武筱林告诉澎湃新闻，他目前还是打算专心把这个工作进一步做得更严谨、更充分，这项研究的成熟程度离应用还很遥远，他们目前也没有任何走向应用的打算。

“从另一个角度讲，我们的研究也可能为反歧视提供依据”。但他也坦言，人工智能研究应如何划定价值伦理的禁区，是个很严肃的问题，光凭他个人难以回答。

“现在世界范围里都存在这样的争论，人工智能已经发展到这一步了。”

那么，武筱林和张熙的这项研究，到底是怎么进行的呢？

通过学习，机器辨认出罪犯照片的准确率在86%以上

实验选取了1856张中国18到55岁男性的照片，面部无毛发遮挡、无伤疤或其他标记，并将它们归为罪犯组和非罪犯组。非罪犯组包含1126张用“网页蜘蛛”从互联网上抓取的照片，人群来自社会各行各业：服务员、建筑工人、司机、医生、律师、教授等。罪犯组共730张照片，其中330张来自公安部或省级公安厅的通缉令，400张由一所与实验组达成保密协议的公安局提供。在这730名罪犯中，235名涉及暴力犯罪，包括谋杀、强奸、人身侵犯、绑架和抢劫，其余则犯下了偷窃、欺诈、贪污等非暴力罪行。所有照片都被调整为80cmX80cm大小，并对亮度和灰比都进行了控制，尽量避免对结果造成影响。

研究使用的照片样本。a组为罪犯，b组为非罪犯。

实验用4种分类器（逻辑回归，KNN,SVM,CNN）对样本进行检测，发现它们都能较成功地对罪犯和非罪犯组进行分类，准确率在86%以上。

4种分类器的准确率。

武筱林和张熙进一步发现，罪犯和非罪犯在面部特征方面最显著的差别在内眼角间距、上唇曲率和鼻唇角角度这三个测度上。平均来讲，罪犯的内眼角间距要比普通人短5.6%，上唇曲率大23.4%，鼻唇角角度小19.6%。

图b标注了存在差异性的3个特征点。表4为罪犯组和非罪犯组在3个特征点上的平均值和偏离值。

最后，他们发现计算机模拟出来的罪犯和非罪犯的“平均脸”比较相似，但罪犯间的面部特征差异要比非罪犯大。也就是，非罪犯群体间彼此长得更为相似，变化幅度更小。