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。

五、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。