原作：佚名/日本网友
编译：StarKnight
编译：StarKnight
这个故事并非什么能把人吓到屁滚尿流的恐怖鬼故事，只不过偶尔回想，还是令人脊背发凉，所以不妨写下，供诸君一阅。
已经是好几年前的事了。当时，我是一家企业的研究团队的一员。
说是研究员，但并非穿着白大褂、调试各种药剂的那种研究——我们做的是基于监控录像的人脸识别系统，及其相关应用。
比方说，在电脑主机上搭建一个程序，然后向它输入大量的监控摄像头数据，最终，程序通过人脸识别，输出诸如「ID:0001 ，通过点：X→Y→Z」这样的记录（log）。
说是研究员，但并非穿着白大褂、调试各种药剂的那种研究——我们做的是基于监控录像的人脸识别系统，及其相关应用。
比方说，在电脑主机上搭建一个程序，然后向它输入大量的监控摄像头数据，最终，程序通过人脸识别，输出诸如「ID:0001 ，通过点：X→Y→Z」这样的记录（log）。
当然，这种程度的功能，市面上已经多得很了，我们要做的是，尝试在此基础上，逐渐追加各种功能，看能不能获得什么意外成果。
最先开发的是「年龄判断」功能——大概不少人听说过。
基本原理和天气预报差不多：预先在系统内存储数千组人脸/年龄的数据，当摄像头读取到动态的人脸时，基于预存的数据，给出一个预想值。
基本原理和天气预报差不多：预先在系统内存储数千组人脸/年龄的数据，当摄像头读取到动态的人脸时，基于预存的数据，给出一个预想值。
这个方法不算复杂，但精度却不低。在试验阶段，就能猜中40%左右，其余的误差保持在±8岁之内，很有意思。
但若仅是「年龄判断」功能，也已经有不少地方在做，于是我们继续努力，想做出一点更加独特的功能来。
幸好，我们研究室手头有不少原始资料，包括人物的照片，名字，年龄，籍贯和学历，等等，可供我们做各种试验。
猜名字的功能我们放弃了。那么离散的数值让电脑来猜，委实有点困难。
令人惊讶的是，「看人脸猜学历」（学历分为四档：初中/高中/普通大学/一流大学毕业）竟然有高达60%的准确率。
「看人脸猜籍贯」（让电脑将冲绳-北海道作为一个连续的值来判断），则有将近10%的准确率。
——可能有人会想：「什么啊，才10%而已？」但这其实是个很了不得的比率。
让人看脸猜年龄，准确度也许超过电脑，但光看脸猜别人的籍贯，10次中未必能中1次。
——可能有人会想：「什么啊，才10%而已？」但这其实是个很了不得的比率。
让人看脸猜年龄，准确度也许超过电脑，但光看脸猜别人的籍贯，10次中未必能中1次。
总之，这里想说的是，只要给予电脑足够多的样本，程序的推算精度还真的不容小觑。
闲话少叙，书归正传。
当时，正是《死亡笔记》正流行的时候。可能是受了这部作品的影响，我们团队里一个喜欢异想天开的「疯狂科学家」（姑且称他为A吧），提议说：「我们来做做看寿命预测吧」。
显然，我们手头的照片资料内，是不可能有「剩余寿命：XX年」这一栏的。
A说：「我们可以用历史人物的照片。有些是黑白的，应该不会对识别精度有太大影响，没关系的。」
确实，黑白照片的识别精度虽没有彩照来得高，但对人脸识别程序的影响不会太大。
A说：「我们可以用历史人物的照片。有些是黑白的，应该不会对识别精度有太大影响，没关系的。」
确实，黑白照片的识别精度虽没有彩照来得高，但对人脸识别程序的影响不会太大。
「不过，光用历史人物照片，样本数恐怕不够吧？」
「不一定非要是名人，只要有大头照，摄影年份+死期就可以了啊，所以天灾或者事故的死者也可以拿来用的。」
「等等……那岂不是会混进去很多因为外部原因而死的样本？」
「没关系，要的就是这个效果！」A笑眯眯地说。
「不一定非要是名人，只要有大头照，摄影年份+死期就可以了啊，所以天灾或者事故的死者也可以拿来用的。」
「等等……那岂不是会混进去很多因为外部原因而死的样本？」
「没关系，要的就是这个效果！」A笑眯眯地说。
——原来这家伙想要的效果，不是「通过对象面貌，推定其健康程度，进而预测其寿命……」而是想让电脑完成摆摊算卦的相面先生的工作。
我对于拿死人的数据来做样本这事儿，多少有点抵触，但那时大家都是好奇心旺盛的年轻人，于是马上就动手开始做了。
每天一点一点地将照片、死亡年份-照片拍摄年份（=剩余寿命）的数据录入电脑，过了几个礼拜，样本数达到了2000多个。
于是，我们进入了实验阶段。说是实验，但因为不知道正确答案是多少，谁也没法验证其是否真的准。
第一个实验对象是我。大家启动了系统，让我站在摄像头面前。
很快，摄像头找准了我的面部，隔了几秒，系统画面上弹出了一个答案：
余命：60。
嗯，现在日本男性的平均寿命大概是80来岁，这个答案也不算那么离谱嘛。
（忘记说了。我们团队里的成员都是二十来岁，只有组长三十挂零）。
很快，摄像头找准了我的面部，隔了几秒，系统画面上弹出了一个答案：
余命：60。
嗯，现在日本男性的平均寿命大概是80来岁，这个答案也不算那么离谱嘛。
（忘记说了。我们团队里的成员都是二十来岁，只有组长三十挂零）。
接着，其他组员也都拍了照，得出了各种结果。
可能是因为样本数还是不够多，答案差异非常之大：
23、112、75、42……有些实在太离奇了。
其中最刺激的结果是A，他的测算结果是「0」。
可能是因为样本数还是不够多，答案差异非常之大：
23、112、75、42……有些实在太离奇了。
其中最刺激的结果是A，他的测算结果是「0」。
看起来，实验是失败了。让电脑做算命先生的活，还是力不从心。
不过那2000多个样本是大家辛辛苦苦手动录入的，自然要看看能不能在别的地方派点用场。
不过那2000多个样本是大家辛辛苦苦手动录入的，自然要看看能不能在别的地方派点用场。
于是，我们将程序调整到log记录模式，然后将公司服务器上保存着的各种监控录像数据导了进去。
数据导入花了一整晚。第二天，电脑输出了数千个辨识log。
我们将log数据作了一番统计处理，发现了一些有趣的现象：
随监控场所的不同，余命的数据差别也非常之大。
比如说，小学的场景，电脑推算出的登场人物余命均值是「106」。
这个数字远远超过全部记录的均值「46」。
随监控场所的不同，余命的数据差别也非常之大。
比如说，小学的场景，电脑推算出的登场人物余命均值是「106」。
这个数字远远超过全部记录的均值「46」。
相反，低于该均值的数据来源，则是高速公路的服务区监控录像：平均值为「38」。
这是不是说明，开车或坐车的人，早死的风险比较大？
这是不是说明，开车或坐车的人，早死的风险比较大？
按照由多到少的顺序往下翻，倒数第二位的，是本地的一所养老院的录像，平均值为「15」。
倒数第一位呢？ 如你所猜想的，是医院。平均值居然只有「4」！
等等，好像不大对啊。就算是医院的录像，平均余命只有4年也太不自然了。
比如说，住院患者中一定有因为参加体育活动受伤的少儿吧，他们的余命应该很长才对。
比如说，住院患者中一定有因为参加体育活动受伤的少儿吧，他们的余命应该很长才对。
为了确认是不是什么地方出了差错，于是我们调取了原始数据。
一看，当时就惊着了。
一看，当时就惊着了。
原始数据的格式是这样的：
「ID:1234 VALUE:34（← 在这里，VALUE的值即为推定余命） …」
「ID:1234 VALUE:34（← 在这里，VALUE的值即为推定余命） …」
像这样一条条的数据在屏幕上排开，绵延不绝。大部分是很普通的数字，比如「34」或「50」等等。
可是，其中夹杂了几个不可能存在的数——
负数。
可是，其中夹杂了几个不可能存在的数——
负数。
以防万一，我们调出医院以外的原始数据来看，发现其他场所的log里面，也有几个负数的记录，但绝对数量比医院少得多。
——如果按照字面意义来解释，即是「余命=-3年」，也就是「已经死了三年」。
——所以，医院里探得的数据，负数特别多，所以导致余命的平均值也大为下降。
……我们努力想要保持冷静，但冷汗已经把衣服湿透了。
——所以，医院里探得的数据，负数特别多，所以导致余命的平均值也大为下降。
……我们努力想要保持冷静，但冷汗已经把衣服湿透了。
之后，团队成员开了几次会，觉得只能得出两个结论——无论哪一个都令人丧气。
即，1）让电脑测算余命，误差太大，没有信服力；
或，2）我们的周围，有余命为负数的人在昂然阔步。
当然，最终我们采纳了第一个结论。对于整个实验，我们拟了一份报告，随便起了一个《利用人脸辨识程序调查健康状态的可能性》的名字，上交给了领导（这倒是事前就计划好了的）。
即，1）让电脑测算余命，误差太大，没有信服力；
或，2）我们的周围，有余命为负数的人在昂然阔步。
当然，最终我们采纳了第一个结论。对于整个实验，我们拟了一份报告，随便起了一个《利用人脸辨识程序调查健康状态的可能性》的名字，上交给了领导（这倒是事前就计划好了的）。
这个项目就此打上封印。
我们每天都要与数百人擦肩而过，目光交错。
谁知道其中有多少张脸，是「余命为负」的？
我们每天都要与数百人擦肩而过，目光交错。
谁知道其中有多少张脸，是「余命为负」的？
还有一件重要的事情忘记写了，补上。
被电脑推算出「余命为0」后不到一年，A死了。
上班高峰期，他从站台上跳下了铁轨。
电脑是怎么预测出来的？
谁也搞不懂。
上班高峰期，他从站台上跳下了铁轨。
电脑是怎么预测出来的？
谁也搞不懂。
我们提供给电脑的信息，只有「样本」与「测算对象的脸」而已。
可是A确如电脑宣告的那般，如期死去了。
有一个词，叫「死相」。
有些异能人士，看人的脸，就约莫能知道，「这个人快死了」。
可是A确如电脑宣告的那般，如期死去了。
有一个词，叫「死相」。
有些异能人士，看人的脸，就约莫能知道，「这个人快死了」。
我对超自然的事情不大感冒，但自从A死后，我开始非常害怕靠近监控摄像头与拥挤的人群。
还有，只要不是逼不得已，我也绝不靠近医院。
<完>
