随着人工智能的发展，摄像头采集、大数据分析、人脸识别等技术越来越多地被用于安防、司法领域中。从犯罪高发地预测到潜在罪犯预警，从协助审讯嫌疑人到辅助司法量刑，利用机器学习和深度学习算法预防和打击犯罪逐渐进入大众的认知范围。人工智能技术在该领域中有着大施拳脚的广阔空间。

　　上个世纪90年代，纽约市就曾用数据信息来预测哪些地铁站是犯罪高发区。随着人工智能的发展，世界上已经有一些国家和地区开始利用最新的机器学习算法预测犯罪。他们在城市里安装了可以检测枪声的声音感应器收集数据，加上城市路边的摄像头数据，通过机器学习算法做了一个“罪案预测系统”，能预测抢劫、枪击案的罪案地点。

　　犯罪发生区域的预测，有利于警方合理安排警力。现实当中，地方警局的人手和工作时间都是有限的。传统的巡逻相对而言效率不是很高，现在利用算法和机器学习，就可以帮助警局安排警力资源，提升打击犯罪的效率。

　　除了能预测犯罪高发地区，还能预测出哪些人会成为罪犯。通过收集犯罪案例，使用机器学习方法，将这些数据“喂给”电脑程序，包括年龄、性别、邮编、第一次犯罪的年龄以及一长串先前可能相关的犯罪记录（酒后驾车、虐待动物、涉枪犯罪等）。通过机器学习，得出哪些人是重复犯罪，需要监禁哪些二次犯罪风险较高的人。甚至，基于环境以及新生儿父母的过往，在一个人出生的时候就预测出他/她是否会在年满18岁时犯罪。

　　比如，芝加哥警局的“预测罪犯热点名单”会告诉警员，附近街区最有可能犯罪的前 20 名嫌疑犯名字和照片，具体到这样的程度：“此人可能在 18 个月内有 25% 的可能性参与暴力事件。”根据芝加哥警局透露的信息，这个名单已经有 400 人。上榜的人不一定有犯罪史，住在罪案高发地地区，或者朋友、家人有人犯罪……都是这个名单背后算法考虑的因素。

　　人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术，包括人脸图像采集及人脸检测、人脸特征提取，以及特征相似度匹配与识别等过程。在种类身份识别领域，人脸识别不仅具有唯一性与低可复制性，还具有非强制性、非接触性、并发性等特点。人脸也是人类在自然环境中最主要的身份识别基础。

　　人脸识别，尤其是动态人脸识别技术，有助于安保系统在动态的人群中高效、迅速锁定犯罪嫌疑人并部署抓捕，打击犯罪。

　　传统的测谎仪对于有一定“经验”的犯罪嫌疑人而言，有相当大的局限性。审讯过程中，利用人工智能技术（包括人脸识别、语音识别、语义识别、形态识别、生理探测、智能决策等）可以更加精准判断嫌疑人是否在说谎。通过摄像头捕捉人脸关键点，配合非接触式传感器分析性别、微表情、肤质、颜色、局部温度、心率、语音等神经、生理的外在表现，根据对应的唯一关系，反推心理，探测出内心的倾向，相比传统的情绪识别更进一步。

　　在美国、澳大利亚、德国、日本、韩国、我国台湾地区等都有相关的辅助量刑系统。近年来，人工智能算法的处理结果逐渐被作为法庭的量刑参考。这个过程首先，要把案件信息结构化，结构化这部分涉及对法律文书的断句、分词、关系抽取，像是采用一些正则表达式、上下文无关文法、命名实体识别等。在这个基础之上，再进行回归、数据建模、机器学习，以及人工智能方法的处理。简单地说，首先进行信息抽取，之后对抽取的信息进行结构化，然后是机器学习、分析判断，最后得出结论。

　　人工智能算法已经能帮助监狱确定该把哪些犯人关到高度警戒区。假释部门用他的工具判断该对哪类假释人员采取更严格的监视手段，警官则用来预测曾因家庭暴力被捕的人是否会再次犯罪。例如，入狱者会被要求填写一份个人情况调查问卷，综合犯罪的严重程度，机器学习算法会计算出一套“未来罪犯”的评分机制。

　　利用客观大数据分析等技术的人工智能在司法领域的应用可以排除许多人为因素，提升客观度，但同时不可避免地存在着一些弊端，比如大数据涉及的个人隐私问题、算法制定者的个人偏见问题等。只有通过机器算法加上人工审核的方法，才能更准确、更公正地做出判断和决策，任何过分依赖人或者机器的司法体系必然走向两个极端而失去公信力。返回搜狐，查看更多