人臉辨識（face recognition）
/ fays rek-ug-NISH-un /
人臉辨識要判定的是「這是誰的臉」。常見的流程有三步：先偵測出有一張臉、並定位它在哪裡（人臉偵測），再把那張臉轉換成一串緊湊的數字——人臉特徵碼（即嵌入），用來刻畫它獨特的幾何形狀，最後把這串特徵碼與其他的相比較。在這個數字空間裡靠得很近的兩串特徵碼，會被判定為同一個人。它本質上是在測量兩張臉有多相似，並以「距離」來表達。
一個名字底下藏著兩件事，而它們的區別很重要。驗證問的是「這個人和那個人是同一個嗎？」——一對一的核對，就像你的手機確認那是你本人。辨識問的是「在這成千上萬人裡，這是誰？」——一對多的搜索，就像拿一份監控名單去掃描一群人。後者難得多，也危險得多：在一個龐大的資料庫裡搜索，意味著哪怕每次比對的錯誤率極小，從絕對數量上看也會產生大量的錯誤匹配。
這是本領域裡倫理負擔最重的話題，誠實要求我們把局限說白。準確率會隨圖像品質、角度、光照、年齡而大幅波動，而且關鍵地隨人群而變——由於訓練數據有偏，許多系統對女性、對膚色較深的人，錯誤率明顯更高。一次自信的匹配，是統計上的相似，而非證明。出錯的後果——一次錯誤的逮捕、一次被拒之門外——落在活生生的人身上，這正是為什麼用於監控和執法的人臉辨識飽受爭議、受到監管，並在一些地方被禁止。技術「能用」，和它「該不該部署」，並不是一回事。
手機解鎖是「驗證」：它只存了你的一串人臉特徵碼，每次解鎖都只與這一串核對——一對一、風險低，而且你還能退回去用密碼。而警方拿一份一萬人的名單去掃描一座體育場人群，則是「辨識」：哪怕只有0.1%的錯誤匹配率，一次掃描也可能誤標出幾十個無辜的人。
驗證（一對一）容易且低風險；辨識（一對多）會把罕見的錯誤放大成真實的傷害。
已被記錄在案的偏差，是頭號警示：許多人臉辨識系統對女性和膚色較深者明顯更不準，所以一次「匹配」可以既自信又錯誤，且後果嚴重。廠商公布的準確率，是在有利的測試集上測出來的，在真實監控條件下往往站不住腳。