原標(biāo)題：計算機能夠“識別”壞人的臉？
[晨報對話]
是否有商業(yè)前景，未在考慮中
問：該研究采用的技術(shù)是“機器學(xué)習(xí)”，是否就是“人工智能”？
武筱林：“機器學(xué)習(xí)”可以歸于“人工智能”的范疇，但不能等同于“人工智能”?！皺C器學(xué)習(xí)”可以通俗地理解為一種計算機算法程序，該程序?qū)μ厥馊蝿?wù)具有學(xué)習(xí)能力，可以區(qū)別出事物間的特征差異。
問：這項研究有挑戰(zhàn)性嗎？
武筱林：這項研究的獨創(chuàng)性在于，使用有監(jiān)督的機器學(xué)習(xí)，基于人的面部圖像特征，來推斷犯罪性的概率。其實，一年前我們就獲得了初步的結(jié)論。但是當(dāng)時我們沒有急于公開我們的研究成果，因為我們對研究的結(jié)果，還不能十分確信。因此，后續(xù)我們又進行了反復(fù)的驗證試驗，都證明了最初結(jié)論的可靠性。所以，我們才在這個月公開了我們的研究成果。
問：這項研究所采集的人臉圖像的樣本量為1856張，這些樣本量可以支撐結(jié)論的可靠性嗎？
武筱林：這些臉部圖像都是供公開途徑獲取的。受限于一定的條件，我們只采集了1856個人臉圖像樣本。當(dāng)然，樣本量越大，越有利于結(jié)論的可靠性。不過，我們認(rèn)為，基于目前的樣本量，所得到的結(jié)論也是可靠的。
問：這項研究有商業(yè)前景嗎？
武筱林：我們的這項研究，是出于科學(xué)家求真的使命而從事的一項純粹的學(xué)術(shù)研究，是否有商業(yè)前景，未在我們的考慮之中。
問：能否被應(yīng)用到執(zhí)法部門？
武筱林：該項技術(shù)能否應(yīng)用于執(zhí)法部門，我們不做預(yù)測，因為這將涉及到技術(shù)以外的諸如社會學(xué)、法律、倫理道德等諸多復(fù)雜的因素。
晨報記者 徐斌忠
某月某日，某區(qū)域發(fā)生一起命案，警方迅速采取行動，最終鎖定三名犯罪嫌疑人A、B、C，三人面部照片也被找到。隨后照片被輸入電腦，經(jīng)電腦分析計算，A就是兇手，因為他長著一張“罪犯的臉”。未來，這樣的情況可能不會是夢想。上海交大兩名學(xué)者的論文也證明了這種可能的存在。
近日，上海交大電子信息與電氣工程學(xué)院教授武筱林和他的博士生張熙做了“基于面部圖像的犯罪性概率自動推斷（Auto-matedInferenceonCrimi-nalityusingFaceImages）”的研究，證明罪犯的面部確實異于普通人。
僅憑一個人的長相真的能夠“認(rèn)出罪犯”嗎？這樣的斷案靠譜嗎？上海交大兩學(xué)者的研究成果一經(jīng)公布，就被濃縮簡化成“計算機能夠看臉定罪”，在全世界都引起一片質(zhì)疑和討論。
技術(shù)初衷是為了證偽
武筱林教授是計算機圖像處理方面的頂級專家，2003年至今他一直是加拿大麥克馬斯特大學(xué)電子與計算機工程系教授、加拿大NSERC-DALSA數(shù)字影院項目首席科學(xué)家。武筱林還是國際電氣與電子工程師協(xié)會院士（IEEEFellow），國際圖像處理界頂級學(xué)術(shù)刊物IEEETrans-actiononImageProcessing副主編。
就是這樣一位圖像處理方面的權(quán)威，在最開始的時候也是認(rèn)為：僅靠人的面部圖像就能斷定罪犯是不靠譜的。那是2011年的事情，當(dāng)時康奈爾大學(xué)的心理學(xué)研究團隊做過一項研究，將普通人的面部照片和犯罪者的面部照片混在一起，讓人觀看。實驗的結(jié)論是參加實驗者可以辨識到普通人與犯罪者的面部圖像差異特征，并據(jù)此來推斷和區(qū)分所給定的面部圖像是普通人還是犯罪者。
“這可能嗎？”對康奈爾大學(xué)的這項研究結(jié)果，武筱林不敢確信?！坝谑俏覀兿胪ㄟ^我們的方式和手段進行證偽?！蔽潴懔衷噲D對康奈爾大學(xué)的研究結(jié)論進行證偽的手段和方法，就是他本人擅長的計算機圖像處理技術(shù)。
證明罪犯面部異于普通人
兩年前，武筱林帶著他的博士生張熙開始了這項研究。
他們首先建立了一個人臉圖像數(shù)據(jù)庫，包含有1856張中國成年男子的面部圖片，其中近一半是罪犯。武筱林介紹，這些罪犯的圖片都是從公安部門網(wǎng)站上找到的，其中有一部分是通緝逃犯。
這些被挑選的圖片有特定的標(biāo)準(zhǔn)：中國男性，18到55歲之間，沒有胡須，傷疤以及別的標(biāo)記。
武筱林和張熙根據(jù)這些資料建立了數(shù)據(jù)集，再把它分為兩個子數(shù)據(jù)集：犯罪者、非犯罪者。其中非犯罪者包含1126張普通人的照片，犯罪者包含730張犯罪者（包括330張被通緝逃犯）的照片。
接下來，他們建立了四個不同的分類器（邏輯回歸，KNN，SVM，CNN），以民族、性別、年齡和面部表情作為控制要素，讓計算機區(qū)分犯罪者和非犯罪者。
實驗結(jié)果表明，四個不同的機器學(xué)習(xí)分類器取得了較為一致的結(jié)果，罪犯與普通人在面部結(jié)構(gòu)上確實存在一定差異。
他們還發(fā)現(xiàn)，犯罪分子與犯罪分子之間在面部的差異是要大于普通人與普通人之間的。換句話說，普通人都長得更為相似，而犯罪分子各有各的不同。
網(wǎng)絡(luò)斷章取義讓人難接受
原本是想對康奈爾大學(xué)的相關(guān)研究進行證偽，結(jié)果卻被證實了。
關(guān)于這個研究發(fā)現(xiàn)的論文隨后被寫了出來，但目前還沒有正式發(fā)表。武筱林說：“我們用英文撰寫的論文上載到了arXiv.org網(wǎng)站，外界就是通過這個網(wǎng)站，了解到我們的研究?！?/p>
arXiv.org網(wǎng)站是一家在學(xué)術(shù)界知名的論文預(yù)收錄網(wǎng)站，研究者為了防止自己的idea在論文正式刊發(fā)前被別人“借鑒”，會將預(yù)稿上傳到arvix 作為預(yù)收錄，上傳時間戳可以證明論文原創(chuàng)性。
武筱林團隊的研究成果一經(jīng)公開，就受到了學(xué)界的關(guān)注。
武筱林介紹說，麻省理工大學(xué)的 MITTechnologyRe-view新近介紹了這項學(xué)術(shù)研究，并對研究結(jié)論持肯定態(tài)度。哈佛和劍橋的一些研究者，也在近期通過郵件的方式，與武筱林取得聯(lián)系，進行學(xué)術(shù)的交流探討。
但武筱林略感意外的是，社會上對該項研究成果的關(guān)注，超出了學(xué)界?！熬尤贿B英國的一家大眾通俗化報紙也對我們的論文給予了報道，不過他們曲解了論文的本意?！蔽潴懔謭F隊的這項研究論文題目為“基于面部圖像的犯罪性概率自動推斷（Auto-matedInferenceonCrimi-nalityusingFaceIm-ages）”。嚴(yán)謹(jǐn)而規(guī)范的表述，對于圈外人而言，不僅讀來拗口，理解起來也有些費力。因此，有網(wǎng)站在報道該項研究成果時，取了諸如“計算機可讀臉定罪”之類的標(biāo)題。
“完整讀過我們的論文原文嗎？”武筱林對于網(wǎng)絡(luò)上的有些報道，十分不滿，認(rèn)為是在斷章取義，嘩眾取寵，博眼球。盡管研究結(jié)論乍一聽有一定的趣味性，但科學(xué)研究畢竟是嚴(yán)肅的事情。武筱林介紹說，包括互聯(lián)網(wǎng)上不負(fù)責(zé)任的報道，都沒有與他們?nèi)〉寐?lián)系。
這種做法，對于一名嚴(yán)謹(jǐn)?shù)膶＜覍W(xué)者來說，顯然是很難接受的。
該技術(shù)離應(yīng)用還有很遠
單單“計算機看臉定罪”的字面意思，的確足以令很多人產(chǎn)生浮想聯(lián)翩的技術(shù)暢想，比如，未來是不是可以研制出一種基于該技術(shù)的儀器設(shè)備，作為執(zhí)法部門的輔助工具？或者在機場、車站、重要會議場所等安檢要求較高的區(qū)域，利用該技術(shù)篩選鎖定關(guān)鍵人員，給予重點關(guān)注？由此，又延伸出更多的話題，比如該項技術(shù)的可靠性，以及是否涉及歧視等。
但對于“計算機看臉定罪”這樣表述，武筱林不認(rèn)可這是題目論文主旨的準(zhǔn)確表述。甚至他也不愿意對該研究成果進行所謂的“技術(shù)應(yīng)用暢想”。武筱林向晨報記者表示，他們所從事的是純粹的學(xué)術(shù)研究。
回到武筱林團隊的論文，既然通過有監(jiān)督的機器學(xué)習(xí)，發(fā)現(xiàn)了犯罪者與普通人的面部結(jié)構(gòu)存在差異，那么這些差異反過來是否可以作為計算機甄別普通人和犯罪者的依據(jù)呢？武筱林團隊的實驗證明，是可以的?！拔覀兪褂玫姆诸惼?，最好的表現(xiàn)是識別準(zhǔn)確率達到89%?！?/p>
既然這樣，為什么對將該項研究解讀為“計算機能看臉定罪”，武筱林卻不認(rèn)可呢？
武筱林解釋說，即便單純從技術(shù)角度而言，在實驗條件下所得到的結(jié)果，與該技術(shù)能否付之于實踐應(yīng)用，中間還有相當(dāng)?shù)木嚯x。比如，該項研究所采用的人臉面部圖像，有很多限定條件，比如年齡、性別，以及不能有胡須及疤痕等。再比如，在“訓(xùn)練”計算機學(xué)習(xí)、賦予它人工智能時，普通人和犯罪者的人臉圖像基本上是按照1∶1的比例，“喂”給分類器的，計算機則是基于這個比例的樣本量，獲得了相應(yīng)的學(xué)習(xí)能力，從而較為準(zhǔn)確地對普通人及犯罪者加以辨識。而現(xiàn)實生活中，普通人和犯罪者的比例顯然不是這樣的。
中山大學(xué)人機互聯(lián)實驗室主任翟振明在接受晨報電話采訪時表示，對于人工智能而言，要完成難度高的任務(wù)，機器必須要進行“深度學(xué)習(xí)”，而深度機器學(xué)習(xí)，有賴于大樣本量的數(shù)據(jù)庫。
