在過去的五年裡，人臉面部識別已經成為人工智慧（AI）未來的競爭之地。這項有爭議的技術概括了公眾對不可避免的監控、演算法偏見和人工“智障”的擔憂。
在計算機視覺領域，有偏見的面部識別問題被解釋為呼籲建立更具包容性的資料集和模型。我認為相反，研究人員應該批判性地詢問計算機視覺不能或不應該識別的內容。
識別是計算機視覺中最古老的問題之一。對於該領域的研究人員來說，識別是一個檢測和分類的問題。或者，正如《機器視覺》所述，“物件識別問題可以定義為基於已知物件模型的標記問題。”
當識別應用於人時，就變成了使用視覺屬性來確定影象中描繪了什麼樣的人的問題。這是人臉識別 (FR) 和人臉面部分析 (FA) 的基礎，人臉識別 (FR) 試圖將一個人與其先前捕獲的面部影象聯絡起來，人臉分析 (FA) 聲稱可以透過一張臉的影象，識別出差種族、性別、性取向或情緒等屬性。
人工智慧和機器學習 (ML) 研究（例如，卷積神經網路和深度學習）的最新進展在人臉識別和人臉分析模型的技術性能方面取得了巨大進步。這些效能改進開創了人臉識別的新時代，並在商業和機構領域廣泛應用。然而，演算法審計已經揭示了在對不同人口群體進行面部識別和分析任務時的表現差異，尤其是對於深色面板的女性來說準確度較低。
作為對這些審計的回應，機器學習社群中的公平、問責和透明度 (FAT) 已開始為模型訓練和評估構建更大、更多樣化的資料集，其中一些包括合成人臉。這些努力包括在這些照片中描繪的人不知情的情況下從網際網路上抓取影象，導致一些人指出這些專案如何違反有關隱私和同意的道德規範。
建立多樣化資料集的其他嘗試甚至更令人不安，例如，當Google承包商向洛杉磯和亞特蘭大的黑人無家可歸者索取人臉面部掃描時，他們會得到 5 美元的星巴克禮品卡作為報酬。這些努力提醒我們，包容並不總是意味著公平。他們還提出了一個問題，即研究人員是否應該收集更多關於已經受到嚴密監控的人的資料，以便構建可用於進一步監控他們的工具。這與 Keeanga-Yamahtta Taylor 所說的掠奪性包容有關，即所謂的包容性計劃對邊緣化人群（尤其是黑人社群）造成的危害大於好處。
公平、問責和透明度社群的其他工作試圖透過設計新的資料取樣策略來解決有偏見的人臉識別和不平衡的問題，這些策略要麼對少數人口統計資料進行過取樣，要麼對大多數人進行過取樣。
另一種方法是建立“偏見感知”系統，該系統學習種族和性別等屬性以提高模型效能。 這些系統首先從影象中提取人口統計特徵，然後將其用作面部識別任務的明確線索。 簡而言之：他們首先嚐試檢測一個人的種族和/或性別，然後使用該資訊使面部識別更好地工作。 然而，這些方法都沒有質疑這樣的基本前提，即種族、性別和性取向等社會類別是可以僅基於視覺線索識別的固定屬性——或者為什麼在我們的社會中需要對這些屬性進行自動識別。
這個問題的癥結在於身份和外表之間的微妙交集。例如，種族是一個與表型相關但不等同的社會類別。因為種族不是客觀或自然的描述，所以不可能根據他們的形象明確地識別出一個人的種族，任何這樣做的嘗試都會很快轉向科學種族主義的領域。同樣，雖然性別的表現往往包括某種刻意的審美自我呈現，但僅憑外表是無法辨別的。視覺線索可以暗示某個社交群體中的成員身份，但它們並沒有定義它。
相比之下，在社會科學和許多激進主義空間中，認可被理解為一種源自共同歷史和身份的社會過程。正如哲學家格奧爾格·黑格爾（Georg Hegel）所描述的那樣，承認是相互的和主體間的。我們透過被他人認可來發展和肯定我們的身份感。此外，社會認可是持續的，因為人們不是固定的，我們彼此之間的關係也不是固定的。
同時，在計算機視覺領域，識別始終是片面的視覺評估。此外，計算機視覺的分類方法通常會強加相互排斥的類別——你只能屬於一個——而從社會角度來看，我們將身份視為多重和交叉的，某些特徵如性別或性取向存在於某種光譜中。當面部分析系統分配一個與一個人的自我身份相矛盾的標籤時——例如，當將一個人歸類為錯誤的性別時——這可能是一種有害的錯誤識別形式。
相比之下，社會認可就像是一種肯定的點頭，說我看你就像你看自己一樣。 或者，正如斯圖爾特·霍爾 (Stuart Hall) 所說，共享身份建立在“對某些共同起源或與另一個人或團體或一個理想的共同特徵的認識，以及建立在此基礎上的團結和效忠的自然關閉”。
歸根結底，任何計算機視覺專案都基於這樣一個前提，即一個人的外表可以告訴我們一些關於他們內心的明確資訊。這些系統完全基於外觀，而不是身份、團結或歸屬感。雖然面部識別可能看起來很未來，但這項技術從根本上是向後看的，因為它的功能取決於過去的自我形象和過時的人分類方式。 展望未來，與其問如何使人臉識別更好，或許問題應該是：我們希望如何被識別？
拓展閱讀
人臉識別技術是一種高精度、易於使用、穩定性高、難仿冒的生物識別技術，具有極其廣闊的市場應用前景。在公安、國防、海關、交通、金融、社保、醫療及其他民用安全控制等行業和部門存在著廣泛的需求。
我們TSINGSEE青犀影片的研發人員近期也在積極開發人臉檢測、人臉識別、人流量統計、安全帽檢測等AI技術，並積極融入到現有的影片平臺中。典型的示例如EasyCVR影片融合雲服務，具有AI人臉識別、車牌識別、語音對講、雲臺控制、聲光告警、監控影片分析與資料彙總的能力，廣泛應用在小區、樓宇的智慧門禁，周界可疑人員徘徊檢測、景區人流量統計等場景中。
