巴西开出9400万罚单后，人脸识别公司被迫重写代码库

巴西数据保护局最近的一笔罚单，让整个计算机视觉行业突然意识到：算法准确率99%已经不够看了。当罚款金额达到9400万美元，开发者们发现，法庭要的不是结果，是过程。

这个转变来得比预期更快。欧盟人工智能法案即将全面执行，巴西数字ECA指南已经落地。对于做人脸比对工具的工程师来说，「完成」的定义彻底变了——以前交付一个相似度分数就算交差，现在必须交出完整的审计链条。

从欧氏距离到法律风险

我们过去花大量时间优化欧氏距离分析，这是衡量两张人脸嵌入向量相似度的数学基础。但合成媒体的进化速度打破了这套逻辑：一个足够逼真的生成对抗网络（GAN）深度伪造，完全可能骗过传统比对流程，拿到低距离高分。

CarComp的技术负责人打了个比方：「如果你的API返回高置信度匹配，却没先验证源图像是不是AI生成的，你就是在给调查人员制造取证盲区。」

这个盲区正在变成 liability（法律责任）。巴西的监管框架明确将生物识别数据处理纳入高风险类别，违规罚款按营业额比例计算，上限就是那笔9400万美元。对中小型技术供应商来说，这不是业务风险，是生存问题。

三阶段工作流取代两步走

未来24个月，标准生物识别流水线大概率会重构。行业正在从「输入→匹配」的简单两步，转向多阶段可审计工作流：

第一阶段是来源验证。系统需要先确认输入图像的媒体来源——是相机直出、社交媒体下载，还是未知渠道获取。这一步直接决定后续分析的权重分配。

第二阶段引入活性检测。通过微表情分析、纹理一致性检查等手段，排除打印照片、屏幕翻拍和深度伪造的干扰。

第三阶段才是传统的嵌入向量比对，但输出格式必须包含决策节点的完整追溯信息。

对工程师而言，JSON响应结构需要重新设计。不能再只吐一个浮点数的置信度，而要能重建分析链上的每个决策点。当私家调查员把你的工具结果呈上法庭，你的数据库得能证明：为什么判定匹配，以及源材料如何被验证为真实。

CarComp选择了一条差异化路线。他们专注人脸比对而非大规模监控，把联邦机构级别的高精度欧氏距离分析，压缩到个人调查员能负担的成本区间。技术负责人发现，对独立从业者来说，摩擦点从来不是数学复杂度，而是可及性和报告合规性。

他们的批量处理功能允许用户单次上传、多组比对，但真正的产品壁垒是「法庭就绪报告」。后端不只是比对引擎，更是文档生成器——把复杂的算法输出翻译成法官或保险理赔员能理解的格式。

合规即架构

无论用TensorFlow、PyTorch还是自研框架，「合规即设计」正在成为硬性要求。数据库 schema 需要预留 consent_status（同意状态）、media_provenance（媒体来源）等字段，这些不是事后补丁，是底层架构决策。

一位从事法医软件开发的工程师在内部讨论中提到，他们正在重写核心模块，只为满足欧盟AI法案的「可解释性」条款。「以前我们优化的是假阳性率，现在优化的是可追溯性。」

这种转变的代价是真实的。CarComp的技术负责人透露，他们的报告生成模块开发周期比核心算法长了40%，因为每个输出字段都需要法律团队审核。「法官不会读张量，但会读时间戳和验证链。」

2028年的案件胜诉者，将是那些工具不仅能找到匹配、还能证明过程的调查员。对开发者来说，这意味着代码审查清单里要加入一条：你的系统能在交叉质询中存活吗？

CarComp最近收到一封用户邮件，一位保险欺诈调查员用他们的报告在庭审中挡过了对方律师对算法黑箱的质疑。邮件最后一行是：「对方律师想要我们的源代码，法官说时间戳链就够了。」

当你的技术文档比你的数学模型更能说服陪审团，这个行业到底是在进步，还是在被迫学会一种新语言？