“人脸识别”在安防领域立下大功，为什么却在罪犯画像中导致更多的误判？

根本原因在于，人脸识别在本质上是一种概率匹配，而非确定性判断，系统通过比对摄像头捕捉到的人脸与数据库中的照片，计算出一个相似度分数，当这个分数超过某个预设阈值时，系统就会发出匹配警报。

在安防场景中，比如地铁闸机或演唱会入口，摄像头往往能够捕捉到正面、清晰、光照条件良好的人脸图像，匹配的成功率自然高，但在罪犯画像的场景中，情况完全不同——监控画面常常模糊不清、拍摄角度刁钻、光线昏暗，嫌疑人还可能戴着口罩、帽子或墨镜。

宾夕法尼亚大学2025年的实验研究证实，图像质量下降——特别是模糊、姿态变化和分辨率降低——会显著恶化识别性能，牛津大学学者的最新研究也揭示，人脸识别技术在实际执法应用中的性能，远低于实验室环境下的基准测试表现，实验室里99%的准确率，放到真实街头可能连一半都保不住。

更令人担忧的是，这种性能衰减并不是均匀分布的，多项研究反复证实，人脸识别系统对不同肤色、不同性别的人群存在明显的识别偏差，有研究发现，非洲裔人群的真阳性率比白人群體低了11.25%，错误率在女性和黑人群体中持续偏高，其中黑人女性受的影响最为严重。

MIT媒体实验室的研究也曾指出，商用面部识别系统对肤色较深人群的错误识别率更高，女性的错误率是男性的三倍，这一偏差的根源在于训练数据中白人男性样本占比过高。

换句话说，如果一个人脸识别系统在训练时“看”的大多是浅肤色男性的脸，那么当它面对深肤色女性时，出错的概率就会大幅上升。

这种系统性偏差在实际执法中已经酿成了不少让人扼腕的案例，美国《华盛顿邮报》历时8个月的调查发现，全美已有75家警察局在办案中使用面部识别工具，其中12个州的15家警察局仅凭这一项证据就确定嫌疑人，已造成至少8人无辜被抓。

密歇根州底特律警方仅凭面部识别结果就认定一名怀有7个月身孕的女子为劫车案嫌疑人，完全无视监控视频和证人证词中从未出现过“嫌疑人怀孕”这一事实，路易斯安那州警方跨州抓捕一名男性盗窃嫌疑人，却从未核实他案发当天是否到过现场——实际上，他压根没去过路易斯安那州。

田纳西州一位50岁的妇女被北达科他州警方依靠AI系统认定为银行诈骗嫌疑人，被跨州移送并羁押五个多月，直到她的律师提交银行记录证明案发时她身在田纳西州，指控才被撤销，巴西圣保罗的系统虽然抓到了几千名罪犯，但至少有59名无辜民众因为系统识别错误被带到警察局。

伦敦警方的数据尤其值得深思，2024至2025年度，实时人脸识别系统触发了2077次警报，官方声称其中仅10例为误报，但仔细看——80%的误报涉及黑人群体，警方解释称部署区域多与犯罪高发区重叠，这些社区黑人男性在犯罪统计数据中本就占比过高。

这个解释听起来合理，却回避了一个关键问题：当技术本身对某个群体存在系统性识别偏差时，所谓“犯罪高发区”的统计本身就可能是被技术放大的结果。

当然，技术缺陷只是问题的一部分，另一个不容忽视的因素是人的问题，《华盛顿邮报》的调查发现，在那些被确认的冤案中，办案警察屡屡违规：在6起案件中未核查不在场证明，在5起案件中未能收集关键证据，在3起案件中忽视嫌疑人的体貌特征，在2起案件中无视与算法结果矛盾的其他证据。

当警方将人脸识别结果视为“确凿证据”而非“侦查线索”，当算法给出的概率被当作事实来对待，误判就从一个技术问题变成了执法程序问题。

人脸识别技术在安防领域立下的功劳不容抹杀——它确实在追捕逃犯、寻找失踪人员、打击犯罪方面发挥了不可替代的作用，但当这项技术被用于罪犯画像，当它需要在模糊的监控画面和庞大的数据库之间做出匹配时，技术本身的局限、训练数据的偏差、以及执法者对结果的过度依赖，共同构成了一条通往误判的链条，认识到这一点，不是为了否定技术，而是为了更清醒地使用它。