連Windows hello都採用的人臉識別,安全靠譜嗎?
連Windows hello都採用的人臉識別,安全靠譜嗎?
2015.09.08 | 科技

前言: 廣泛關注的windows hello在6對雙胞胎中的人臉識別錯了1對,錯誤率達16%,但此技術為何還是受歡迎?同樣是非接觸採集的虹膜識別,號稱精確度最高,為什麼還沒有廣泛應用?

在Nicolas Cage還沒過氣的時代,他和同樣還未過氣的約翰屈伏塔演過一部經典的電影《變臉Face/Off》。這部罪案電影的導演是當時在好萊塢蓄勢待發的吳宇森。影片中警察和罪犯互換臉,因而引發了一連串故事。

現實社會中,人與人倒是不可能這麼容易的換臉,不過在整容技術如此發達的今天,一個人的容貌確實不太可靠。

Windows hello是微軟推出windows 10時採用的一種生物特徵授權方式,讓你能通過識別生物特徵訪問你的windows 10設備。

**據微軟介紹,進行身份驗證的方式有三種,指紋識別、面部識別、虹膜識別。**其中的面部識別是Windows Hello的重點項目。微軟稱,在其內部測試中,windows hello對於人臉的錯誤識別率僅為十萬分之一(0.01%),拒絕識別率為2% - 4%。

最近,這一功能受到了考驗。報紙《The Australian》邀請了六對來自墨爾本和雪梨的雙胞胎(五對女性和一對男性)來進行測試,看windows hello能否正確識別他們。在使用windows hello進行人臉註冊和識別的過程中,前五對雙胞胎均成功通過,但有一對雙胞胎在註冊了一人後,兩人都無法登陸。無法登陸的那對雙胞胎分別叫Isabelle和Natasha,她們的照片如下。

測試中,windows hello無法識別的那對雙胞胎

人臉識別,聽上去似乎比千篇一律的密碼可靠,但是掌握著極高技術的微軟windows hello居然在6對雙胞胎中認錯了1對,錯誤率為16%。

##人臉識別錯誤率這麼高,為什麼依然受歡迎?

**實際上,人臉識別技術達到的最高精度97.25%,是由Facebook在2015年剛剛創造的。**這個精準度大約只相當於人通過肉眼識別的水平。人臉識別如此受歡迎,主要是因為簡單好用。不像指紋需要專門的採集器,虹膜需要紅外攝錄影機,電腦和手機必備的普通攝錄影機就可以輕鬆滿足人臉識別的硬體要求。

**生物認證的匹配過程分為合作式、非合作式兩種。**大部分生物認證系統需要人主動配合,比如一個人有意且自願地按壓手指。然而,指紋的主動配合度還不夠。當一個人熟睡時,別人可以趁機將他的手指放在指紋識別器上,輕鬆解鎖手機,進行支付。

人臉識別也是如此,甚至不需要接觸,就可以通過隱藏攝錄影機或趁人熟睡時拍下照片,進入個人帳戶。不過,正因為人臉識別可以秘密採集數據,在當事人未知的情況下,輕鬆獲取他的臉形,判斷他的身份。因此,人臉識別更適用於鎖定犯罪嫌疑人,只需一個普通攝錄影機。

延伸閱讀臉被遮住,臉書新臉部辨識功能仍能正確辨識

不足的是,人臉非常容易偽裝,比如中亞地區的人受宗教文化背景影響,女性用黑紗遮住臉,男性留有大鬍子,幾乎只有眼睛可見。人臉識別三種主流算法之一的特徵臉型,目前已被證明不能像人眼一樣排除偽裝的影響,這意味著,位置、姿勢、表情、臉部毛髮或眼鏡,都會影響人臉識別的精確度。

因此,人臉識別的過程往往還需要加入其他生物特徵,進行多模組識別以提高安全性、準確性。雖然存在著諸多缺陷,但是面部本身的大面積、識別過程的秘密性,也成為了人臉識別的「獨門絕技」。

##精確度最高的虹膜識別,為什麼還沒有廣泛應用?

在各種不同的生物特徵中,虹膜是最健壯、最持久的。

一種生物特徵能否被用作生物識別,由健壯性和獨特性兩個因素決定。健壯性與這種特徵的持久、穩定有關,獨特性決定了這種特徵的差異性是否大到能夠被測量出來。健壯性和獨特性決定了生物特徵的準確性。

**在正常健康情況下,虹膜從出生6個月直到死亡都保持不變。**虹膜的紋理具有極高的複雜多樣性,屬於表現因素,在胚胎發育的早期形成,與基因沒有依賴關係。表現因素使某種生物特性在人群中呈現出更大的差異。因此,即使是同卵雙胞胎,甚至是一個人的左右眼,虹膜圖像也完全不同。

從技術上說,虹膜識別是一流的、最精確的。

優秀的虹膜識別技術商,能夠將錯誤率(FAR)控制在500萬分之一(0.00002%),幾乎杜絕了出錯的可能性。

虹膜識別技術應用的最大障礙,是眼盲而不能註冊。

**虹膜識別是一項前衛的科學研究。算法、硬體、圖像的三重高成本,使得虹膜識別技術主要滿足行業需求,難以覆蓋消費領域。**近年來,隨著國內擁有自主研發算法的虹膜識別技術商的成熟發展,一些技術商希望加深對於產品形態、交互設計、用戶體驗、增值模式的深層次理解,把握未來市場趨勢,也開始做消費類虹膜識別產品。

虹膜的小尺寸給遠距離掃描帶來了一定困難。不過,在小於30厘米的近距離範圍內,虹膜依然有著不可比擬的優勢,如一頭猛獅。虹膜識別是一種高效的技術,訓練用戶所需的時間不超過5秒鐘,時間主要花在用戶將他/她的眼睛對準一面小鏡子。一旦圖像被採集和處理之後,實際的計算機匹配處理是非常快速的,時間在毫秒量級。

在精確度、高效性、適應性三方面都非常出色的虹膜識別,如果能夠突破遠距離掃描這一限制,完全可以解決人臉易偽裝的問題,成為「最好的生物識別技術」。

延伸閱讀:金融領域應用人臉識別技術 進入「人臉辨識時代」面臨挑戰

**任何一種生物認證方式,無論是指紋、掌型、語音,還是人臉、虹膜,都有著各自的優劣和不同的應用場景。**指紋最廣泛,成本低,很容易與手機集成;人臉最方便,普通攝錄影機,在人流密集的出入口鑑別嫌疑人;虹膜最安全,500萬分之一的錯誤率,適用於近距離的支付與訊息安全。

如果windows hello中採用虹膜識別,也許結果會讓人大吃一驚呢。

原文出處:鈦媒體

關鍵字: #微軟 #人臉辨識
往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。
依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓