先是11月20日，备受关注的“中国人脸识别第一案”正式宣判，人脸信息收集方败诉。

该案的起因是，去年10月，杭州一家名为“动物世界”的动物园（以下简称“动物世界”）将年卡顾客的入园方式从指纹识别改成了人脸识别，一位对此不满的市民随后对“动物世界”发起了诉讼。杭州富阳法院在一审中，判决“动物世界”对人脸信息的收集不具正当性，要求其删除顾客面部特征信息，并赔偿顾客合同利益损失及交通费1038元。

不过，拿起法律武器、经历漫长的诉讼并不是大多数人的选择，于是我们也看到了以下的魔幻时刻：

有买房者戴着头盔前往售楼处——在济南，一家售楼处部署了人脸识别装置，以记录和区分中介带来的客户和自然到访的客户，针对不同来源的客户，地产商有不同的优惠方案。

男子戴头盔看房的视频截图

也有94岁、已无法站立的老人，被抱着凑到摄像头前“刷脸”——在上周末的一条热点新闻中，湖北广水94岁老人为办理社保卡激活业务， 不得不被亲友抬到银行进行人脸识别。

人脸识别已经被带到大众舆论的聚光下，它不仅是一个新赛道，一个投资机会，也和所有改变人类生活的新技术一样，带来了全新的社会命题——正无处不在的数据采集和分析技术，在带来便利的同时，也带来了隐私侵犯、信息泄露、人群歧视等隐患。

作为最先大规模铺开的数字化利器之一，人脸识别，是否正在被滥用？

1.谁在用？怎么用？

回答人脸识别是否被滥用的问题前，我们先看看是谁在用人脸识别，怎么用的。

目前，人脸识别的使用者主要有以下几类主体。

一是政府机关，其使用场景主要有两个：安防和智慧政务；

安防方面，公安系统会利用人脸识别技术寻找罪犯和失踪人口；智慧政务方面，典型的应用是线上办理政务手续时，用人脸识别核实身份。

第二类是经营、运营一些公共服务场所的企事业单位，包括车站、机场、医院、银行、学校等服务单位。比如，车站用人脸识别核验进站旅客信息，医院用人脸识别帮助患者挂号，银行用人脸识别办理个人业务，学校公寓用人脸识别闸机阻止陌生人进入。

第三类是民营商业公司。比如蚂蚁集团旗下的支付宝，最先在全国推出“刷脸支付”的方式；杭州的“动物世界”，将入园方式改为“刷脸入园”；虹软科技推出智慧商业VIP识别应用，通过人脸识别对客户进行分析，进而提升销售转化率与客户留存率；以及被热议的济南某售楼部，用人脸识别进行差别营销。

从政府机关到企事业单位再到民营商业公司，人脸识别的使用主体多元而广泛。

另一个问题是，人脸识别正在被如何使用？这可能是比使用主体的差异和多元性更影响公众实际感受的部分。

可以说，在一些个别场景，人脸识别被使用的方式确实值得商榷，缺乏合理性。

不合理的第一个表现是不给选择。

比如开头提到的“中国人脸诉讼第一案”中，“动物世界”公园将入园方式限定为“刷脸入园”，让一些对个人信息敏感的游客没得选，引发诉讼；再比如，湖北广水的农业银行将社保卡激活业务验证方式指定为“人脸识别”，导致94岁老人被抱到银行刷脸验证。

不合理的第二个表现是不够节制。

比如2019年被诟病的“人脸识别进课堂”事件，中国药科大学在部分教室用人脸识别进行考勤和管理课堂，学生发呆、打瞌睡都能被记录下来。“人脸识别”的考勤方式，显得学校过于激进。

再比如，据报道，福州某些小区打着安防的名义安装人脸识别门禁，要求业主录入人脸信息，引发业主对数据泄露的担忧。而这种情况，在北京、合肥等地的某些小区也曾出现。在信息安全得不到保障的情况下，小区物业推行人脸识别门禁，也显得不够节制。

合肥某小区物业采用人脸识别门禁

个例之外，从涉及面更广的调查数据中，也可一窥公众目前对人脸识别技术的态度和情绪。

今年10月，App专项治理工作组联合南方都市报人工智能伦理课题组发布了一份《人脸识别应用公众调研报告（2020）》。报告显示，六成受访者认为人脸识别技术有滥用趋势，三成受访者表示已因人脸信息泄露、滥用而遭受隐私或财产损失。

《报告》总结了六类人脸识别技术应用争议场景，结果显示，受访者最无法接受的场景包括：商城用人脸识别技术收集顾客行为和购买手段，高校用人脸识别技术收集学生的抬头率、微表情、上课的姿态，基于人脸图像分析的换脸、美妆、性格判断等。

《人脸识别应用公众调研报告（2020）》的统计数据

当人脸识别被用于一些非必要场景，也将带来一系列问题。除了对行动不便和对新事物接受缓慢的老年人不友好外，对整容者也存在可能无法识别的情况；此外，人脸还是最容易暴露的密码，因为绝大多数人不会刻意遮挡；最后，人脸这类“人体密码”不像数字密码可以随便更改，一旦人脸密码被盗用，那修改方式只能是整容了。

实际上，人脸数据泄露的问题，已经在发生。今年10月，央视新闻就报道了一则新闻：在某些网络交易平台上，只要花2元钱就能买到上千张人脸照片，而5000多张人脸照片的标价还不到10元，合着5份人脸信息才卖1分钱，单价只有2厘钱。

2.变的是武器，不变的是逐利

至于人脸识别为什么被滥用，则有以下原因。

第一是国内法律法规不完善。

实际上，目前国内针对个人信息的法规并不少。

1. 《民法总则》第111条规定，任何组织和个人需要获取他人个人信息的，应当依法取得并确保信息安全，不得非法收集、使用、加工、传输他人个人信息，不得非法买卖、提供或者公开他人个人信息。
2. 《网络安全法》第41条规定，网络运营者收集、使用个人信息，应当遵循合法、正当、必要的原则；第76条规定，个人信息包括但不限于自然人的姓名、出生日期、身份证件号码、个人生物识别信息、住址、电话号码等。
3. 于今年10月1日实施的《信息安全技术个人信息安全规范》则规定，在收集个人生物识别信息前，应单独向个人信息主体告知并征得个人信息主体的明示同意；该《规范》同时还对收集人脸识别信息的收集、存储、使用等方面作出了明确的规定。但这个《规范》只是推荐性的标准，没有法律强制约束力。

这意味着，现有的法律法规只规范到“个人信息”，但对更细分的“人脸”信息谁能用、如何用没有明确的规定。

备注为“浙江京衡律师事务所高级合伙人李迎春博士律师”的知乎作者对“人脸识别第一案”的结果进行解读时也称，该案的宣判，也是从“合同法”的角度认定“动物世界”违背合同约定的。

第二是市场的逐利性。这不是人脸识别技术本身的问题，而是经济规律使然——变的是武器，不变的是逐利。

在法律不完善的情况下，一旦有商业利益的驱使，人脸识别就很容易滑过隐私侵犯的边界。

比如今年9月人脸识别头部企业旷视科技就曾身陷“交易用户隐私数据”的漩涡。起因是创新工场李开复在一次演讲中称，创新工场曾经帮助旷视从美图、蚂蚁金服（现改为“蚂蚁集团”）拿到大量人脸数据。事后，三方也对这一提法进行回应和澄清，但大众对人脸识别公司为了完善产品或技术而购买、使用隐私数据的关注和担忧却并未停止。

包括前文提到的“人脸识别进课堂”事件中，该人脸识别系统的开发者正是旷视科技。在事件引起大众关注后，旷视发布声明回应称，这是技术场景化概念演示，旷视在教育领域的产品专注于校园安全。

此举背后，不排除有商业压力的推动。彼时旷视已成立7年，落地场景主要集中在安防、金融、物联、零售等行业，但其在商业化上仍面临压力，从财报中仍可见一斑——2019年8月其在港交所提交的招股书中列出过去三年半的经营数据：2016年、2017年、2018年及2019上半年的净亏损分别是3.42亿、7.59亿、33.52亿、52亿[1]。

更进一步，在没有法律约束和商业压力下，如果人脸识别被不法商业机构随意使用、买卖，其后果将是个人安全受到极大威胁，随之带来一连串的社会隐患。

实际上，这种情况是新技术出现时的普遍现象，因为法律很难对新技术的应用做事前的规定。而在不加规范、没有监管的情况下，新技术越自由竞争，越容易被滥用。

3.技术需要枷锁

一个越来越被广泛接受的共识是，新技术需要被合理地规范使用。

在上文提到的App专项治理工作组的调研报告中，相对而言，受访者更能接受基于安防场景的人脸识别应用，比如公共安全摄像头、闯红灯记录系统。

这意味着，大众更愿意为公共安全和特定场景下的便利性而让渡部分隐私，而对商业服务和学习中侵犯隐私的行为容忍度低。

不能因噎废食、一棒子打死，也不能放任不管、任由问题滋生，关键是如何平衡管与放。

首先需要完善法律法规、行业规范。

先看国外的做法。2019年5月，美国旧金山城市监管委员会投票通过“禁止使用面部识别”的决定，成为美国也是全球第一个禁用人脸识别的城市。随后，一些科技巨头如亚马逊、微软也开始叫停人脸识别。

但这种“一刀切”的方式，并不是主流做法。

事实上，新加坡是一个较早推行人脸识别的国家。作为“智慧城市”及“智慧国家”的推动者，新加坡不断推广着新技术的应用，并在今年将人脸信息纳入电子国民身份证SingPass。但这一方式并没有受到民众的太多反对，原因之一就是2012年政府就颁布了《个人资料保护法例》（PDPA），以保护个人数据安全。

2019年，欧洲也开始考虑对人脸识别等AI技术进行立法规范。比如瑞典一所高中用人脸识别系统记录学生出勤率，瑞典数据监管机构对该学校开出20万瑞典克朗(约合人民币14.8万元)的罚单，原因是学校对学生个人信息的处理不符合欧盟《通用数据保护条例》的规定。

该条例第6条规定，除公共安全需要的情形外，个人数据须征得本人明确同意才能使用。

在完善法规的同时，也要同步建立行业标准和行业自律，一些可行的准则可能包括：给出更多可选方案以及积极探索其他商业识别和数字化验证的技术方案。

所谓给出更多选择，就是兼容新旧不同使用习惯。

比如如银行办理业务核对个人信息，除了用人脸识别，也可以用密码、身份证、指纹等方式；比如公园景区为了核对年卡游客信息，可以选择刷带照片的年卡，也可以刷身份证或指纹。说到底，就是让客户选择自己更适合的验证方式。

此外，如无必要，应减少对人脸这种高敏感信息的采集和使用，积极使用替代方案。

比如，毫米波雷达也是一种避免隐私泄露的探测方式。因为雷达的数据信息是完全匿名的。其工作原理是把无线电波(雷达波)发出去，然后接收回波，根据收发之间的时间差测得目标的位置数据。它可以用于开放领域的安防，办公和居家场所的人员探测等。

甚至，出于合规需求的考虑，未来还有可能诞生更多新的商业机会：

一是在数据采集端，可能会出现一些新式传感器或对不涉及隐私信息的传感器的更多应用；

二是在数据的存储、传输、分析、交换等多个环节，对信息安全、隐私安全的需求都将提升，安全市场规模将进一步扩大，去年至今年受资本关注的“隐私计算”就是一个例子；

三是政策导向带来的合规性机会。

技术需要驱动力，同时也需要“枷锁”。

当94岁的老人被抱起凑向摄像头，新技术在这一刻违背了它被发明时的初衷，它并没有让生活变得更简单、美好，机器没有迁就人，而是人在迁就机器。

但我们需要的正是机器向人靠近，而不是相反。
 

作者 | 刘景丰

编辑 | 火柴Q

来源：甲子光年

图片来源：OFweek维科网

人脸识别的数据安全

人脸识别技术在我国起步较晚，但发展很快，目前已达到国际领先水平。

人脸识别技术在国家安全、社会公共安全中具有非常重要的意义。如今人脸识别技术已广泛应用于各个行业，其中在安防、金融行业中的体现尤为“突出”，已经形成了应用大潮。

在当今社会，随着人脸识别的广泛应用，人脸识别的数据安全也成为大家关注的焦点。

人脸数据，包括原生人脸数据、派生人脸数据。人脸特征数据，属于派生人脸数据。

人脸识别应用的健康发展，离不开人脸数据的安全管理。我们要规范人脸识别的应用、确保人脸数据的安全、正确看待质疑的评论、促进人脸识别的健康发展。

人脸识别应用的安全性非常重要，而这种安全性既包括人脸数据的安全，还包括防假体攻击的安全。目前，在国家标准、公共安全行业标准层面上，人脸数据安全管理规范的相关标准也正在快速制定中。同时，人脸识别应用中的防假体攻击方面的相关国家标准也正在制定。可以说，人脸识别的应用安全，也是人脸识别技术发展的一个重要组成部分。

人脸识别技术的核心技术

人脸识别是一种基于人脸特征信息进行身份识别的生物特征识别技术。

前期的人脸识别算法我们一般称为常规方法，如特征脸人脸识别方法。现在的核心算法主要是深度学习人脸识别方法。

深度学习是人工智能的突破性技术。深度学习应用于人脸识别，取得了高识别率的显著效果。比如基于二代证的实名身份认证，采用常规人脸识别算法，2008年达到的水平是：错误接受率为0．1％时，正确识别率仅为80．81％。采用深度学习人脸识别算法，现在达到的水平是：错误接受率为0．01％时，正确识别率≥97％。

2005年，国家十五攻关项目“人脸识别查询技术”通过科技成果鉴定。该项目研制成功的TH－2005人脸识别系统，采用了内存计算技术、集群计算技术、MMX加速技术，在256万特征库中，实现了1秒内识别查询。该系统奠定了我国海量人脸识别系统的系统架构基础。2008年，我国建成千万级特征库人脸识别系统；2012年，我国建成亿级特征库人脸识别系统；现在人脸识别系统的特征库最大规模已经超10亿。

具有影响力的人脸识别应用

由于人脸识别的便捷性、摄像头的普及性、第二代居民身份证包含的人脸图像数量的规模性以及人脸识别在公共安全中应用的有效性，我国人脸识别技术的应用风生水起，已形成应用大潮。

我国人脸识别的应用大致是按照辨识型人脸识别、确认型人脸识别、关注名单型人脸识别的顺序逐步展开的。

2000年左右，辨识型人脸识别系统率先应用于公安部门。随后，有影响力的应用层出不穷。

2008年，上百套确认型人脸识别系统应用于2008年北京奥运会。这是国际奥运史上第一次应用人脸识别技术。该应用被媒体誉为是人脸识别技术在华发展的里程碑。

人脸识别应用于视频图像侦查，在周克华案（如2009年3月19日，周克华在重庆某部队的岗亭，抢杀哨兵、抢枪和2012年1月6日，周克华在南京某银行门口，枪杀某公司员工，抢走现金19．99万）以及在其他一些疑难案件中，人脸识别发挥了重要作用。

2012年左右，在公安工作的推动下，我国出现第一次人脸识别应用高潮，即公安厅、局等单位纷纷建立了辨识型人脸识别系统，完成了户籍人脸特征库的查重、查异等业务，取得了人脸识别应用的重要成果。

在平安城市、雪亮工程的推动下，2015年左右，深度学习的关注名单型人脸识别系统广泛应用于视频人脸识别，在追逃等业务中取得了人脸识别应用的重要成果。由此，我国出现第二次人脸识别应用高潮。

当前，AI芯片已经应用于人脸识别。如：基于海思Hi3559芯片的人脸识别、基于云天励飞DeepEye1000芯片的人脸识别。

AI芯片的人脸识别，正在逐步形成人脸识别应用的第三次高潮。

人脸识别技术发展的瞻望

虽然人脸识别无论在算法层面还是在系统层面以及在相关标准的层面上都取得了长足的进展，但人脸识别技术仍在发展，如三维人脸识别、防假体攻击、戴口罩墨镜的人脸识别等等。除此之外，还存在一些极具挑战性的难题。

《MIT科技评论》将微型人工智能列为2020年十大突破性技术。显然，AI芯片人脸识别，正是微型人工智能应用的耀眼之星。

在AI芯片人脸识别系统的设计中，要努力改善冯?诺依曼内存墙的难题，以提升有效算力。所谓冯?诺依曼内存墙，是指运算单元存取存储体数据，存在速度和数据数量严重不足的问题。当运算单元增多，存储体供应不上数据。另一方面，运算单元处理的多个数据结果，也难以高效的存入存储体，形成数据堵塞，导致处理器的处理速度变缓。

推倒冯?诺依曼内存墙问题成为AI硬件系统的难点。

当前，人工智能硬件的架构创新已成为人工智能核心技术的竞争焦点。目前已出现存算一体（Process in－memory）的硬件架构和算存算一体的二维计算（2D Computing In Algorithms－Memory－Process）的硬件架构。赛灵思公司的自适应计算加速平台和清华大学的类脑计算天机芯片，在某种程度上采用了存算一体的硬件架构；清华大学的NIPC－3邻域图像并行计算机，采用了算存算一体的二维计算的硬件架构，该成果曾在大邻域图像核和邻域图像处理的速度上优于当时可查到的国际最好水平。这些技术有效的改善了冯?诺依曼内存墙问题。

在海量人脸识别系统的应用中，一个问题是计算规模大。

例如，某公司成功设计的某省人脸识别大数据应用平台。其中，采用了40台GPU服务器组成解析中心。这是该公司的成功应用。成功应用的反思是：今后我们能不能降低这个计算规模？CPU＋GPU的主流架构存在的功耗大、运营代价高的难题如何解决？这是人工智能硬件架构创新面临的一个新课题。清华大学某实验室拟采用算存算一体的二维计算硬件架构，以硬件集群的方式，来实现海量人脸识别。目前做了一个初步的实验，在单路板上，可在百万人脸特征库中，实现人脸特征比对和排序，耗时约为0．6s。这个实验，表明人工智能硬件集群有能力解决目前海量人脸识别系统的功耗大、运营代价高的难题。

当前人脸识别的另一个难题是超低人脸分辨力的人脸识别。这是指人脸图像太小的识别难问题。

人脸分辨率是指人脸两眼间距的像素数。最低人脸分辨率可能会成为视频人脸识别的一项重要的性能指标。2013年，关注名单型人脸识别的最低人脸分辨率为30像素。2020年，最低人脸分辨率可达到12像素。目前的研究是实现更低人脸分辨率的人脸识别。

今天的人脸识别，仍然在向纵深方向上发展。我们希望人脸识别健康发展，期待人脸识别学术问题的回归，也期待人脸识别普适性的提升。同时，我们更加期待出现新的计算模式，减少诸如深度学习训练过程的超大计算规模、减少海量人脸识别系统的超大计算规模。

        科学技术迭代更新，人类文明的脚步从未停止。人工智能产业进入爆发年，应用不断落地，尤其是基于计算机视觉原理的人脸识别技术，以其不可复制性、非接触性、可扩展性和快速性等特点在多种生物识别技术中脱颖而出。
 

        人脸识别系统的研究始于20世纪60年代，80年代后，随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期，并且以美国、德国和日本的技术实现为主；人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，同时需结合中间值处理的理论与实现，是生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化。

        人脸识别系统技术流程
 

        人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。
 

        人脸图像采集及检测

        人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。
 

        人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。
 

        主流的人脸检测方法基于以上特征采用Adaboost学习算法，Adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。
 

        人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。
 

        人脸图像预处理

        对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。
 

        人脸图像特征提取
 

        人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。
 

        基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征，这些特征被称为几何特征。基于知识的人脸表征主要包括基于几何特征的方法和模板匹配法。
 

        人脸图像匹配与识别
 

        提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。

        人脸识别应用前景广阔
 

        随着人工智能、机器学习、深度学习等新兴技术和算法的发展，人脸识别技术的识别成功率在近些年超过了肉眼的识别成功率，随着成功率的提高，人脸识别应用也遍地开花，从宏观上来说人脸识别的应用主要在以下几方面。
 

        1.企业、住宅安全和管理。如人脸识别门禁考勤系统，人脸识别防盗门，人脸识别登录，景区人脸识别验票，展会人脸识别门禁，人脸识别会员管理系统等。
 

        2.电子护照及身份证。这或许是未来规模最大的应用。在国际民航组织（ ICAO）已确定，从 2010年 4月 1日起，其 118个成员国家和地区，人脸识别技术是首推识别模式，该规定已经成为国际标准。
 

        3.公安、司法和刑侦。如利用人脸识别系统和网络，在全国范围内搜捕逃犯。
 

        4.自助服务。如银行的自动提款机，如果同时应用人脸识别就会避免被他人盗取现金现象的发生。
 

        5.信息安全。如计算机登录、电子政务、电子商务及银行交易。在电子商务中交易全部在网上完成，电子政务中的很多审批流程也都搬到了网上。而当前，交易或者审批的授权都是靠密码来实现。如果密码被盗，就无法保证安全。如果使用生物特征，就可以做到当事人在网上的数字身份和真实身份统一。从而大大增加电子商务和电子政务系统的可靠性。

        人脸识别技术争议不断
 

        世间之事，大抵都是一半海水，一半火焰。科技也不例外，通常一项技术的研发、落地，能在同一象限内全球的从业者达成初步共识，譬如5G、IoT等等。
 

        但是，人脸识别技术却是个例外，它正经历着史无前例的冰火两重天。
 

        近日，美国马萨诸塞州的萨默维尔市宣布禁止当地警方和市政部门使用面部识别软件，成为美国第二个禁止该技术的城市。这项法令将面部识别称为“等同于要求每个人随时携带和展示带有个人照片的身份证”，并引用了对女性、年轻人、移民和有色人种面部识别错误匹配的担心。
 

        据外媒称，萨默维尔市收到了当地居民分享的98条书面评论，加上美国公民自由联盟（ACLU）的支持信和来自贸易组织安全行业协会的反对信。该市收到的所有信件都支持禁令。人脸识别技术在美国的争议一直不断，反对者认为，如果不对这项技术进行规范，将会为政府提供前所未有的权力来跟踪人们的日常生活。
 

        作为人脸识别行业中的佼佼者——亚马逊，也遭遇了各种非议。早在去年5月，美国一批民权组织就联名致信亚马逊，要求其停止向政府提供一款名为Rekognition的面部识别技术，因为这种技术很可能被政府滥用，从而严重威胁到各种人群的公民权利。
 

        在亚马逊提供的工具中，亚马逊的图像识别产品Rekognition是最具争议的。每分钟只需支付几便士的费用，就能够扫描视频片段，识别人脸，然后与客户的数据库进行比对。
 

        然而，民权组织称它为“可能是有史以来最危险的监视技术”，不仅如此，他们还要求亚马逊停止向政府机构出售这一技术，尤其是警察局（Rekognition 曾被应用于警察局抓捕罪犯）。旧金山的城市监管会禁止了这一技术的使用，他们表示，这个软件不仅有侵犯性，而且有偏见——对比黑人和亚洲人，它更能识别白色人种。
 

        在商业层面，最近科技巨头微软宣布，已删除其公开人脸识别数据库——MS Celeb。据称，用于学术研究的该数据库于2016年建立，拥有超过1000万张图像、将近10万人的面部信息，包括一些公众人物的数据。
 

        而在更早的2011年，谷歌母公司Alphabet董事长埃里克·施密特说，人脸识别“很可怕”，并承诺谷歌公司不会建立用户照片的数据库……
 

        很明显，在当今的欧美国家，对人脸识别技术的担忧，远胜于对这种技术所带来的益处的乐观预期。

        人脸识别的技术困局
 

        纵然人脸识别技术已经被应用于多层面，但目前仍旧有技术困局。人脸识别的困难主要是人脸作为生物特征的特点所带来的。
 

        1.人脸类似性

        不同个体之间的区别不大，所有的人脸的结构都相似，甚至人脸器官的结构外形都很相似。这样的特点对于利用人脸进行定位是有利的，但是对于利用人脸区分人类个体是不利的。
 

        2.人脸易变性

        人脸的外形很不稳定，人可以通过脸部的变化产生很多表情，而在不同观察角度，人脸的视觉图像也相差很大，另外，人脸识别还受光照条件（例如白天和夜晚，室内和室外等）、人脸的很多遮盖物（例如口罩、墨镜、头发、胡须等）、年龄等多方面因素的影响。
 

        在人脸识别中，第一类的变化是应该放大而作为区分个体的标准的，而第二类的变化应该消除，因为它们可以代表同一个个体。通常称第一类变化为类间变化（inter-class difference），而称第二类变化为类内变化（intra-class difference）。对于人脸，类内变化往往大于类间变化，从而使在受类内变化干扰的情况下利用类间变化区分个体变得异常困难。
 

        此前，美国公民自由联盟（ACLU）使用亚马逊的脸识别产品Rekognition进行了一项实验，发现软件错误地将28名国会议员判定为此前被捕的罪犯。
 

        但亚马逊方面回应，其软件的设计本意是辅助人类工作，造成误判的原因是ACLU在实验中使用了错误的设置，将识别阈值定为80%，一般在警方工作中建议阈值不低于99%。
 

        此外，针对此前计算机生成的假脸假视频DeepFake较为全面测评的论文表示，现有的先进人脸识别算法在面对计算机生成的假脸时基本束手无策，他们经过一系列实验发现，当前已有的先进人脸识别模型和检测方法，在面对 DeepFake 时基本可以说是束手无策——性能最优的图像分类模型 VGG 和基于 Facenet 的算法，分辨真假视频错误率高达 95%；基于唇形的检测方法，也基本检测不出视频中人物说话和口型是否一致。
 

        对此，Idiap 研究所博士后Pavel Korshunov 和瑞士生物识别研究和测试中心主任Sébastien Marcel 指出，随着换脸技术的不断发展，更加逼真的 DeepFake 视频，将对人脸识别技术构成更大的挑战。

        人脸识别面临滥用风险
 

        于欧美国家，人脸识别的功能已是执法机关追踪嫌犯时最强有力的武器；还有些医疗机构正通过分析人的脸部特征，来诊断某些罕见遗传疾病……但它对公民隐私权构成的威胁，也前所未有。
 

        相较指纹等其他生物特征，人脸识别的最大不同就在于，它能远距离发生作用，而无需直接接触。这意味着，政府、公司等机构和个人可能未经当事人同意、甚至完全不知情的情况下读取并搜集其数据，进而非法使用。
 

        事实上，人脸不仅仅能表明身份，或许还会泄露许多其他信息。有研究表明，通过大数据和算法，有相当大概率能通过人脸特征来测算一个人的智力水平、性取向，甚至政治倾向……
 

        因此，一旦这种技术被不恰当地使用，就有可能产生严重后果——例如，保险公司或可更精确判定一个人的健康状况，从而制定出包赚不赔的保单价格；雇主可能会雇佣或拒绝一些特定的雇员，以满足其偏见；一些政府则可能更加主动有效地对某些特定人群进行追踪、监控甚至迫害；在人种多元的国家，脸部特征数据的运算结果还可能造成对某些族群人士的不公正认知……
 

        还有人认为，人脸识别会反过来影响人们的现实交往和信任关系。如果都知道自己的脸部特征会对自己将在社会上遭遇怎样的对待产生重大影响时，人们就会被训练成“表演大师”。长此以往，整个社会将陷入巨大的信任危机之中。

        人脸识别技术的双面性
 

        “人脸识别技术是无罪的，钢铁有时被用于制造婴儿保育箱，有时被用于制造枪支。”对于人脸识别技术落地所遭遇的“困境”，亚马逊 CTO Werner Vogels如是说。
 

        他认为，所有的技术都是双面性的，可以有很好的应用，也可以被恶意利用。决定技术发展的走向，取决于监管部门的选择。
 

        当然，所有的技术从0到1，从1到N的过程都是不断补全自身短板的过程，在这方面，众多公司也开始了攻坚之路。
 

        今年5月，Facebook便发布了Fairness Flow，该工具会自动警告某种算法是否根据检测目标的种族、性别或者年龄，做出了不公平的判断。
 

        今年6月，通过与人工智能公平性专家们开展合作，微软公司修改并扩展了其用于模型训练的Face API数据集。
 

        Face API是一项微软Azure API，主要提供用于检测、识别及分析图像中人脸内容的算法。
 

        通过与肤色、性别以及年龄相关的大量新数据，Face API如今能够将深肤色男性与女性的错误判断率降低至原本的二十分之一，对女性的错误判断率则降低为原先的九分之一。
 

        与此同时，初创企业Gfycat公司也于今年表示，其将引入更为严格的检测阈值，从而努力提高其人脸识别算法在判断亚裔人士面部方面的准确性。
 

        过去一段时间，以人脸识别为代表的AI技术在部分地区的发展的确遭遇了一些挑战，但我们也绝不能因此去否定它所有的光环。
 

        此外，人们对人脸识别技术的担忧还主要来自侵犯隐私。
 

        尽管一些人脸识别数据平台表示在采集到照片后会对照片进行脱敏处理，只提取照片特征，而非照片本身，即使这些特征在传输过程中被窃取，也无法还原出照片。但是未经用户允许调用照片，本身就是一种对其隐私的侵犯。并且，这些数据依然可以用来跟踪消费者的购物习惯，用于精准营销。
 

        人脸识别等人工智能技术目前还处于野蛮发展阶段，虽然近年来开始强调个人隐私保护，但是还远远不够。如果忽略技术发展中的人文因素，会带来难以预测甚至灾难性的后果。未来应以此为契机，建立数据安全和伦理的防火墙。
 

        “数据集聚时代的来临，给现代科技伦理和科技立法均带来挑战，固有伦理与立法的精神和规范应结合时代发展。”中国政法大学国际法学院副教授曾涛谨慎表示，世界各国均对科技发展引发的新问题，如数据保护颁行新的法律，我国也应及时更新制定相应规则，同时呼唤相应行业伦理与监督标准。
 

        人脸识别技术的应用是否应该有具体边界，它在某个领域的技术是否已经成熟到可以应用，人脸识别数据应如建立怎样的妥善保护机制，公众是否有权知道算法的透明性等，这些开放性的挑战都是当前亟须研究和厘清的问题。

        如今，数十家初创企业和科技巨头正在向酒店、零售店、甚至学校和夏令营销售人脸识别服务。这一业务的兴盛归功于新算法，现在的算法在辨认人脸方面比五年前的更精确。

        为了改进这些算法，公司会对它们进行数十亿张人脸辨认的训练，而这个训练通常不需要征得任何人的同意。你的脸很有可能就是这些公司使用的“培训样本”之一，或者说是公司客户数据库的一部分。

        目前，面部识别软件的使用几乎不受法律限制，这就意味着人们可能无法阻止公司以这种方式使用他们的面部信息。

        2018年，乘客们匆匆走过华盛顿特区附近的捷威机场时，被一架摄像机捕捉了下来。

        实际上，捷威机场和乘客都不是真实存在的；这仅仅是NIST展示如何实操收集人脸的一套装置。这些人脸将在NIST举办的竞赛上使用，该竞赛邀请全球各地的公司来测试他们的面部识别软件。

        在这次演习中，志愿者们允许负责机构使用他们的面部信息。这是早期进行面部识别方式——研究人员煞费苦心地争取人们的同意，将收集的人脸纳入他们的数据库当中。

        如今，公司已经成为人脸识别领域的佼佼者，他们如果认为向海量被识别者征求同意是一件麻烦事，他们可能就不会再多此一举了。

        包括Kairos在内的行业领军企业正在人脸识别软件市场展开竞争。他们的客户群体涉及执法人员、零售商、甚至高中学生。

        MRFR的数据显示，这个市场的规模每年增长20%，预计到2022年将达到每年90亿美元的规模。

        在制作最佳软件的这场角逐中，获胜者将是那些算法能够高精度地识别面部，不会产生误报的公司。与人工智能的其他领域一样，创建最佳面部识别算法意味着要收集大量面部数据来完成训练。

        虽然公司可以使用政府和大学编制的数据集合，如耶鲁大学的人脸数据库，但这些数据集相对较小，包含的人脸不超过几千张。

        这些官方数据集还有其他限制，其中许多缺乏种族多样性，或者无法辨认出改变现实人脸的条件，比如阴影、帽子或妆容。

        为了建立能够在实战中辨认出个体面部的识别技术，公司需要更多的图像来做实验。

        面部识别软件公司FaceFirst位于加利福尼亚，他们公司帮助零售商辨别犯罪分子，防止他们进入商店。

        公司的首席执行官Peter Trepp说道，“数百张不够，数千张还不够。你需要数百万张图片。如果你没有将戴眼镜的人或有色人种收录进数据库，你将得不到准确的结果。”

        故事要从一个APP说起

        软件公司从那些途径可以获得数百万张图像来训练软件呢？

        其中之一便是警局的图片数据库。软件公司可以在州政府机构公开获得这些数据库，也可以从私人公司进行购买。Vigilant Solutions公司就提供1500万张面孔，可以用来“解决”人脸识别软件训练的难题。

        然而，一些初创公司已经找到了更好的面孔来源：个人相册应用。

        这些应用程序可以编辑存储在个人手机上的照片，而且通常都包含同一个人的摆出多种姿势和身处不同情境图像，这可是丰富的训练数据源。

        Ever AI的首席执行官Doug Aley说道：“我们有同一个人身处数千种不同的场景的图象。即便是戴着帽子站在阴影中，你也能准确地辨认出来。”

        Ever AI是旧金山一家面部识别初创公司，于2012年以EverRoll为名成立，公司的应用程序帮助用户管理日益膨胀的照片收藏。

        目前，Ever AI已经从Khosla Ventures以及其他硅谷风险投资公司筹集了2900万美元，参加了NIST最近举行的面部识别竞赛，并在比赛的“Mugshots”类别中排名第二。在“Faces in the Wild”类别中排名第三。

        Aley认为，自己公司庞大的照片数据库取得了成功，Ever AI数据库的图片数量估计达到130亿张。

        早期，Ever AI仅仅是一个照片应用程序，当时，这家公司激进的营销举措引发了争议，导致Apple在2016年暂时从App Store暂时下架了EverRoll。

        最让人记忆深刻的大概是，该应用程序诱使用户向所有手机联系人发送促销链接。用户还指责该应用程序窃取了他们的信息。

        2015年，德克萨斯州的Greg Miller在Facebook上吐槽：“EverRoll程序安装后的第一件事就是收集你手机里的电话号码，并立即给所有人发消息。然后，你所有的照片就会被放到云端。”

        四年后，Miller惊愕地发现，EverRoll仍然保存着他的照片，只不过现在它已成为面部识别公司。

        “我当时并没有意识到这个问题，我一点也不同意他们的做法。”Miller告诉《财富》，“一直被追踪才是关键所在，我感觉毫无隐私可言，真是细思极恐。”

        Ever AI首席执行官Aley声称，该公司不会共享个人的识别信息，只会使用这些照片来训练公司的面部识别软件。他还补充说，自己的公司类似于社交媒体，人们可以选择退出。

        Aley否认Ever AI从一开始就打算成为一家面部识别公司，并表示公司现在关闭照片应用程序是一项商业决定。

        目前，Ever AI的客户将该公司的人脸识别产品用于一系列活动，包括企业ID管理，零售，电信和执法。

        EverRoll并不是唯一提供用户照片的公司，另一个例子是Orbeus。这家位于旧金山的公司，于2016年被亚马逊悄然收购，曾经是PhotoTime的组织者。

        Orbeus的老员工透露，该公司的人工智能技术以及拥有的大量照片，使其成为一个诱人的收购目标。这位拒绝透露身份的员工表示：“亚马逊当时正在寻找这种公司。”

        今天，PhotoTime应用程序已不复存在，尽管亚马逊继续销售另一款名为Rekognition的Orbeus产品。这个产品是执法机构和其他组织使用的一种面部识别软件。

        亚马逊拒绝提供将Orbeus收集的照片用于训练软件的详细信息，仅表明公司从各种来源获取AI项目的数据。亚马逊还补充说，它没有使用客户的照片服务来训练其算法。

        另一家使用用户照片来训练面部识别算法的公司是Real Networks。这家公司总部位于西雅图，曾因其20世纪90年代的在线视频播放器而闻名。

        如今，这家公司专注于可以识别学校儿童面孔的软件。与此同时，它开发了一款针对家庭的智能手机应用程序，名叫RealTimes。

        然而，一位评论家表示这只是公司为获取面部信息而找的借口。

        所有这些都引发了一些问题：公司应采取什么措施来保护他们收集的面部数据？政府是否要加大监管力度？

        随着面部识别传播到更多社会领域，解决这些问题将变得迫在眉睫。

        横跨教育和零售领域

        面部识别软件并不是新鲜事物，该技术早在20世纪80年代就已出现。当时美国数学家将人脸定义为一系列数值，并使用概率模型来找到匹配目标。

        但在过去的几年里，情况发生了变化。NIST的Grother说：“面部识别正在经历一场革命。”

        他补充说：“基础技术已发生变化。旧技术已经被新一代算法取代，新技术非常高效。”

        面部识别的这场革命得益于两个因素，而这些因素正在让人工智能领域变得更加广泛。

        第一个是新兴的深度学习科学，这是一种类似于人类大脑的模式识别系统。第二个是前所未有的大量数据，可以借助云计算实现低成本存储和解析。

        不出所料，第一批充分利用这些新技术的公司是Google和Facebook。

        2014年，Facebook推出了一个名为DeepFace的程序，该程序能够辨别两张面孔是否属于同一个人，准确率高达97.25％ 。这个比率与人类在同一测试中得分相同。

        一年后，Google凭借FaceNet计划获得了100％的准确率。

        如今，像微软这样的公司和其他科技巨头都是面部识别的领军者，这在很大程度上取决于他们可以访问大型面部数据库。

        不过，越来越多的初创公司也在发布高精度分数，因为他们要在日益发展的面部识别市场中寻求利基。

        在硅谷，这并不是一个令人心仪的数字，但它反映了风险资本家的一个重要赌注，也就是说，至少有少数面部识别创业公司会发展成大企业。
 

        Crunchbase的数据显示，Ever AI和FaceFirst等创业公司的年收入在200万美元到800万美元的区间浮动，收益相对较小。与此同时，亚马逊和其他科技巨头尚未透露他们的收入中有多少来自面部识别。

        多年来，面部识别最狂热的付费客户一直是执法机构。然而，最近，包括沃尔玛在内，越来越多的商业组织使用这种软件来识别和了解他们的客户。

        情况确实如此，FaceFirst向包括商店和药店在内的数百家零售商销售面部识别软件。

        该公司的首席执行官Trepp表示，他的大部分客户都使用这项技术来辨认进入他们商店的罪犯，但越来越多的零售商也在测试其他项目，例如识别VIP客户或识别员工。

        据报道，亚马逊这家零售巨头除了向警察局出售产品外，还与酒店合作，帮助酒店加快办理入住手续。

        然而，亚马逊的这些举措并非没有争议。

        去年7月，美国公民自由联盟(ACLU)对亚马逊的软件进行了测试，将每一位国会议员的脸与收录重罪罪犯的数据库进行比对，结果该测试导致了28个误报，其中大多数为有色国会议员。

        作为回应，ACLU呼吁禁止执法部门使用面部识别技术。

        亚马逊的员工也向公司施压，要求其证明向警察部门、美国移民和海关执法部门出售软件的正当性。

        一些国会议员，包括众议员Rep. Jerrold Nadler和参议员Sen. Ron Wyden已经要求政府问责局调查面部识别软件的使用。

        企业领导者也对该技术的应用感到不安，其中包括微软总裁 Brad Smith，他在去年12月呼吁政府进行监管。

        不过，尽管人们的担忧不断加剧，但随着企业找到新的、新颖的应用来销售面部识别技术，它的应用正在扩大。

        家庭照片应用程序的开发商Real Networks正在向全国各地的K-12学校免费提供面部识别软件。该公司表示，现在有数百所学校正在使用它。

        在接受《连线》杂志采访时，该公司首席执行官Rob Glaser表示，他发起这一倡议的初衷是为了解决有关学校安全和枪支管控的争论，而非党派之争。

        Real Networks并不是唯一专注于儿童面部识别产品的公司。

        德克萨斯州一家名为Waldo的公司正在向数百所学校、儿童体育联盟和夏令营提供面部识别技术。实际上，这项技术需要使用Waldo的软件来扫描摄像机或官方摄影师拍摄的图像，然后将孩子的脸与父母提供的图像进行匹配。那些不想参加的家长可以选择退出。

        该服务目前在美国30多个州开展。Waldo和FaceFirst的发展表明，企业正在将人脸识别平常化。

        不久前，人脸识别还只是科幻小说中的内容，现在，这项技术已经扩散到美国经济的更多领域。

        你的面部信息该何去何从

        尽管人们对人脸识别的担忧主要集中在政府机构的使用上，但私人公司甚至个人对人脸识别的使用却带来了更为明显的隐私风险。

        越来越多的公司开始销售面部识别技术，我们的面孔也会在越来越多地出现在数据库中，这种软件可能会受到偷窥者和跟踪者的欢迎。

        商人和房东也可以用它来识别不速之客，并悄悄地停止提供住房或服务。

        黑客入侵的风险也同样存在。

        网络安全公司Gemini Advisors的Andrei Barysevich说，他看到印度国家生物识别数据库的个人资料被盗，在“黑暗网络”网站上出售。

        目前，他还没有看到出售的美国人脸数据库，但他补充说:“这只是时间问题。”从酒店或零售商手中偷取顾客面部信息，可能会帮助犯罪分子实施欺诈或身份盗窃。

        由于该技术几乎没有政府监管，因此限制其滥用的最佳希望可能在于软件制造商本身。

        在接受《财富》采访时，面部识别初创公司的首席执行官们都表示，他们非常关注隐私风险。包括FaceFirst首席执行官在内的一些人士指出，人脸识别系统的广泛应用值得警惕。

        Waldo的首席执行官Rice还担心，立法人员制定使用面部技术的规则可能弊大于利。他说:“把婴儿和洗澡水一起泼出去，制定一系列疯狂的规定，这将是一种讽刺。”

        与此同时，一些制作人脸识别软件的公司正在使用新技术，这可能会减少训练算法对大量人脸的需求。

        迈阿密面部识别初创公司Kairos就是这样一个例子。

        据Kairos首席安全官Stephen Moore称，公司正致力于“合成”面孔数据，以复制各种面部表情和光照条件。他说，这些“人造脸”意味着公司不用依靠太多真实人脸也能制造人脸识别软件产品。

        对购买软件的客户进行监管、提高数据的安全性以及合成训练样本，这些措施都可以让我们的担忧有所减轻。

        FaceFirst的Trepp认为，随着我们越来越熟悉这项技术，对它的焦虑也会减弱。他甚至认为，2002年的科幻电影《少数派报告》中的面部识别场景将变得很常见。

        ACLU以及其他组织则不那么乐观。

        尽管这项技术引起的争议越来越大，但目前几乎没有任何法律来限制面部信息的使用，除了伊利诺斯州、德克萨斯州和华盛顿州。

        在这三个地方使用人脸信息需要征求同意。虽然这些法律尚未真正经过测试，但在伊利诺伊州，人们可以通过诉讼来强制执行该权利。

        2017年，Facebook和Google进行了一次不成功的游说活动，试图说服伊利诺伊州立法者淡化法律。

        其他州也在考虑自己的生物识别法。然而在联邦一级，立法者迄今为止很少关注此事。

        但情况很快就会有所转变。

        参议员Brian Schatz和Roy Blount已提出了一项法案，要求软件公司获得许可之后才能在公共场所使用面部识别，或是与第三方共享面部数据。