2009年，多名美國亞裔消費者投訴，尼康相機的“眨眼提醒”功能總是錯誤地提示他們拍照時眨眼了;2015年，美國谷歌公司基于面部識別技術開發的一種圖片應用，將一位用戶的黑人朋友標記為“猩猩”。

面部識別技術越來越先進，并不斷滲透我們的日常生活。一些人樂觀地認為，“刷臉”時代正在向我們走來。可是，“刷臉”真的靠譜嗎?至少從目前看，還得打上一個問號。

準確度欠缺

最近一段時間，“刷臉”接二連三地出糗。

在美國，有機構使用亞馬遜公司的面部識別系統掃描了535名國會議員的面部照片，并與相關數據庫中的2.5萬張罪犯照片比對，結果28名議員被系統識別為罪犯。

英國多個城市的警方開始試應用面部識別技術。但最近公布的有關數據顯示，倫敦警方使用的面部識別系統錯誤率高達98%，被批評為“幾乎完全不準確”。倫敦警察局局長克雷茜達·迪克對此辯護說，她不認為這項技術會帶來大量逮捕行動，但公眾“期待”執法機構測試使用面部識別技術。

英國警方曾將面部識別技術應用在音樂會、節日慶典或足球賽等場合。據英國媒體報道，在威爾士加的夫舉行的2017年歐洲冠軍聯賽決賽中，警方使用的面部識別系統產生2400多次匹配，其中2200多次是“假陽性”匹配，即把普通人錯認為犯罪嫌疑人。

美國麻省理工學院“媒體實驗室”研究人員測試了微軟、IBM(國際商用機器)和中國曠視科技3家公司的面部識別系統，讓3個系統判斷1270張圖片中人物的性別。結果顯示，3個系統對膚色較淺男性的判斷錯誤率都低于1%，識別效果較好;但對膚色較深女性的判斷錯誤率從21%到35%不等，識別效果差。

訓練數據不理想

對于“媒體實驗室”的研究，IBM公司沃森和云平臺業務首席架構師魯奇爾·普里說，人工智能系統深度學習的有效性有賴于訓練的基礎數據。即使人工智能模型本身設計優異，不理想的訓練數據只能導致高錯誤率及帶有偏見的判斷。曾有研究顯示，在美國廣泛使用的一套面部識別系統訓練數據中，超過75%的圖像為男性，超過80%的人為白人。

英國《自然》雜志在近期一篇評論文章中也指出，無論在學術界還是產業界，開發出復雜算法會廣受贊譽，但相對而言，很少有人關注數據如何收集、處理和歸類。導致人工智能產生偏見的一個主要因素，就是訓練所使用的數據質量不佳。

麻省理工學院人工智能研究人員喬納森·弗蘭克爾認為，很多用于面部識別的圖片質量不佳，尤其是那些街頭監控攝像頭拍下的圖片，也是導致面部識別技術在實際應用上經常出錯的一個重要原因。

憂心隱私安全

除本身存在技術問題，面部識別大量使用還引發了對個人隱私的擔憂。美國喬治敦大學法律中心一份關于技術與隱私的報告顯示，美國目前有16個州允許美國聯邦調查局使用面部識別技術，將犯罪嫌疑人照片與相關數據庫中的駕照照片進行比對。

美國數字化權利保護組織電子前沿基金會的詹妮弗·林奇說，很多人并不同意警方在尋找罪犯時比對自己的照片，他們并不知道州政府有這種政策。

出于對隱私和安全的擔憂，一些人甚至研制推出了反監測裝備。德國人亞當·哈維曾在德國混沌通信大會上介紹了自己研制的“假面”產品，比如在衣服上繪制起迷惑效果的圖案，讓面部識別系統難以識別真實的臉。