也許最糟糕的一個例子是：2015年一位軟件工程師報告稱，谷歌照片的圖像分類算法將非裔美國人識別成“大猩猩”。

上一次在今年夏天，美國公民自由聯盟（American Civil Liberties Union）對Rekognition進行了一項測試（亞馬遜質疑該測試的準確性）：把25000張罪犯面部照片和國會議員的官方照片進行比較。結果Rekognition將28名議員誤判成罪犯，其中有色人種的錯判率占到38%。

亞馬遜表示它一直在努力提高Rekognition識別的準確性，最近一次重要技術升級在去年11月進行。

亞馬遜對這項研究提出質疑。它表示，Rekognition升級版的內測結果顯示，該技術對于識別性別的正確率不存在人種差異。此外，亞馬遜認為這篇論文沒有清楚地說明在實驗中使用的置信度閾值，即Rekognition的判斷被認為是正確而必須達到的最低精確度。

該項研究的合著者稱，在2018年進行的實驗中，Rekognition錯誤地將19%的女性圖像識別為男性，將31%的深膚色女性圖像識別為男性。相比之下，微軟在識別深色皮膚人群性別時，將女性錯認為男性的比例只有1.5%。

弗吉尼亞大學（University of Virginia）進行的另一項研究顯示，ImSitu和COCO（兩個知名的圖像數據集）在描述體育、烹飪和其它活動時表現出性別偏見（其中COCO由Facebook、微軟和初創公司MightyAI共同贊助）。例如，購物圖片傾向于與女性相關聯，而教練圖片則與男性相關聯。

今年6月，域名注冊，微軟與人工智能公平方面的專家合作，修訂并擴展了用于培訓Face API的數據集，Face API是微軟的一套算法程序，用于檢測、識別和分析圖像中的人臉。隨著新數據包含膚色、性別和年齡等信息，算法程序對深膚色的男性和女性的錯判率分別降低了20倍和9倍。

無獨有偶。

在給外媒的一份聲明中，亞馬遜云服務平臺深度學習和人工智能總經理馬特·伍德博士（Matt Wood）對面部分析和面部識別這兩個概念進行了區分：面部分析指的是在視頻或圖像中辨認出臉部，并確定其一般屬性；而面部識別是將單個人臉與其它視像中的人臉相匹配。他說，根據“面部分析”的結果來判斷“面部識別”的準確性是“不可行的”，而且他認為這篇論文所談論的和“客戶如何使用Rekognition”是兩回事。

與IBM、微軟的同類技術相比，亞馬遜的人臉分析軟件分辨某些人種性別的正確率較低。這是麻省理工學院（MIT）研究人員在近日發表的一項新研究中得出的結論，該研究發現，在特定情況下，Rekognition（亞馬遜圖像識別技術）無法可靠地辨別女性和深膚色人群。

這是亞馬遜第二次被質疑Rekognition存在偏見。

但是人臉識別技術的某些進展也是令人鼓舞的。

下周在夏威夷檀香山（Honolulu）將舉行“人工智能、倫理和社會促進會議”，國內服務器租用 服務器托管，而麻省理工學院的研究結果將在會上公布。

伍德博士說：“使用最新版本的Rekognition，從議會網站和Megaface人臉數據庫下載百萬張圖像數據，我們發現，置信度閾值設置為0.99時，誤報數為零。我們通過錄入和反饋來不斷改進這項技術，且支持創建第三方評估、數據集、衡量基準。”

伍德博士補充說：“我們為這一領域的學術研究提供了資金，也對自己的團隊進行了大量投資，而且努力還將繼續。我們致力于改善面部識別、面部分析，強調解釋結果時有很高的可信度，也會重點關注人工審查的作用、標準化測試等方面。我們感謝為改善這些技術做出貢獻的客戶和學者。"

2012年的一項研究顯示，Coigntec（德國從事生物特征識別技術的公司）的人臉識別程序在識別非裔美國人和白種人時存在差距，前者比后者的錯判率高出5%到10%。2011年的一項研究顯示，中日韓開發的人臉識別模型難以區分白種人和東亞人。今年2月，麻省理工媒體實驗室進行的研究表明，微軟、IBM和北京曠視科技（Megvii）通過人臉識別性別的錯誤率如下：7%的淺色皮膚女性和12%的深色皮膚男性被認錯，而深色皮膚女性的錯判率甚至高達35%。