人工智能與嫌犯追蹤

張田勘

人工智能（AI）已經廣泛并且深入地介入人類的生活，其中的人臉識別技術更是滲透和應用于各個領域，比如：司法、刑偵（刑事鑒識）、電子護照及身份證、金融和保險業的自助服務、IT和網絡的安全保護等。

近日發生的一件備受關注的案件，也體現了AI特別是人臉識別在警察破案中所起的作用。居住于中國杭州三堡北苑4幢的來女士于2020年7月5日失蹤，6日家人報案，23日警方通報來女士已遇害，其丈夫許某某有重大作案嫌疑。從來女士失蹤到破案，警方只用了18天時間，原因在于，警方動用了多種刑事鑒識手段，其中就包括AI技術。

杭州警方先后4次地毯式排查1萬多平方米的地下車庫和附近所有電梯井、水箱、窨井、儲物柜、煙道、通風管道，查看近6000小時的監控錄像，沖洗38車糞水，走訪詢問小區6幢單元樓、379戶人家、1075位居民……在海量的偵查工作中，警務AI的介入加速了破案進程。

來女士所在的小區有內部監控96個、外圍監控近千個，警方在調查中，需要查看、處理的數據量巨大，其中一些就需要AI來進行大數據研判分析。在AI的幫助下，警方判斷化糞池可能存在相關證據，最終讓真相水落石出。至于AI是如何幫助警方破案的，為了避免其他人模仿作案以及掌握更多反偵查技巧，警方未公布更多細節。

AI能介入刑事鑒識，監控錄像功不可沒。過去是舉頭三尺有神明，現在是舉頭三尺有監控。監控是對人和物的特征和行動的錄像記錄，但需要人工和AI去辨識。顯然，此次警方利用的人臉識別技術中既有直接人臉辨識，也有間接人臉辨識。前者是要查看來女士的去向，后者是要辨識與小區有關的人員是否有作案的可能性。與案情有關的監控錄像時長近6000小時，如果沒有AI介入，是不可能在短時間內確定來女士的行蹤和物證的提取場所的。對監控錄像中大量的人物進行識別，也需要在AI的協助下完成。

但是，按照目前的人臉識別技術，即便有完整的正面圖像，AI識別有時也會看走眼，更不用說沒有頭部和正面圖像出現的畫面，對于這些畫面AI幾乎毫無辦法。因此，可以說，AI在來女士失蹤案中起了作用，但還不夠，需要警方以人工方式來進行進一步的人物識別，以確定來女士是否走出其居住的小區。

此次刑事鑒識的一個重要信息是，在三堡北苑4幢電梯監控視頻中，有一幀只有下半身的圖像。如果讓AI來辨識這個圖像，很難斷定這個下半身影像是否為來女士。按照現有的人工智能算法，這種圖像很容易被忽略，因為它沒有人臉識別中的面部信息，甚至根本不具備任何面部特征。由于下半身的圖像沒有人臉出現，因此無法動用AI來辨別和確認，唯一的辦法就是要靠人工（警察）來辨認。因此，從理論上分析，此次來女士失蹤案，最大的可能是AI和人工結合進行刑事鑒識，并鎖定來女士并未走出小區。

不過，如果監控錄像中出現了來女士的面部影像，AI是否就能準確辨認出目標并且避免誤判呢？這要從人臉識別的原理進行分析。

實際上，人臉識別即人臉圖像匹配與識別，是把提取到的人臉圖像的特征數據與數據庫中存儲的特征模板進行搜索匹配，并設定一個閾值，當相似度超過這一閾值，就會確認匹配。基于深度學習算法的AI系統可綜合運用運動跟蹤、人臉檢測、人臉識別、大規模人臉檢索等技術，借助大數據平臺，實現實時視頻或離線視頻的動態人臉識別、分析和處理，對嫌犯和在逃人員進行篩選、鎖定。當采集到的面部信息與后端數據庫進行比對，并確認達到閾值后，系統就會發出警告信息。

按照這個原理，在刑事鑒識中需要AI具有非常精確的比對率，否則就有可能引起誤檢和漏檢，而誤檢率和漏檢率也是評判AI是否靠譜的兩個重要標準。誤檢是把無當有，如臨床上AI把一張圖片上的致密影像判定為腫瘤，這種誤檢當然會造成誤診，而在刑事案件中的誤檢會冤枉和誤傷好人，并且會放走真正的嫌犯。漏檢則是影像中有真正的嫌疑人但未檢出。如果在監控視頻的快速檢索中出現了嫌疑人的影像，但被AI漏掉了，會讓整個案件無解，即使有其他證據，也無法形成閉環的證據鏈來對嫌疑人定罪。

當然，AI的發展可以避免其短板，如對數據做某種更大范圍的分布假設，但是這一方面可能造成誤檢，另一方面也無法保證不滿足該假設的樣本能被正確分類或預測。因此，AI也不可能把誤檢率和漏檢率降到零。因此，需要AI和人工結合進行刑事鑒識。同樣，在醫療、消費等其他領域，如辨別產品的真偽等，也需要兩者結合。

即便是有規律可循的AI人臉識別，也會犯錯。原因在于，人臉具有類似性，即便個體之間存在差異，但所有人的面部結構都相似，容易讓AI誤判。此外，人臉還有易變性，除了隨年齡增長而出現的面部特征改變外，還可以因為臉部的各種表情而導致同一人有不同的面部特征差異，而且從不同角度觀察，人臉的視覺圖像也相差較大。再加上光照條件差異（如白天和夜晚，室內和室外等）、一些遮蓋物（如口罩、墨鏡、頭發、胡須等）遮臉，人臉識別也難以準確地識別和匹配個體。

2018年美國公民自由聯盟（ACLU）在一次測試中使用亞馬遜的人臉識別系統Rekognition，后者將535名美國國會議員中的28人誤判為罪犯，錯誤率達到5.2%。但是，亞馬遜回應稱，其軟件的設計本意是輔助人類工作，造成誤判的原因是ACLU在測試中使用了錯誤的設置，將識別閾值定為80%。一般在警方工作中建議閾值不低于99%，閾值下調就會誤檢出更多的嫌疑人，反之則會漏掉一些嫌疑人，因此這不是Rekognition的錯。

盡管如此，2019年5月14日，美國舊金山城市監督委員會還是以8票對1票通過一項法令，禁止城市工作人員購買和使用人臉識別技術。舊金山成為美國第一個禁用人臉識別系統的城市。后來，美國馬薩諸塞州的薩默維爾市也宣布禁止當地警方和市政部門使用面部識別軟件，成為美國第二個禁止使用人臉識別技術的城市。

至于在企業、住宅安全和消費等方面應用人臉識別，更是有很多漏洞并受到公眾的質疑，比如，擔心隱私泄漏。當人臉識別技術越來越普及時，如上班、進小區、取廁紙、點餐、結賬、住酒店等都要刷臉，人臉識別的負面作用也會進一步顯現。例如，如果人臉信息泄漏后，該怎么換臉？

杭州來女士失蹤案進一步說明，AI需要發展，但更需要人的掌控和指揮。