮度的一半”。实际系统中，同一个数值在 sRGB 编码与线性光空间中的意义不同。

接下来，暂时把滤镜写成未知函数 y = F(x)。

第二步：输入纯黑，观察固定偏移

查询纯黑，得到：

1	`F(0, 0, 0) = (0.02, 0.03, 0.04)`

黑色输出并不是零，说明至少在这个输入点，滤镜抬高了三个通道的底部。我们提出一个候选模型：输出包含固定偏移 b = (0.02, 0.03, 0.04)。

注意，这一步还不能证明所有颜色都加上同一个偏移；这只是接下来要检验的假设。

第三步：用三个基色，建立最简单的模型

分别查询纯红、纯绿、纯蓝：

输入 RGB	输出 RGB
(1, 0, 0)	(0.82, 0.08, 0.06)
(0, 1, 0)	(0.12, 0.78, 0.12)
(0, 0, 1)	(0.04, 0.08, 0.82)

扣除黑色偏移以后，就得到三个输入通道分别对输出的贡献。以它们为矩阵的三列，先猜测滤镜是仿射变换：

y = b + M × x

    | 0.80  0.10  0.02 |
M = | 0.05  0.75  0.05 |
    | 0.02  0.08  0.78 |

例如，第一行表示输出红色暂时被解释为 0.02 + 0.80R + 0.10G + 0.02B。

这个模型已经解释了前四个样本。但它是用这四个样本建立的，解释它们只是必要条件，还算不上独立验证。

第四步：半强度输入推翻第一次猜测

把红色强度降到 0.5。按照刚才的模型，输出应该是：

1 2	`预测：F(0.5, 0, 0) = (0.42, 0.055, 0.05) 实际：F(0.5, 0, 0) = (0.22, 0.0425, 0.045)`

预测明显错误。扣除偏移，实际贡献是纯红输入贡献的四分之一，而不是二分之一。

这提示我们尝试幂函数：0.5² = 0.25。假设滤镜先对输入通道取某个幂，再进行颜色混合：

1	`y = b + M × (R^γ, G^γ, B^γ)`

这里的 γ 是待求指数，不预设它就是某个标准色彩空间的 Gamma。利用红色输出分量，可以计算：

1 2	`比例 = (0.22 - 0.02) / (0.82 - 0.02) = 0.25 γ = log(0.25) / log(0.5) = 2`

再查询半强度绿、蓝，以及 0.25、0.75 强度的基色。如果它们也满足同样的指数关系，这个假设才获得更多支持。

第五步：混合颜色检查处理顺序

仅测试单通道还不够。真实系统可能先混色后取幂，或者根据色相使用不同曲线。

输入 (0.5, 0.5, 0)，新模型预测：

1 2	`先平方：(0.25, 0.25, 0) 再混色并加偏移：(0.245, 0.23, 0.065)`

查询黑盒，得到相同结果。这支持“逐通道取幂，再做矩阵混合”的模型。再测试其他混色和随机颜色，检查误差是否系统性地集中在某些区域。

矩阵混合与取幂通常不能随意交换顺序。顺序问题也是复杂滤镜逆向中常见的误差来源：每个操作单独看都合理，组合后却始终对不上。

第六步：实现并用独立样本验证

下面的代码只需要 Python 标准库。query 代表外部黑盒接口；函数推导指数与矩阵，再返回候选实现：

import math

def recover(query):
    bias = query((0.0, 0.0, 0.0))
    basis = [(1.0, 0.0, 0.0),
             (0.0, 1.0, 0.0),
             (0.0, 0.0, 1.0)]
    outputs = [query(x) for x in basis]
    matrix = [[outputs[j][i] - bias[i]
               for j in range(3)] for i in range(3)]

    mid = query((0.5, 0.0, 0.0))
    ratio = (mid[0] - bias[0]) / matrix[0][0]
    gamma = math.log(ratio) / math.log(0.5)

    def predict(rgb):
        curved = [v ** gamma for v in rgb]
        return tuple(bias[i] + sum(matrix[i][j] * curved[j]
                     for j in range(3)) for i in range(3))

    return gamma, predict

这段代码依赖本实验的模型族，并不是对任意滤镜都有效的通用解码器。例如，红色对红色输出没有贡献时，这里的除法就不能成立；真实系统可能需要分别拟合三个指数，甚至放弃幂函数。

完整的可运行实验脚本包含教学黑盒、恢复过程、错误模型对照，以及固定随机种子的 1000 个独立验证颜色。保存后执行：

1	`python reverse_filter_demo.py`

脚本会打印推导出的指数和候选模型误差，并检查错误的仿射模型确实无法解释半强度红色。教学黑盒的实现放在脚本中，目的是让实验可以复核；恢复函数只通过 query 查询数据，不读取黑盒内部参数。它演示的是推导方法，不是一次真实闭源软件研究记录。

即使 1000 个样本全部吻合，也不能数学上证明所有输入都等价。很多函数可以穿过同一组有限样本。合理结论是：在规定的输入范围、实验条件和验证样本上，这个候选模型没有被推翻。

4. AI 在这个过程中具体做了什么

上面的实验没有训练神经网络。AI 的主要角色是辅助研究与编程，而最终得到的滤镜只是一个很小的数学函数。

一个接入脚本和测试工具的 AI Agent，可以根据观测提出候选模型，生成下一轮测试，运行程序，读取误差，再修改实现。人需要明确目标、控制实验条件，审查假设和证据。

例如，可以给 AI 这样的任务描述：

你只能通过 query(rgb) 获取滤镜结果。
输入范围为 [0, 1]，输出为浮点 RGB。
先测试偏移、通道混合和非线性，再提出候选模型。
每次修改都说明哪个新观测推翻了旧假设。
用于最终验证的颜色不得参与参数拟合。
不要把有限样本吻合写成完整算法已被证明。

模型的价值在于加快“提出假设—设计实验—写代码—解释误差”的循环。只给一张照片让它猜滤镜公式，信息通常不足；允许查询原系统，主动设计输入，才会显著改变可研究的范围。

另一种路线确实会训练模型：收集大量原图与处理结果，让神经网络学习输入输出映射。它可能得到不错的近似，却未必能解释原算法，也未必复现边界条件。使用 AI 协助逆向和训练 AI 逼近效果，应当分别说明。

5. REA 起到了什么作用

REA 的全称是 Reverse Engineer Anything。根据其官方说明，它通过 MCP（Model Context Protocol，模型上下文协议）把逆向分析能力提供给 AI Agent，让模型能够调用工具取得程序内部材料，再继续调查。官方仓库

它承担的是工具连接与编排这一层。原生二进制分析可以使用 Ghidra、IDA、Hopper 等后端；JavaScript、Electron、.NET 与运行行为等目标，则有各自适用的分析路径。具体能取得哪些信息，取决于目标类型、配置和工具支持，不能把所有能力理解成每个环境都能直接使用。

逆向工具、REA 与 AI 怎样分工

部分	主要职责	需要注意的边界
反汇编、反编译等底层工具	从程序中提取指令、伪代码和结构信息	分析结果不等于原始源码
REA	将相应能力通过统一入口提供给 Agent	连接成功不代表目标功能已被定位
AI Agent	选择调查方向、解释材料、提出假设并编写实现	解释与生成代码仍需验证
人与验证程序	规定研究范围，检查证据和输出	局部匹配不能扩大为整套软件等价

没有这种连接时，常见的工作方式是：人在分析工具里找函数，复制伪代码给 AI，再根据建议回去查下一处。接入以后，Agent 可以在可用工具范围内连续查询，让前一次结果决定下一次调查。

提出具体问题
    ↓
调用工具取得相关代码与证据
    ↓
解释分支、参数和调用关系
    ↓
提出可检验的行为规则
    ↓
编写实现、对照验证，再决定是否继续追查

这让“查到一段代码”更容易接上“再确认它调用的函数”。但循环可以执行得很快，也可以沿着错误假设走得很远；记录证据与保留反例依然必要。

官方案例：为什么 200 + 10% 得到 220

REA 官网用 Windows 计算器演示了从程序指令恢复百分号规则的过程。下面概括的是官方展示，不是本文在本机复跑的结果。官网计算器案例

确定研究对象。 找到百分号对应的处理逻辑，而不是先尝试理解整个计算器。
检查运算分支。 查看处理函数怎样区分当前运算符，追踪相关调用与数值传递。
恢复规则。 加法场景中，10% 被解释为前一个数 200 的 10%，得到 20；乘法场景中，10% 则转换成 0.1。
做交叉核对。 官方展示结合微软公开源码解释运算符编号，并提供实现与测试链接。计算器本身有公开源码，因此这个案例不能被描述为完整攻破闭源软件。

REA 提供用于调查的指令、反编译结果和调用信息，Agent 将这些材料解释成行为规则，再据此重建功能。界面上都叫百分号，但处理路径可能不同，这正是只看操作名称容易漏掉的细节。

它与前面的滤镜实验有什么关系

教学滤镜实验只允许查询 query(rgb)，研究者靠输入输出推导公式，这是黑盒路线，运行那个 Python 脚本不需要 REA。

如果可以检查目标程序内部，则能增加另一类证据。例如，研究者可能先在程序中发现查找表或通道混合的线索，再设计灰阶与基色测试，检查运行结果是否符合解释。反过来，实验发现明显的分段行为，也可以指导内部调查去寻找相关处理环节。这是两条路线相互验证的研究思路，不是对某个 Adobe 或尼康项目的实测描述。

同样，尼康预设的字节差分可以用普通脚本完成，未必需要 REA；需要追查应用怎样读取、解释或执行参数时，内部分析工具才可能提供额外帮助。

为什么有了 REA，仍然不能保证完整复刻

REA 能改善证据获取与工具调用，研究中的难题仍然存在：函数可能没有有用的名字，优化会改变代码结构，一个效果可能分散在 CPU、GPU 和多个库里，某些处理还可能依赖远端服务。

本地程序中不存在的服务器实现，不能仅靠分析本地文件直接恢复。某个函数看懂了，也不能自动推出文件兼容、界面交互和复杂工程都已经正确。

因此，判断一项复刻成果是否可靠，应继续追问：实际用了哪些工具，取得了哪些证据，哪些行为已经验证？不能仅凭“使用了 REA”替代这些说明，也不能把所有近期的 AI 复刻项目都归因于它。

6. 尼康滤镜怎样一步一步解析

前面的实验研究“颜色怎样变化”；尼康 Picture Control 工具还涉及“参数怎样保存”。尼康官方允许编辑、保存自定义 Picture Control，但不同产品支持的调整项和范围可能不同。官方帮助

一个典型的文件分析流程是：

从相同软件版本导出基准预设，保留原文件。
只修改饱和度，其他设置和名称保持一致，再导出。
比较字节差异，找出候选位置；重复导出相同设置，排查时间戳等无关变化。
继续导出多个正负值，判断编码方式、步长、符号与字节序。
改变其他参数，检查字段是否独立，是否还有长度、校验等联动变化。
从已知有效模板出发生成新文件，先验证软件能否导入，再验证参数与效果是否正确。

假设饱和度从 0 改为 1、2、3，某个位置依次出现 00、01、02、03，它就是候选字段。但也可能还有一处校验数据同步变化，不能把所有变化位置都理解成饱和度本身。

公开的 nikon_cps_generator-converter 项目说明记载了通过对比 NX Studio 导出文件研究 NP3 格式的做法。这是文件差分路线的实例，不等于本文已经独立核验了该项目的全部兼容性。

尤其要区分三个验收目标：文件能够重新读写、目标软件能够正确导入、图像效果能够准确匹配。通过前一个，不自动代表通过后一个。

同样，把参考照片转换成尼康预设，通常还涉及受限参数下的风格拟合。参考照片中的局部蒙版、颗粒或复杂光照变化，未必能用相机开放的控制项表达。生成一个可导入预设，不意味着完整复制了照片的处理流程。

7. 为什么复刻一个效果与替代 PS、AE 差距很大

教学滤镜只有少量参数。完整图像和视频软件还需要处理图层、蒙版、色彩管理、缓存、文件兼容、字体、插件、GPU 资源、内存与复杂交互。AE 的很多效果还涉及连续帧和时间状态，不能只比较一张截图。

例如，同一种混合模式在不同位深度、颜色空间或透明度约定下可能得到不同结果；一个模糊效果在图像中心吻合，在边缘也可能因为填充规则不同而出错。

判断“AI 复刻某软件”的成果，可以沿着几个问题往下看：它只是复刻界面，还是功能确实能工作？普通样例通过后，复杂工程是否仍然正确？输出误差有没有测量？原生文件是否能往返保存？性能和稳定性是否经过实际负载验证？

一个功能较少的新软件，也可以独立地有价值。需要谨慎的是把局部演示直接扩大为完整替代能力。

总结

AI 逆向的核心仍然是证据：从能观察到的程序、文件与运行结果出发，提出可被推翻的解释，再用实验逼近真实行为。

这次教学实验的转折点，是半强度输入推翻了“颜色矩阵加偏移”的猜测，促使我们引入非线性，再用混色检查处理顺序。AI 可以加快每一轮分析和实现，研究是否成立仍取决于实验设计与验证范围。

REA 则帮助 Agent 连续调用逆向工具，把内部调查接入这个循环。它补充的是证据获取能力；算法解释、重新实现与独立验证，仍然需要分别完成。

理解这一点，再看 PS、AE 或相机滤镜的复刻演示，就能更清楚地区分：它恢复了哪些结构，匹配了哪些行为，还有哪些结论尚未被证明。

参考资料

Ghidra：Introduction to Ghidra：反汇编、反编译与程序分析工具。
REA 官方仓库：工具定位、分析目标与后端连接方式。
REA 官网计算器案例：百分号处理逻辑的调查与重建展示；本文未在本机复跑。
尼康：Creating/Editing Custom Picture Control：自定义 Picture Control 的编辑、产品选择与保存。
nikon_cps_generator-converter：CLAUDE.md：第三方项目记录的 NP3 文件差分分析路线；属于项目自述。