2.3 谎言识别的未来
“人类每天说谎十次，但我们仅仅能有一半的概率正确识别。综合使用生理学、语音学等信息，计算机可以做得更好。”
我们相信，随着人工智能技术的发展，融合很多高新技术手段的智能化的谎言识别技术将被广泛地应用于人们的日常生活和工作场景，更好地满足人们日益增长的美好需求。例如，随着人们生活水平的提高以及工作的需要，跨国旅游或出差是一种常态，而目前过海关时的费时耗力已成为人们快节奏生活里的绊脚石。不过，随着人工智能以及生物辨识技术的快速发展，未来旅客将会发现自己过海关时面对的不再是人，而是一台人工智能机器。在某边境入关口岸，发生着下面的一幕：
一位待办理入关手续的旅客站在一台自动取款机大小并带有两个监控摄像头的机器面前，只需轻触一下“开始”按键，屏幕中央便会出现一个拟人头像，头像开始提问：
“你是中华人民共和国的公民吗？”
“是的。”［机器显示：通过（面部表情无变化、声音反应无变化、眼睛运动无变化）］
“过去你被逮捕过吗？”
“没有。”［机器显示：警告（面部表情无变化、言语反应明显延迟、瞳孔明显放大）］
“过去五年你有正当工作吗？”
“是的。”［机器显示：警告（眉毛明显抬升、言语反应的末尾声调明显提升、眼睛运动无变化）］
“你有没有使用过违禁药品？”
“没有。”［机器显示：报警（眉毛明显抬升、言语反应明显延迟、言语反应末尾声调明显提升、瞳孔明显放大）］
上面演示的是科学家正在研发的面向实际应用的拟人谎言检测器的工作场景。未来有望投入使用的这种新机器融合了面部表情、言语反应、眼睛运动等多模态线索，能够快速且无侵入进行谎言识别，成为人工智能应用于谎言识别领域的典范。此外，随着谎言识别技术的日益成熟，它还能在金融信托、招聘面试、人力资源等更多领域大显身手。
2.3.1 谎言识别技术的多学科领域交叉融合和人工智能时代
随着多学科领域的深入交叉融合和人类社会进入人工智能时代，融合心理学、犯罪学和计算机科学等多个学科成果的新方法会不断涌现。谎言识别的准确率和自动化程度也将不断提升。马里兰大学的拉里·戴维斯（Larry Davis）团队近期开发了一套欺骗分析和推理引擎（deception analysis and reason engine, DARE）人工智能系统。在该系统的前期训练中使用了大量的法庭对话视频，人工智能系统需要对视频中的表情和微表情（如皱眉、扬眉、唇角翘起、嘴唇突出和歪头等）以及声音线索模式进行分析，最终判断当事人是否在说谎。训练结果表明，DARE在谎言检测方面的表现要优于普通人，并且在预测个体是否说谎方面的成绩显著高于普通人。在当前法庭审判中测谎仪等设备证据尚无法成为采信证据的背景下，DARE很可能成为提供测谎证据的新渠道。但该系统目前尚在进行更广阔的生态效度测试，它在其他场景中的应用值得期待。
美国犹他大学心理学家约翰·基尔舍（John Kircher）团队研发出基于眼球运动的谎言识别系统：眼睛运动欺骗测试（ocular-motor deception test, ODT）。被测试者对计算机上呈现的问题做出是或否的回答，系统通过计算机算法来提取其眼睛运动的一系列指标，如瞳孔扩张细节、反应时间、阅读时间等，从而判断其是否在说谎。相较于传统的测谎仪，该系统不受被测试者种族或民族、性别、年龄等因素干扰。未来在快速发展的人工智能技术加持下，这项眼球分析工作很有可能变得更加细腻，对谎言的识别准确率将会更高，并且相对于传统谎言识别方式，人工智能时代的谎言识别可能使人类具备另外一种新能力：预测谎言。在个体还未说话时，人工智能通过对非言语信息的检测和分析就能判断其是否会说谎。
2.3.2 谎言识别的需求与研究现状的矛盾
但是，在推进谎言识别应用的过程中，基础研究与应用需求之间存在不小的矛盾，主要体现在如下几个方面。
第一，尽管存在上述种种谎言识别仪器，并且逐渐融入更多不同的信息，但测试者的作用至关重要。谎言识别仪器的作用只有在测试者适时提出正确问题、灵活运用各种策略引导被测试者讲真话时才会得到最大限度的发挥。如果没有称职的测试者，谎言识别仪器的作用则无从谈起。
第二，尽管谎言识别研究的各个领域都在考察评估不同指标的有效性程度，并将可能有效的指标应用到实际场景中，但是目前的结果依然不尽如人意。邦德和德保罗（2006）的元分析研究发现，对于未受过特殊训练的人而言，其欺骗识别准确率平均为53.98%。另外，有元分析研究考察了不同群体在识别谎言时的准确率，结果发现有专业背景的实验参与者（如法官、警员、侦探、心理学家）与普通大学生参与者之间并没有显著差异，识别准确率较高的人群是教师、社会工作者、罪犯。表2–1总结了在实验室中基于不同线索进行谎言识别的准确率，多数在50%~60%，部分采用基于标准的内容分析方法（criteria-based content analysis, CBCA）和现实监控理论（reality monitoring, RM）的研究准确率达到70%左右（Vrij, 2008）。实验室研究得出的指标有效性本身并不高，在这种情况下将实验室范式和结论应用于实际情境，出现错误的可能性更大。
表2–1 不同谎言识别方法识别谎言的准确率
第三，谎言识别的实验室研究发现某一线索之后，经过媒体宣传，人们会像“科学家”一样不断在自己的生活中验证这种线索是否真正有效，并在面对需要说谎的情境时，对自己的某一特定线索做出主动控制或抑制，最终会导致这一线索的效应量越来越低。例如，心理学家发现了真笑和假笑的区分性线索之后，该发现在不同领域得到了广泛应用，比如广告行业、表演行业等。人们会有意克制自己表现出假笑的面部动作模式，尽量显得真实。这样就进入一个谎言线索的发现与应用之间的矛盾——一个猫捉老鼠的不断循环的游戏。
第四，在利用人工智能进行说谎相关的表情或动作识别时，必须考虑一些特殊情况，比如一些生理性动作（嘴歪眼斜、单侧眉毛抽动，或者其他没有任何情绪意义的鼻孔呼吸、张合等）在人工智能设备的检测和分析过程中，是否会被当作有情绪意义的信息纳入分析指标？又如传统的测谎技术碰到的普遍问题：说真话的人因为紧张出现的和说谎者类似的生理特征表现，人工智能技术能不能准确地发现其中的细微分别？
小结
随着人工智能技术的发展，融合多种高新技术的智能化谎言识别技术将被广泛地应用于人们的日常生活和工作场景，更好地满足人们日益增长的美好需求。但在推进谎言识别应用的过程中，基础研究与应用需求之间存在不小的矛盾。借助对人类说谎心理机制的深入理解，以及人工智能时代的到来，谎言识别经历了从无到有、从朴素主义到科学主义的发展，识别的准确率也大幅提升。尽管到目前为止，我们仍无法就何时能够实现完美的谎言识别给出准确的答案和可能的时间节点，但无论历时多久，我们都愿意一直努力探索并追求更卓越的谎言识别技术与方法。
思考题
1.未来人工智能技术是否能帮助人类百分之百地识别谎言？
2.人工智能技术在谎言识别领域的应用会对人类社会产生什么影响？