2022年之前，纽约禁止在学校中使用任何生物特征识别技术。
美国跟人脸识别彻底杠上了。
美国纽约州近日通过了一项法令：2022年之前，禁止在学校中使用人脸识别和其他生物特征识别技术。
这也将成为全美第一明确规定学校不允许使用该技术的法案。
据南方都市报报道，这项法案提出的背后，是针对去年发生的一起有关校园AI应用争议的回应。
2019年5月，纽约州西部城市洛克波特市在全市校园部署人脸识别设备，主要目的是增强学校的安全性。
洛克波特市学区负责人米歇尔·布拉德利（MichelleBradley）在接受外媒采访时说，“这是让学生、员工和访客更加安全的又一措施”。
洛克波特市官方信息显示，人脸识别系统将识别学校不允许出现的人员，并在识别到异常情况时发出警报提醒。
系统重点识别的人员包括二级或三级性犯罪者、被停职的学校员工、法院判决未经批准禁止进入学校的人员、执法部门信息显示会构成威胁的人员等等。
由于隐私等问题的存在，人脸识别应用在美国向来争议颇多。
由此，洛克波特市也在纽约州教育厅等部门的监督下反复修改了系统设置，最终决定只让系统记录人员比对的情况，不收集或存储任何信息，学生的照片等信息也不会被添加到系统中。
另外，根据当地法律要求，监控视频保存60天后将从服务器上删除。
2020年1月，这一系统在洛克波特市正式投入运营。然而，一些美国民间团体还是认为人脸识别系统太具侵略性，不应在学校这样的场所中部署。
他们认为，万一系统出现了误报，会给学生带来种种伤害，比如影响学生上课、给学生扣上莫须有的犯罪记录。
今年6月，纽约公民自由联盟提起诉讼，要求洛克波特市停用该系统。
这一起诉得到了当地部分官员的支持。
当地时间6月23日，纽约州议会众议员莫妮卡·华莱士（MonicaWallace）和参议员布莱恩·卡瓦纳（BrianKavanagh）发表联合声明，重申了对隐私问题的担忧：
“我们担心该技术的使用可能侵犯学生、教职员工和访客的隐私权及其他公民权利。这是一种无效的维护校园安全的形式，并且可能无法安全地存储数据。”
据悉，目前纽约州参众两院已经投票通过的新禁令。
接下来，禁令将被提交给纽约州州长安德鲁·库莫（AndrewCuomo）。如果他签字通过，禁令就将成为正式的法律。
校园装“天眼”
美国纽约之外，相关应用此前也在中国教室中被另类应用，并引发了一些社会舆论。
它可以洞察课堂上的一切行为。
此前，浙江省杭州市某中学课堂上多了一位神奇的新朋友：智慧课堂行为管理系统。
通过这套系统，校园管理者可以清楚地看清、分辨哪些同学在专注听课，哪些同学在开小差。
该系统内置三个摄像头，用以捕捉同学们的面部表情和动作，然后进行一系列大数据分析，最终计算出课堂实时考勤数据、课堂专注度偏离分析、课堂行为记录数据以及课堂表情数据，并将结果反馈给校园管理方。
该校负责人表示，系统每隔30秒就会进行一次扫描，针对学生们阅读、举手、书写、起立、听讲、趴桌子等6种行为，再结合面部表情是高兴、伤心，还是愤怒、反感，分析出学生们在课堂上的状态。（其中，仅趴桌子一项为负分行为。）
若此类不专注行为达到一定分值，系统就会向显示屏推送提醒，任课教师可根据提醒进行教学管理及调整。
据悉，该系统还可与学校医务室等其他后台的数据打通，倘若学生有身体抱恙等突发情况，还可被暂列入“白名单库”。
换句话说，在这套系统的“加持”下，同学们每天8节课的320分钟，任何行为都可一目了然地得以展示。
对于该系统的落地、应用，某教育工作者黄老师表示：华而不实。
“学生有没有开小差，老师在讲桌前可以看得一清二楚。”
在他看来，如何能将“学”作为主动权紧紧握在学生手中已成教育管理者需要思考的问题。
学习从来都是一种自主性过程，教育的核心突破不是靠教具形式的升级，学生在课堂的认真程度取决于授课老师的魅力，强行监督只会让很多学生成为“面具人”。
同时，该系统的应用也遭到了不少网友的痛击：
暂且避开隐私、伦理等层面不谈，单从技术角度出发，这项技术的落地应用是否真的可行？
校方称该系统在课堂应用中可以起到两大作用：
一、课堂实时考勤数据。由于教室学生基数不大；另外教室范围也不大。目前很多人脸识别技术厂商都能够很好满足此项需求，不作详叙。
二、课堂专注度偏离分析（微表情数据）。
从系统运行流程来说，它在安装使用后将会进行两步操作：
一是人脸检测，通过人脸相机检测到同学们的脸部，从而完成第一大点所说的实时考勤；
二是基于这些人脸数据做实时的深度分析，通过微表情识别来判断学生们是否分神、开小差。
人脸表情由若干条细微的小肌肉控制，与常见人们发出的较为夸张或者平常的表情不同，微表情持续时间很短、动作幅度很小。
另外，微表情是一种自发式的表情，在人试图掩盖内在情绪时产生,既无法伪造也无法抑制。
与其他生物识别技术的研发相比，微表情识别因为太过细微，一直是计算机视觉领域一个具有挑战性的技术难题，该技术的研发门槛较高，技术难点主要体现在三个方面：
数据收集，这里的数据必须是动态的视频数据；
