人脸识别争议与监管

一句话定义

人脸识别的技术链路（检测 → 对齐 → 嵌入 → 比对）已高度成熟，但其在公共场所的规模化应用引发了全球性争议——准确率的群体差异、未经同意的数据抓取、政府与商业滥用，使它成为第一个被多国专门立法约束的视觉技术。

为什么重要

人脸是不可更换、不可撤销的生物特征，一旦滥用损害无法挽回；对工程团队而言，人脸类需求已进入「技术可行 ≠ 法律可用」的区域——不了解监管边界，轻则产品下架，重则组织承担法律责任。这是所有视觉从业者绕不开的一站。

直观类比

人脸识别像一把不需要钥匙的万能锁：方便到「看一眼就开」，但也意味着「你无法选择不带钥匙出门」；锁的精度对不同面孔不一致（有群体差异），钥匙一旦泄露终身有效（不可撤销）——这些特性决定了它必须被区别对待。

前置知识

无硬性前置；建议先读 kp-029 了解基础模型时代背景。

核心概念

技术链路：人脸检测（如 RetinaFace 系）→ 关键点对齐 → 嵌入网络（ArcFace 类度量学习）→ 特征库比对（余弦相似度阈值）。
群体准确率差异：NIST FRVT 2019 评估显示，主流算法在跨人群比对上的误匹配率存在数量级差异（不同人群、性别与年龄组合之间），聚合指标会掩盖差异。
1:1 验证 vs 1:N 辨识：验证（是不是你）错误代价低；辨识（在库里找你）在大库下误报被放大，风险不对称。
代表性争议事件：Clearview AI 未经同意抓取网络图像建库；2019 年旧金山市政条例禁止市政机构使用人脸识别；多国机场/校园试点因抗议中止。
监管格局：欧盟 AI 法案将公共场所实时远程生物识别列为原则上禁止的高风险应用（窄例外）；中国《个人信息保护法》将人脸列为敏感个人信息，2023 年《人脸识别技术应用安全管理规定（试行）》要求单独同意、非唯一验证方式；美国呈州级碎片化（伊利诺伊 BIPA 允许私人诉讼）。
非唯一验证方式：多数监管要求提供替代验证通道，不得强制刷脸。

原理与机制

争议的三层机理。技术层：嵌入向量把人脸压成几百维向量，比对错误率随库容增长（1:N 中误报 ≈ 库容 × 单对误匹配率），且训练数据的人群分布不均导致跨群体阈值失效——在群体 A 上校准的全局阈值，在群体 B 上误报率可能放大数十倍。应用层：公共场所部署把「能力」转化为「持续监控」，被识别者无退出选项，寒蝉效应作用于合法行为。治理层：不同司法辖区在「同意」的定义（明示/单独/豁免场景）、数据留存与删除义务、算法审计要求上差异巨大，跨境产品必须按最严格辖区设计。工程对策：人群分层评测（分性别/年龄/肤色组报告 FAR/FRR）、阈值按部署人群重校、留存最小化与本地化、提供非人脸替代通道、保留人工复核。

公式与模型

1:N 辨识的误报放大：

库容 N 时的期望误报 ≈ N × FAR(1:1)
例：单对 FAR = 1e-6，库容 1e7 → 每次检索期望约 10 次误报，需排序阈值与人工复核兜底

图示

实例与案例

合规门禁改造：某园区原方案「人脸为唯一通行方式」，按监管要求改造为「人脸可选 + 刷卡/二维码并行」，明示告知、单独同意、留存模板本地化并设删除时限。跨境 App 的活体检测功能：在欧盟辖区按「生物识别高风险」完成数据保护影响评估后才上线。执法场景争议：多起「误抓」案件源于 1:N 检索后人工未做独立复核，说明「算法给候选、人来定案」的流程设计本身就是风险控制的一部分。

常见误区

「我们模型 99.9% 准确」所以可用：聚合准确率掩盖群体差异；合规视角必须按人群分组报告 FAR/FRR，且部署库容会放大误报。
技术中立，用坏了是用户的事：公共场所辨识的场景本身创造风险（持续监控、不可撤销特征），设计者与部署方承担主要责任。
1:1 验证与 1:N 辨识风险等同：辨识的误报随库容线性放大且后果更重，两者必须分开评估、分开授权。
合规只在上线前做一次：阈值、库容、人群分布都会漂移，需周期性人群分层回归与审计留痕。

与其他知识点的关系

技术链路的嵌入与度量学习概念承接 kp-016/021；「聚合指标掩盖群体差异」的方法论警示同样适用于 kp-017 的 mAP 报告；治理原则与 kp-031 的负责任 CV 框架一体两面。

自测题

为什么 1:N 辨识比 1:1 验证风险高得多？

答案要点：误报期望随库容线性放大（N × FAR），且辨识常发生在公共场所、针对不可撤销特征，误配后果严重。

NIST 2019 报告的核心发现对工程实践的直接影响是什么？

答案要点：不同人群间误匹配率存在数量级差异——必须分人群评测并按部署人群校准阈值，不能依赖聚合准确率。

产品「强制刷脸才能进入小区」为什么普遍不合规？

答案要点：人脸属敏感个人信息，多数监管要求单独同意且提供非人脸替代验证方式，强制即违反最小必要与可选择性原则。