近日，《自然》雜志發(fā)表了一篇論文，利用人工智能研究了性格和面部特征之間的關系。研究團隊征集了12000多名志愿者，利用人工智能技術通過31000多張自拍學習了128種人臉特征，并且將志愿者的人格特征分為五類，即責任心、神經質、外向性、親和性、開放性。結果顯示，AI在基于靜態(tài)面部圖像預測性格方面的準確率達到了58%，其中對于責任心的準確率高于其他四個人格特征。用AI識別性格，這種“玄乎”的操作讓人不禁聯(lián)想到之前在網上大為流行的“AI相面”，而事實證明，利用AI相面是假，坑錢是真。

那么這次《自然》雜志發(fā)表的研究成果和“AI相面”有哪些區(qū)別呢，我們是否真的可以通過面部特征窺見人心？

通過映射函數(shù)確定面部和性格關系

“‘AI相面’并不可靠，大多是數(shù)據擬合出來的一個牽強附會的結果。”中國科學院自動化研究所研究員孫哲南接受記者采訪時表示。

“‘AI相面’并不可靠，大多是數(shù)據擬合出來的一個牽強附會的結果。

孫哲南表示，與“AI相面”不同的是，論文中的研究采集了大量樣本，并用計算機深度神經網絡模型學習了人臉特征與性格之間的關聯(lián)映射函數(shù)。論文顯示，研究最初的樣本參與者達到25202名，照片總數(shù)達到了77346張，經過數(shù)據篩選程序，最終得以保留的數(shù)據集包含12447份有效問卷和31367張照片。這些參與者的年齡介于18歲至60歲之間，其中女性占比59.4％，男性占比40.6％。在此基礎上，研究團隊用神經網絡評估了人臉的128種特征，比如嘴巴寬度、嘴唇或眼睛高度，確保了實驗覆蓋的數(shù)據量級和多樣性。得到數(shù)據之后，研究人員將數(shù)據分為兩組，一組用來訓練AI，一組用來測試神經網絡的準確性。實驗中的兩類數(shù)據，用于訓練的數(shù)據集占比90％，用于驗證的數(shù)據集占比10％。

在AI系統(tǒng)的設計上，研究人員開發(fā)了一種計算機視覺神經網絡（NNCV），來區(qū)分不同的面孔，并且記住面部圖像的特征。同時，研究團隊還訓練了人格診斷神經網絡（NNPD），NNPD根據從NNCV分析出的信息，預測輸出五種人格特質，整個過程分別針對男性和女性面部識別進行。

進行情感計算需先建立與心理活動的關聯(lián)

通過上述研究我們不難發(fā)現(xiàn)，目前人臉識別已經有從“讀臉”到“讀心”的發(fā)展趨勢，那么通過照片、視頻等識別人臉表情，人臉識別技術需要哪些發(fā)展？

孫哲南認為，人工智能的“讀心”功能目前主要是通過情感計算實現(xiàn)。

早在1997年，MIT媒體實驗室就提出了情感計算的概念，情感計算旨在通過賦予計算機識別、理解和表達人的情感的能力，使得計算機具有更高的智能。在情感計算的研究中，情緒識別是最基礎、最重要的內容之一。而情緒識別主要通過面部表情、語音、文字、生理信號等模態(tài)的數(shù)據，來識別出人類的各種情緒。

“目前情感計算已有一些研究成果和進展，但是技術還不夠成熟。通過表情分析心理活動是情緒識別不可缺少的方式，但表情識別比人臉識別更加難，因為心理活動的表現(xiàn)因人而異，很難統(tǒng)一建模全球所有人的喜怒哀樂與人臉數(shù)據之間的量化關系。首先給人臉圖像標注情感類別和強度就是很難的事情，‘一千個觀眾眼中有一千個哈姆雷特’；此外，情緒判定存在主觀性甚至摻雜地域文化風俗習慣等因素。”孫哲南說，因此從識別身份到識別表情，人臉識別技術需要更先進的計算模型建立人臉圖像、視頻與心理活動之間的關系。但目前機器人有智商無情商，達到高度和諧的人機共存仍然任重道遠。

此外，孫哲南強調，如果通過面相自動判斷性格的技術到達成熟階段，這種技術將會在企業(yè)招聘、職業(yè)規(guī)劃、人機交互、廣告營銷等領域得到應用。但這種基于面相的性格識別會先入為主地判定人物性格，進而帶來一些倫理問題，例如性格歧視與偏見等。
責任編輯：tzh