4个月冤狱：一张AI比对照片如何让1000英里外的女人入狱

2025年7月，美国法警敲开田纳西州一户人家的门时，安吉拉·利普斯正在 babysitting。她从未想过，自己会因为北达科他州法戈市的一起银行诈骗案被捕——那是一个她声称从未踏足过的州，距离她家超过1600公里。

这场错误的源头，是一张人脸。

一张比对照片引发的连锁反应

事情要从法戈警察局的调查说起。他们在处理一起银行诈骗案时，需要锁定嫌疑人身份。按照程序，他们向邻市的西法戈警局求助——后者常规使用一家叫 Clearview AI 公司的面部识别技术。

Clearview AI 的系统扫描后，将安吉拉·利普斯标记为匹配对象。

法戈警方强调，他们没有仅凭这一结果行动。警长戴夫·齐博尔斯基公开声明，案件"并非 solely based（ solely 基于）"这条人工智能生成的线索。但除此之外，警方未披露还掌握了哪些证据。

7月，逮捕令发出。美国法警跨省执行，利普斯被以"逃犯"身份收押，且不得保释。

这一等，就是将近四个月。

四个月里发生了什么

利普斯的遭遇在10月出现转机——她被引渡到北达科他州，面临多项指控。她的律师最终动用银行记录，证明案发时她根本不在现场。指控撤销，但损害已经造成。

更荒诞的是后续：获释后的利普斯被困在北达科他州，既无住所也无收入，最终才辗转回到田纳西。

法戈警方对羁押时长给出两种解释：要么是她本人抗拒引渡，要么是她在为另一项独立指控服刑。但两种说法都回避了核心问题——如果银行记录能这么快证明清白，为何调查阶段没能发现？

利普斯的案例并非孤例。2024年，底特律女子波查·伍德拉夫因面部识别错误被控劫车，入狱10小时。那起事件促使底特律警方调整了人脸识别使用规则。但显然，行业性的反思尚未形成。

Clearview AI 的技术边界

这起案件将 Clearview AI 推回公众视野。这家公司的商业模式极具争议：它从社交媒体、新闻网站等公开渠道抓取数十亿张人脸照片，建立数据库，向执法机构提供比对服务。

技术层面，面部识别的准确率受多重因素影响：光线角度、表情变化、年龄增长、图像分辨率。更关键的是阈值设定——系统返回的"匹配"结果，通常是一组相似度排序的候选名单，而非绝对确认。最终由人类决定是否采纳。

这正是法戈警方强调的"并非 solely based"的潜台词：AI 只负责提供线索，决策权在人。

但问题在于，当技术以"科学"姿态输出结果时，人类审查往往流于形式。心理学研究反复验证过"自动化偏见"——人们倾向于过度信任算法输出，尤其是当自身缺乏专业判断能力时。

在利普斯案中，我们看不到警方进行了哪些交叉验证。没有提及 alibi（不在场证明）排查，没有提到监控录像的时间比对，直到律师介入才调取银行记录。四个月羁押期里，这套"人机协作"的纠错机制完全失灵。

执法 AI 的扩张与失控

皮尤研究中心的数据显示，美国人对 AI 的态度整体谨慎。但执法机构的采纳速度远超公众认知。

法戈警方的操作手册里，面部识别只是工具箱中的一项。他们还使用 AI 撰写报告、优化通讯——这些应用在提升效率的同时，也在重塑警察的工作流程。当技术嵌入决策链条的每个环节，错误就不再是单一事件，而是系统性风险。

更值得追问的是责任归属。利普斯获释后，没有信息显示法戈警方或 Clearview AI 承担了赔偿。底特律的伍德拉夫已经提起联邦诉讼，但多数类似案件的受害者缺乏诉讼资源。

技术供应商通常以"最终使用责任在用户"条款规避法律风险。警方则援引"合理调查"抗辩。夹在中间的个体，往往只能接受"指控已撤销"作为结局。

为什么这件事值得中国读者关注

中国的公共安全视频系统覆盖密度全球领先，人脸识别在安防、支付、交通场景已深度渗透。技术路径不同，但核心张力相似：效率与公平、安全与权利、自动化与问责制。

利普斯案的启示在于，技术误差的代价高度不对称。算法的一次假阳性，对系统只是统计噪声；对个体可能是数月自由、工作丢失、社会关系断裂。当纠错机制滞后于技术部署，"事后澄清"就成了最低成本的解决方案。

底特律在伍德拉夫案后修改了规则，法戈是否会因利普斯案跟进，尚未可知。但个案驱动的改革模式本身就有局限——它依赖受害者的可见性、媒体的持续追踪、以及恰好发生的制度窗口期。

更根本的问题或许是：当 AI 成为警察的"标配工具"，我们是否建立了与之匹配的训练体系、审查流程和救济渠道？技术迭代以月为单位，制度更新以年为单位，这种时差正在制造越来越多的"利普斯"。

她最终回家了。但那张将她送入监狱的比对照片，仍存在于某个数据库中，等待下一次被调用。

如果算法的错误需要四个月和一位主动取证的律师才能纠正，我们是否应该重新设计这套"人机协作"的权责结构——不是问 AI 能帮我们多快抓人，而是问当 AI 错了，谁能多快发现？