想領錢只要刷臉就行？銀行人臉辨識可沒這麼簡單

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

• 文／羅伯‧席勒

人們對引起恐懼的故事有何反應

長期以來，新聞媒體和公眾討論一直將金融危機說成是人們在經濟風險控管方面過度自滿一段時間之後，一連串的經濟失靈驟然發生所造成的恐慌。使用具強烈感情色彩的字詞如「恐慌」和「自滿」，可能顯得像媒體炒作：恐慌令人想起失序的民眾試圖避開突然出現的人身危險，自滿則暗示一種洋洋自得的昏沉狀態。

但是，在這種金融事件中，人們多數似乎完全理性；這些事件發生在人們大致正常生活的幾個月或幾年裡，而人們期間往往表現得像是在梳理事實。即使在金融「恐慌」期間，多數人看來很正常和放鬆，不時說笑。

但是，使用恐慌和自滿這兩個詞真的離譜嗎？這兩個詞都描述必須靠神經結構支持的精神狀態。我們必須研究這些結構，以確定金融恐慌與其他恐慌、金融自滿與其他類型的自滿在神經學上是否有共同之處。

金融危機十年之後，銀行該怎麼辦？

我們來看本書撰寫期間出現的一個例子：在 2007～2009 年全球金融危機十週年將至之際，銀行業者承擔愈來愈多風險。2017 年，美國聯邦存款保險公司 (FDIC) 發表報告指出，美國銀行業者為了取得較高的資產收益，藉由延長投資期限承擔了過高的風險，情況令人擔憂。在金融危機爆發後近十年裡，利率一直非常低，雖然較長期的利率高一些。

藉由延長投資期限取得較高的收益，對銀行來說風險相當高，因為如果利率突然上升，它們必須提高存款利率以留住存戶，因此多付的利息可能超過較長期限投資帶來的額外收益，進而造成銀行極大的麻煩。

銀行最終決定承擔風險，但它們如何形成對未來利率的預期？

世上沒有任何一名專家已證實能夠可靠地預測未來幾年的利率。沒有人能告訴銀行業者眼下的低利率時期多久之後結束，也沒有人能保證低利率將永遠持續下去。

銀行業者掌握的只是對某些敘事逐漸淡化的記憶，它們是關於發生在其他歷史時期的事：利率大幅上升，導致大量存戶跑到銀行提走存款。在利率已處於低位十年之久的情況下，這些故事看來比較不相關，但我們沒有辦法量化相關程度降低了多少。

銀行業者在這種情況下的行為，或許最好視為受原始的神經系統模式驅動，也就是經歷數百萬年的達爾文式演化、流傳至今的那些大腦結構模式。

這也許與「恐懼」的演化有關

現今的狗和齧齒動物擁有一些相同的負責管理恐懼的大腦結構，此一事實是它們具有共同的中生代¹起源的證據。恐懼是所有哺乳動物和較高等動物的一種正常情緒，由大腦結構支援。恐懼的消除是一個必須隨著時間的推移發生的過程，以便在危險過去之後解除恐懼。

科學家最初是間接觀察到這些大腦結構的活動。1927 年，俄羅斯生理學家巴夫洛夫 (Ivan P. Pavlov) 報告了他對狗的研究。如果在節拍器滴答作響的情況下在狗的舌頭上給它一劑酸液，重複很多次之後，只要有節拍器的聲音，不加酸液也能引起與加酸液一樣的不由自主反應。

在實驗的隨後階段，巴夫洛夫反復打開節拍器，但不使用酸液，狗的厭惡反應逐漸消失。後來研究者發現了這些反應涉及的大腦結構。

在老鼠中，側杏仁核²的神經元在恐懼產生階段和恐懼消退階段都發揮重要作用：神經元在恐懼產生階段增加發射訊號，在恐懼消退階段減少發射訊號。並不是所有神經元都減少發射訊號，恐懼因此仍有殘留。神經學家得出以下結論：

總而言之，有很多證據顯示，杏仁核、腹內側前額葉和海馬體之間的互動形成了一種獨特的神經迴路；該迴路是消除恐懼的能力之基礎，在演化過程中留傳了下來。

老鼠的這種神經迴路，以及不由自主的恐懼觸發表現，與人類十分相似。就人類而言，腹內側前額葉皮質的厚度與消除恐懼的成效有關。

人類的某些神經障礙，例如創傷後壓力症候群 (PTSD)，代表恐懼無法消除，研究這些神經障礙可以揭露恐懼管理的基本結構。我們似乎可以合理地假定，人類管理恐懼的神經迴路尚未演化至理想的狀態，因為人類文明只有數千年的歷史。

註解

1. 約 2.52 億年前～6,600 萬年前的地質年代
2. 一個杏仁狀的大腦區域

編按：深度學習是目前AI發展的核心技術，特別是在影像辨識和自然語言的處理，最能發揮優勢，本篇文章將介紹最具代表性的深度學習技術和最新的應用案例。

CNN（卷積神經網路）的架構

CNN 原本的設計是用來模仿人類視覺功能，因此影像辨識是其主要的應用，
最近已經逐漸擴大應用範圍，訊號和自然語言處理也開始使用 CNN 了。

卷積神經網路 (Convolutional Neural Network，CNN) 是一種神經
網路模型，常用來處理規則排列的影像資料。CNN 這個名稱是從處理時使
用名為卷積 (convolution) 的數學運算而來。
下圖是 CNN 神經網路的基本架構，從圖中可以看到在輸入層和輸出層
之間，多了卷積層和池化層，兩者可以視為是一種過濾器。

RNN（循環神經網路）的架構

RNN 與 CNN 都是最具代表性的深度學習模型。RNN 很擅長自然語言處理這類時間序列的資料，近來也常用於物聯網與機器異常檢測的應用。

RNN（Recurrent Neural Network，循環神經網路）是可以處理不定長度資料的神經網路。下圖說明了 RNN 的基礎結構。從圖中可以看出 RNN與 CNN 最大的不同在於，RNN 具有回饋 (Feedback) 機制，也就是在隱藏層中輸入前一次的輸出值 h。

生成模型與 GAN（對抗式生成網路）——生成影像資料的技術

深度學習不僅可以辨識影像和聲音，也可以用來產生新資料。近年來，用神經
網路來生成文章、影像等技術不斷提升，相關的商業應用正不斷擴大發展中。

機器學習的分類模型有識別模型 (Discriminative Model) 和生成模型 (Generative Model) 兩種。常見的識別模型能預測輸入資料屬於各類別的機率，例如用 CNN 識別影像，並得到像狗 80 ％、貓 20 ％的機率輸出。

生成模型也會輸出屬於各類別的機率，但會先從大量的訓練資料中，推導出各類別適合的機率分佈，然後在預測新資料時，即可依新資料的分佈結果計算其機率。這裡所謂的機率分佈就如下圖所示，假設資料有 ○ 和 × 兩個類別，依照各類別樣本分佈的情形，就可推測出其機率分佈的範圍，也就是圖中橢圓的部份，而越靠近橢圓中心的資料，有較高的機率屬於該類別。

結合數位替身與 AI 生物辨識的行動銀行

美國的軟體公司 Sensory 多年來持續開發有關語音辨識的嵌入式裝置技術，該公司是使用名為 Virtual Teller 的 AI，開發了適用在行動銀行的解決方案。透過 Virtual Teller，使用者可以如同在櫃檯與服務人員溝通一般，虛擬人員對話同時進行交易。身份認證方面，則使用了語音辨識和人臉辨識的 AI 生物辨識技術以提高安全性。

此外，進行認證的 AI 內建於智慧型手機的應用程式中，因此取得的生物資訊不會上傳到網路。為了與智慧型手機的「數位替身」順暢對話，也搭載了語音辨識和語音合成功能，以提高互動效果。Sensory 透過將 AI 建置於手機軟體中，實現了高安全性且易於使用的使用者介面。

• 李蘭萱 (Lan-Xuan Li)／政治大學財務管理研究所碩士生，目前於產業分析研究崗位實習。主要專業領域為計量經濟、金融創新服務、ICT 數位化科技應用等。喜歡桌球，並認為必須結合統計、科技，才可以描繪出未來「以人為中心」的商業模式。

靠臉領錢辦得到嗎？其實科幻場景已很近

不知道大家有沒有遇過一種情況呢？急需用錢時站在 ATM 前準備提款，卻發現自己忘記金融卡密碼了，隨著身後排隊的人群愈來愈多，心也逐漸焦躁不安，與此同時，或許你的腦中會惱怒地想著：

「如果可以靠臉領錢那該有多好啊！」

這敘述乍看之下彷彿是僅存於科幻電影中的想像，但實際上，隨著科技發展，這種操作已非遙不可及。「只要站在鏡頭前刷臉就能提款轉帳」的未來，其實比想像中還要近。

想成為識別的特點，要既普遍又獨特

隨著電腦運算效能的演進、行動設備普及化，自動化的「生物識別系統」──尤其是指紋和語音識別，早已在近十年被廣泛使用。不過，即使指紋、語音等生物資訊已逐漸普遍，值得留意的是：除了一般性消費服務的應用之外，銀行、金融業者也嘗試將各種生物識別技術，導入銀行服務應用之中。

比如歐洲銀行業管理局 (European Banking Authority)，在 2018 年發布的《EBA Report on the Prudential Risks and Opportunities Arising for Institutions from Fintech》報告中，便提到「生物識別」技術在「身分識別」的功能上，須具備幾個特點：

1. 普遍性：確保每個人都有用來識別的特徵。
2. 獨特性：特徵在個體間有所差異。
3. 持久性：同個體的該項特徵不會隨時間有太大改變。
4. 可收集性：與特徵獲取或測量方式的難易度有關；愈難取得則識別效果愈差。
5. 規避難度：規避難度會影響技術的安全性和可靠性。
6. 社會接受度：客戶對生物辨識的的接受或抵抗會嚴重影響方法的使用。  

符合這些條件的生物特徵，大致上可以分成指紋、語音、虹膜、臉部等「外部生理特徵」以及「內部生理特徵」，例如靜脈、心跳。其中，又因為指紋辨識具有方便、快速、成本低廉的特性，所以無論是實體銀行和行動銀行都很常見到指紋辨識的應用，或者藉由指紋辨識，來擴大服務情境的內容。

生物特徵雖然能夠鎖定個人的獨特性，但也並非無所不能。以如今已成熟化的指紋辨識來看，指紋這項生理特徵的應用，也有幾項明顯的侷限性。首先，並非所有人的指紋都能夠被機器識別；其次，指紋的辨識與取得，目前仍必須直接仰賴特定的臨場感應器；再次，感應器上的指紋印痕也具有被有心人士複製的風險。

整體來說，指紋辨識技術仍有可靠性 (reliability) 不足，以及使用臨場設備的限制，因此，除了指紋辨識之外，銀行與金融業者也積極投入其他生物辨識的應用。

遠端身分識別、消費者體驗需求，帶動人臉辨識技術導入服務

衡量生物識別可靠性的指標分為兩類，分別是錯誤接受率 (False Acceptance Rate, FAR) 及錯誤拒絕率 (False Rejection Rate, FRR)

• 錯誤接受率：非法使用者被機器錯誤接受、通過認證的比率。
• 錯誤拒絕率：合法使用者被機器錯誤拒絕的比率。

這兩個比率太高都會產生負面影響，前者高意味著安全性不佳，後者高則影響使用意願。

同樣在歐洲銀行業管理局 (EBA) 報告中，比較了不同的生物辨識技術，發現到：在一般的情況之下，人臉辨識與語音識別的錯誤接受率 (FAR) 較高，指紋、虹膜和視網膜識別則較低，但確切數據會隨著不同使用目的而變動。正因如此，現在的人臉辨識技術尚未普遍成為銀行金融服務的主要導入技術。

即使如此，仍可以看到部分銀行金融服務業者，比如匯豐銀行、新加坡華僑銀行等，近年開始嘗試將人臉辨識，導入於相關服務中。人臉辨識技術雖然尚未成熟，卻讓各大銀行願意花費昂貴成本和風險引進，倘若我們彙整這些業者的服務論述，大致可歸納為兩點：

1. 提升安全防護：只有傳統密碼的情況下，一旦客戶的卡片密碼被不肖人士取得，可能就會造成客戶損失。然而若增加人臉辨識系統在 ATM 等設備上作為防護，不僅會使得盜領難度大增，銀行也能夠「即時」獲得警訊，未來在合理的法律規範下，還可以和警方合作，用來打擊犯罪。即時性防護，對於注重安全性的金融機構而言，人臉辨識提供的保護功能，會是最大的投入誘因。
2. 增加客戶體驗、吸引客群：在網路銀行普及的同時，由於業務上仍有部分限制，實體據點的存在還是有其必要性。因此，透過人臉辨識提供優良的體驗以吸引客戶，對銀行來說會是一項誘因，例如 Pepper 機器人、Video Teller Machine、迎賓互動牆等等。這也意味著：銀行業者在因應行動服務等需求的同時，會需要非臨場、遠端臨場的身分識別技術。而在智慧型手機的鏡頭效能不斷增進的趨勢下，人臉在裝置上的映照與投射已成消費者最熟悉的使用習慣之一。

倘若我們觀察現有的案例，可以發現銀行業者對於人臉辨識的應用導入，包括手機銀行登入、臨場的身分識別等。而從消費者使用經驗的層面來看，則可進一步分為兩種類型：

1. 「主動辨識」：可在辨識目標（消費者）無知覺的情況下運作，常被用來監控特定範圍內的動態目標
2. 「被動辨識」：需經過辨識目標主動觸發，系統才會開始運作，而由於目標是靜態的，所以受到環境因素干擾的程度會較低，使辨識可靠性提升

但無論何種應用服務（如：登入手機 APP 使用行動銀行，或是在櫃檯協助行員辦理金融服務）對「可靠性」的需求都被視為銀行服務的核心，其中，又以被動辨識中涉及到的線上登入、支付等服務對於系統可靠性的需求最高，因為稍有不慎便可能造成金錢損失，或將個人資料外洩。

• 註：銀行休息室的主動辨識功能，其需求是截然不同的，休息室使用人臉辨識的目的，是在客戶沒有意識到的情況下提供貼心的接待服務，對銀行來說偶爾辨識錯誤的影響不大，這種情況下主動的人臉辨識反而比較適合。

然而，若就現有的案例來看，目前在銀行服務中，單獨使用人臉辨識作為身份認證的服務仍有限，使用安全性需求高的功能，仍然還是會搭配「密碼」輸入，人臉辨識只作為多重認證的一環。但可以確定的是，未來人臉辨識能否完全取代其他身分認證的方式，甚至成為主流認證方式，辨識的可靠性會是一個很重要的關鍵。

人臉辨識導入金融服務的爭議與挑戰

使用人臉辨識革新金融服務的同時，銀行要考量的不僅僅是技術的使用方式、成本等等，還要注意伴隨著創新而來的爭議與挑戰，接下來將分別說明可能遇到的問題。

技術可靠性仍有待提升，且需要有在地特徵的分析模型

對銀行來說，是否採用人臉辨識技術，或者更進一步決定技術運用的方式及程度，其中最大的關鍵在於可靠性，這些問題包括──究竟人臉辨識系統能不能準確分辨出長相相近的不同用戶？膚色與性別是否會導致辨識錯誤機率提高？

以目前當紅的 Face ID 為例，Apple 坦言雙胞胎和 13 歲以下的兒童用戶，辨識錯誤機率的確較高，並且建議他們使用密碼驗證，坊間也可看到民眾成功騙過系統的案例。學術研究方面，Buolamwini 與 Gebru 在 2018 所發表的「Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification」一文中針對 3 款人臉辨識 API 進行測試，結果發現性別和膚色均會對準確度造成影響，可能原因除了膚色和燈光影響資料擷取外，資料收集時的偏誤也會降低人工智慧模型的判斷能力。假如資料中的白人男性偏多，模型對於白人男性的訓練量足夠，會有較佳的辨識能力，而相對的，其他特徵的使用者就比較容易出現誤判。

如果是用於一般的消費性電子產品，目前的人臉辨識技術對於提供用戶良好的使用體驗或許綽綽有餘，然而金融業對於安全的要求極高，在進一步提升技術可靠性之前，人臉辨識技術仍無法全面取代密碼作為主流驗證方式。

臉部特徵作為個人資料，如何兼顧資料安全性

想要將人臉辨識導入金融服務，那麼生物資訊的蒐集是無法避免的，因此，個資法的規範範圍是否影響技術的使用？這是銀行必須審慎評估的。這也意味著：除了技術層面以外，法律規範也是銀行引進服務前需要思考的。

首先，台灣的個人資料保護法中規定，無論公務機關或非公務機關，如要在未取得當事人同意的情況下蒐集資料，則需要基於執行法定職務或義務等必要情況，並且處理與利用資料同樣只能在法律規範的幾種特例下所使用，例如為了公共利益或是學術研究。

國外的法律規範更嚴謹，歐盟號稱史上最嚴的個資法 GDPR (General Data Protection Regulation) 於 2018 年 5 月 25 日開始實施，適用的範圍相當廣泛，不僅是歐盟境內，只要客戶、員工、供應商、政府機關等和歐盟公民相關就會受到 GDPR 的規範。受保護的資訊囊括了一切個人數據，從基本資料、宗教信仰、政治立場、網路瀏覽紀錄到指紋、虹膜、面部等生物特徵都在範圍內。這些法律上的限制意味著銀行引進人臉辨識前，必須謹慎評估使用情境是否合法，避免在追求便利服務的同時帶來更多額外的風險及成本。

技術不成熟引發的社會爭議

人臉辨識的運用也引發了敏感的社會爭議。英國倫敦、南威爾斯等幾個地區的警方，自 2017 年開始在一些節慶、比賽或是流量大的十字路口使用人臉辨識系統，系統即時辨認鏡頭前是否出現和警方持有照片一致的面孔，若配對成功則會發出警報。

然而，其結果不盡理想，依據目前的測試結果，警報超過九成都是錯誤的，這讓英國民間的公民自由組織 Big Brother Watch 非常不滿，認為這項不準確又昂貴的系統，對於抓捕真正的罪犯幫助有限，反而會造成無辜人民的自由受到侵害。同樣的問題也可能出現在銀行，如果銀行逕自使用人臉辨識系統分辨客戶，而未經過所有出現在鏡頭前的人同意，不論結果是否準確恐怕都難避免爭議。

整體而言，依據歐洲銀行業管理局 (European Banking Authority) 的觀點來看，人臉辨識的技術仍有相對較高的錯誤接受率 (False Acceptance Rate, FAR)，換言之，對於銀行金融此種需要有高度可靠性、安全性的服務場域來說，技術仍然未能滿足，因此在目前，人臉辨識仍屬於多重辨識的一種（如搭配密碼、人臉資訊等）。

但相對於虹膜、指紋、靜脈等生物辨識技術來說，人臉辨識擁有較高的遠端臨場特性，也就是使用者可以在非臨場情境中使用銀行金融業者所提供的服務，確實在行動服務普及化趨勢之下，是業者願意投入的主要誘因。此外，倘若相關技術可以取得更多的在地化資料模型，並結合深度學習 (Deep Learning) 等技術，在未來仍可以降低錯誤識別的機率。

不過，其實人臉辨識能否成功導入於銀行金融服務，其最核心的問題仍在於：消費者是否信賴？這個問題所包含的個人資料保護，以及生物資訊第三方使用的正當性，才是這個議題最需要解決的課題。

一個只需要刷臉就可以登入的銀行帳戶，你的想法是甚麼呢？

參考文獻

• Buolamwini, J., & Gebru, T. (2018). Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of Machine Learning Research 81, (pp. 1-15).
• EU GDPR. GDPR Key Changes. Retrieved 11 23, 2018, from EU GDPR.ORG: https://eugdpr.org/
• European Banking Authority. (2018). EBA Report on the Prudential Risks and Opportunities Arising for Institutions from Fintech. European Banking Authority.