對于 AI 技術來說，我們人體簡直就是一個大數據的寶藏。

最近發表在《自然·生物醫學工程》雜志上的“斯坦福智能馬桶”，成為人們熱議的“最有味道”的 AI 應用。這款馬桶可不是那種只會“自動清洗、烘干、除臭”的偽智能馬桶，而是可以分析人的糞便、尿液，同時還能識別人的菊（gang）紋的真智能馬桶。

斯坦福研究人員表示，正如世界上沒有兩片完全相同的樹葉，世界上也沒有兩片完全相同的——菊紋（為此，研究者特意新造了一個組合詞 Analprint）。

菊紋識別的用處，倒是沒有什么直接診斷疾病的功能，而只是一個身份識別功能。因為研究人員細心地發現智能馬桶并不只是由一個人使用，盡管在沖水按鈕上安裝了指紋識別，但也可能存在便后不沖水的可能，這樣會出現“人便不一”的情況。

那菊紋識別就完美地解決了這一問題，畢竟排便的同時就做到身份識別，那自然是百分百準確無誤了。為斯坦福研究人員的機智點贊，并配上一張美圖來沖淡下大家腦補出的畫面！

恭喜人類，在有了人臉、指紋、聲紋、虹膜、DNA 之后，我們又解鎖了一種識別人類身份的新技能。當然，人體的大數據富礦還有很多，利用 AI 技術對于人類大數據的研究可謂層出不窮。

借此機會，我們可以對近兩年來 AI 在人體特征、疾病以及行為等研究做一場浮光掠影式的總結，看看 AI 技術在人類身上有哪些奇葩的識別應用？

人體大寶藏，就是一個行走的數據庫

AI 進入我們的日常生活，已經是一個不爭的事實，其差別只是我們是否能夠意識到 AI 的存在。人臉識別、指紋識別幾乎是每天都在用的手機功能。智能音箱的語音識別在隨時等候你的召喚，你常用的輸入法在預測你接下來想打的字，你常看的新聞客戶端和短視頻在記錄你的偏好，推薦你喜好的內容……

比你更了解你的，不再是你的媽媽，而是無處不在的 AI。比做自己來得更真實的你，不再是你立下的 Flag，而是你無時無刻留下來的數據。如果你還操心《西部世界》里仿真人的自由和解放，還不如多了解下 AI 對我們身體了如指掌的程度。

人體的大數據庫還有哪些有趣的寶藏被 AI 挖掘出來呢？

在菊紋識別之外，其實還有一種少為人知的判別個人身份的 AI 技術，那就是步態識別。由于我們每個人的生理結構不同，行走習慣也或多或少有細微不同，那么 AI 就可以根據人的走路姿勢來識別人的身份。

相比較人臉、指紋、聲紋、虹膜等身份識別，步態識別具有遠距離、全視角、難偽裝的優點。特別是在安防領域抓“壞人”、找走丟的老人孩子的時候，他們要么是會做刻意的偽裝，要么是卷入茫茫人群中。通過遍布公共區域的攝像頭的大范圍遠距離拍攝，就可以根據人們的步態識別來追蹤。

當然識別的前提是需要前期數據錄入做對照，或者在敏感區域做排除法。未來步態識別可能最先應用于有違法犯罪記錄的人群，除了拍照錄 DNA，這些人還得在攝像頭面前走兩步。

唇語識別，也是最近日臻成熟的一項 AI 技術。對于能聽能說能看的正常人來說，這個技術非常小眾。但對于全世界人口 5%的聽障人群，則是一大福音。通過這一新的唇語閱讀 AI 系統，聽力障礙者可以獲得專家級唇語翻譯的結果。

未來最可行的方法就是聽障人士佩帶類似谷歌眼鏡的智能設備，通過隱藏攝像頭讀取對方的唇語，通過 AR 增強來顯示翻譯出來的文字……這樣的界面就會比較友好了。

同樣類似的一個手型識別，則更為靈活小巧。通過目標檢測 - 分類（SSD-MobileNet）的算法，就可以很快訓練出識別手勢手型的 AI 模型了。至于作用么，發明者想到用它來隔空發送 Emoji，雖然實用性不高，但是用來表白還是很 Sweety 的。

最新發布的一項 AI 識別應用，技術含量就非常高了。那就是上個月英特爾和康奈爾大學共同推出的 AI 嗅覺識別技術。通過一款英特爾正在研發的 Loihi 人工智能芯片以及一系列化學傳感器，開發出的 AI 算法可以采取類人類的嗅覺能力，分辨出數十種有毒化學氣味，并且能夠標注出來。

這讓早已對機器視覺、語音識別脫敏的人們，又可以小小的興奮一把了。我們大腦里負責嗅覺的部位頂多告訴我們這個氣味有點怪異，而在 Loihi 芯片上訓練好的模型就能告訴我們這個氣味是啥了。未來做家居、新房驗收以及一些封閉空間的氣體檢測，可能只需要一只探測筆就能搞定了。

此外，還有一些醫療上的典型場景，比如帕金森病患者會帶有某種奇怪的特殊味道。通過 AI 嗅覺識別，可以及早的發現以及早的預防和治療。

說到人的疾病的識別診斷和預測，AI 在其中發揮的作用也多到你想象不到。

人類的疾病問題，不過是數據出現異常

對于人類疾病的診斷，AI 技術的參與早已司空見慣。新冠疫情初期，由于核酸檢測試劑的不足，疑似病例的肺部 CT 影像的 AI 診斷就成了當時關鍵的補充。AI 看片把 CT 診斷的效率從十幾分鐘提高到 20 秒，確診準確度達到 96%，可見 AI 技術在醫療診斷中的戰斗力。

除了這些大規模的 AI 診斷的應用，我們還注意到一些非常小眾的應用。

阿爾茨海默癥的早期識別就是 AI 技術的一個重要應用。以前，當阿爾茨海默癥的臨床癥狀出現，并最終確診的時候，患者的大腦的神經元已經損傷非常嚴重了，也基本錯過了干預治療的可能。而將機器學習應用于 PET 神經成像掃描，讓 AI 算法學習大腦當中葡萄糖蛋白水平的微妙變化，通過對一個大型數據集 ADNI 的學習，這一系統可以提早大約 6 年時間來識別出阿爾茲海默癥的診斷。識別準確度能夠達到 98%。

當然，這一 AI 技術還需要在更多的國家和更多的人群中進行學習，以校準算法的準確性。

臨終關懷，對于我們可能還是一個陌生的詞匯，但也是近幾年開始在醫療機構普及的一種護理手段。但臨終關懷會遇到一個棘手的問題：如果實施地過早，會造成不必要的資源浪費；如果實施地過晚，等病人病入膏肓，又達不到臨終關懷的目的。如果可以找到在三個月到一年內死亡的病人，就可以進行更適合的醫療干預措施。

2016 年來自斯坦福的一個 AI 團隊，通過神經網絡對 20 萬份的患者的醫療記錄的學習，在對其中的 16 萬份進行了“死亡算法”的訓練后，對剩下的 4 萬名患者進行了測試，算法對在 3 到 12 個月內死亡的患者的識別準確率達到了 90%，對存活期超過 1 年的患者，準確率達到 95%。

當然，這套“死亡算法”的過程仍然具有黑箱性，重癥患者的樣本也只是根據醫療水平較高的美國醫院的數據得出，并不具有普適性。壽命和死亡對于大多數人而言，也只有一個平均數值的參考，生死大限仍然是一個復雜因素決定的事情，難以被精確預測。

與預測重癥患者死亡時間這種較為客觀化數據不同的是，通過 AI 預測自殺就是一件更艱難的事情了。本身自殺的原因就是復雜而不確定的。我們往往只能在悲劇發生之后，才會對其進行各種原因的追溯。

可能一個人自殺的成因由幾十種甚至上百種因素導致，心理的、生理的以及經濟上的。人類的預測基本跟瞎猜的概率差不多。而機器學習可以根據大量有過自殺傾向和自殘行為的病患的醫療記錄，來訓練 AI 識別這些企圖自殺的人。來自美國范德堡大學的演技團隊通過這一算法測試的結果表明，其預測一個人是否會在未來兩年內自殺的準確率為 80-90%，而預測一個人是否會在一周內自殺的準確率為 92%。

但這一預測也僅僅針對有過入院治療記錄的病患。而事實上很多自殺傾向的人并不會去醫院接受治療。另外，預測自殺概率的成因也很難解釋，但研究人員發現，患者的睡眠障礙與自殺概率有很大的關系。這一點，值得我們警惕。

盡管這些 AI 算法對于人類疾病的診斷還存在著這樣那樣的缺陷，但是預測識別算法在醫療領域的應用則是一項創新的嘗試，AI 或許將徹底改變現在的醫療診斷和疾病治療方法，從流感到癌癥，從抑郁癥到自殺干預，AI 的引入將大大提前病患的診斷時間，能夠進行及時的干預和治療。

伴隨爭議的 AI 相面，靠譜嗎？

俗話說，相由心生，那么反之，通過相貌可以判斷一個人的內在特征嗎？比如，性取向。這一點似乎正在得到來自 AI 算法的支持。

專門搞事情不嫌事大的斯坦福團隊在 2017 年就推出了這一看臉預測性取向的 AI 算法，僅僅根據面部特征就能判斷一個人是否是同性戀，男女生的判斷準確度高達 81%和 74%。

一位來自南非的學生約翰重現了這一 AI 算法，并從某約會網站上抓取了 50 萬張照片，選出一個 2 萬張的性別、性取向平衡分布的數據集。然后他又將照片中的面部特征進行提取，轉換成四千多個元素的特征向量，來訓練出一個回歸模型，從而預測新的照片中人物的性取向，測試成績也達到了男生 68%、女生 77%的準確率。

顯然，這一發現是極具爭議的。除了對于同性戀等少數群體在個人隱私上的冒犯和人身安全的威脅外，單純這一識別模型也只是證明了面部特征和性取向之間的相關性，而非因果關系。

然而相關性的研究也很要命。因為斯坦福團隊的研究不止是用 AI 相面來判斷性取向，也可以來判斷人的智商、政治傾向，甚至犯罪傾向。

當然，我們人類自己也有這樣的一套直覺或經驗判斷系統。我們也會根據一個人的表情、神態來判斷其聰明程度、暴力傾向等。這似乎是從小孩子就開始的自然能力，而像久經考驗的老警察更能從茫茫人群中發現那些可疑人員。這種能力確實非常神秘，但我們也常常出錯。網上流傳著馬云老師屢屢被投資人錯過的例子，就是一個很好的反例。光看外表很難斷定一個人的才能。

而 AI 算法通過對特定人群的相關面部數據的學習，很快就能進行準確度還不錯的特征判斷。但這其中包含著種種問題。

首先，如果使用了有偏見的數據，就有可能訓練出有偏見的算法模型，比如同性戀者可能更在意自己的外表，會化妝或者對照片進行美化，又比如，較高犯罪率的人群數據是來自有偏頗的司法機構提供的。

其次，本身這些特征在人群當中就存在著一些均衡分布比例。AI 給出的識別的概率并不比這些自然概率高出多少。只要存在著一定比例的錯誤，那么 AI 的預測的結果就會造成一些嚴重的后果和風險。

由于我們本身就有這樣的預測沖動，現在又有了 AI 算法的幫忙，幾乎更加難以抑制研究人員和商業公司將這些算法應用到生產生活當中的沖動了。

比如說 AI 面試。如果僅憑一張照片就能讓 AI 給你的職業能力和職場表現打分，你可能會覺得非常不公平。雖然這有效地提高了一些大公司的簡歷的篩選效率，但同時也可能造成眾多的“誤傷”。也許就是你在拍照時，嘴角不夠上揚，眼神不夠堅定導致了分數低下。

還比如說 AI 性格測試。來自澳大利亞墨爾本大學的團隊設計了一種 AI 生物識別模型，通過把面部特征和其個性特征相關聯進行深度學習，可以分析檢測者的出十幾種性格特征。

這些研究和應用盡管都極具吸引力，但是在實際的應用仍然要小心謹慎。雖然偏見和歧視無處不在，但如果 AI 技術為這些偏見和歧視提供強大的相關性佐證，那對于普通人來說，顯然不是一件值得慶幸的事情。

通過以上的 AI 識別技術的速覽，我們才驚訝地發現原來人體的眾多秘密正在被 AI 揭示。從最基礎的身體數據的識別檢測，再到復雜一些的疾病的識別和成因的判斷，再到人類深層次行為的識別和預測，AI 正在步步深入其中，試圖把人類的行為徹底還原為一件可預測、可計算的既定程序。

從理論上來說，這是有可能的。我們必須克服 AI 算法的黑箱屬性，找到高識別率背后的的復雜成因。最終讓 AI 變成可解釋的，可溯源的一種技術。而從情感上，我們仍然希望自己是自由的，人的某些行為不可能被完全外界客觀因素決定的。

在 AI 的應用上，我們始終要保持著一種警惕，那就是 AI 算法在復雜成因的行為的識別和預測都只存在著相關性，而非因果性。具體到一些實際的 AI 應用場景中，其結果仍然只是具有參考價值，而不能成為人們判斷的最終依據。就像不能因為 AI 認為一個人犯罪傾向高就提前把他逮捕，一個人被判斷智商不足，就剝奪其受教育的權利。

我們同樣要留給 AI 技術不斷演化、升級的空間。畢竟，執掌最終判斷的權力仍然還在人類自己的手中。也許不久之后，這些奇奇怪怪的 AI 應用就會充斥在我們身邊，成為我們規劃、指導未來生活的重要參考。
編輯：hfy