連Windows hello都採用的人臉識別，安全靠譜嗎？|數位時代 BusinessNext

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

從AI模型到AI經濟，企業競爭焦點轉向算力與Token調度能力

過去市場談AI，焦點多半放在模型參數、推論效能與模型能力，但在大型語言模型推論需求暴增的現下，AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程；企業真正需要的，不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後，全球AI產業正逐步從模型競賽轉向「AI經濟」，亦即，影響企業AI決策的再也不是使用哪個模型、部署多少GPU，而是消耗多少Token、產生多少AI服務，以及算力是否能被有效共享與調度。

換言之，在AI新世界，算力調度能力的重要水漲船高。對此，陳文裕十分認同的說：「企業想要提升AI競爭力，不僅要掌握模型與應用，還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命，甚至是如何將閒置算力轉變成可交易的資源等。」

事實上，這也是大量AI資料中心（AIDC）跟新世代AI雲端服務（Neo Cloud）業者出現的原因，包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式，提供企業所需的GPU服務與AI算力平台。

看準這波趨勢，數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務，協助客戶提升GPU使用率，更進一步推出ixCSP平台，讓雲端服務供應商與新世代AI雲端業者，能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰：模型快速升級、算力需求攀升、GPU世代交替迅速，企業在追逐AI落地的同時，勢必得面臨基礎建設更新速度過快、硬體投資壓力升高，以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡，數位無限的作法是，透過AI-Stack將底層硬體抽象化，以Token或模型服務形式提供，讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如，高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題，加速39項AI模型進入臨床應用階段，成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步，為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源，也可以透過ixCSP平台，把算力共享或調度給集團內部團隊、子公司，甚至上下游合作夥伴使用，進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設，企業真正需要的，也不再只是單一模型，而是一套能持續適應AI快速演進的AI Infra，而這與數位無限近年來的重要轉型方向一致：從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商，更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值，數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案，協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境，降低企業從PoC走向實際導入的門檻，加速AI落地。

總的來說，隨著AI競爭從模型能力延伸到算力治理，企業比拚的不僅是導入速度，而是能否建立一套足夠彈性、可持續演進的AI Infra，而這與數位無限的發展目標一致，將持續不斷優化產品服務，化身企業搶進AI新世代的關鍵合作夥伴。