五角大楼拟投3000万美元，打造AI测谎仪

编者按：从血压计到深度学习，人类试图“读取谎言”的努力已持续一个多世纪。当五角大楼把赌注押在算法与远距离传感器上，一个老问题被重新摆上台面——我们真的能可靠地区分真话与谎言吗？

一份预算文件透露的新计划

根据美国国防部提交的预算申请，美国政府计划在未来五年内投入3030万美元，用于研发一种经过改进的新型测谎设备。该项目被命名为“Polygraph+”（测谎升级版）或“Polygraph Next”（下一代测谎仪），重点方向有两个：一是利用人工智能与机器学习技术开发自动打分算法，二是研究一项名为“非接触式感知”（standoff sensing）的技术。

所谓非接触式感知，指的是在完全不接触受测者身体、甚至在其毫无察觉的距离之外，通过传感器捕捉心跳、呼吸频率、体表温度、面部血流变化以及声带振动等生理信号。这类技术通常借助热成像摄像机、激光多普勒测振仪、毫米波雷达或高灵敏度麦克风实现。如果这条路走通，测谎将不再需要绑在胸口的呼吸带和夹在手指上的皮电传感器——受测者甚至可能不知道自己正在被测。

百年测谎术：从血压计到算法

现代测谎仪诞生于20世纪初。1921年，加州伯克利警官约翰·拉森（John Larson）与心理学家威廉·马斯顿（William Moulton Marston）等人合作，开发出第一台能够连续记录多项生理指标的仪器。其基本假设至今未变：人在说谎时会因紧张而产生应激反应，表现为心跳加快、血压升高、呼吸节律改变和皮肤出汗，而这些变化可以被仪器捕捉。

一个多世纪过去，测谎的核心逻辑几乎没有改变，改变的只是传感器的精度与数据分析的方式。传统测谎依赖经验丰富的检测员主观解读曲线图，而新一代项目希望把判断权交给算法——这也是“Polygraph Next”最本质的转向。

美国国家科学院2003年发布的权威报告指出，测谎仪“能够在高于随机水平、但远低于完美的程度上区分说谎与说真话”。二十多年后，这一结论依然是该领域最常被引用的判词。

为什么是AI，为什么是现在

机器学习擅长在高维、嘈杂的数据中寻找微弱模式，这恰好契合测谎的困境：生理信号本身充满噪声，个体差异极大，同一个人在不同情境下的反应也千差万别。传统测谎的判读高度依赖检测员的经验和主观判断，难以标准化，更难以复现。

支持者认为，AI可以整合呼吸、心率、皮电、语音、微表情等多模态信号，建立更稳定的基线模型，并针对个体差异做动态校准，从而降低假阳性和假阴性。近年来，可穿戴设备与远程健康监测技术的成熟，也为“无接触生理感知”提供了工程基础。

批评者的担忧同样明确：算法并不能消除测谎的根本缺陷，它只是把人为偏见自动化、规模化。如果训练数据本身带有偏差，或者模型把“紧张”误读为“欺骗”，后果可能比人工判读更难以追责——因为没有人能解释黑箱为何做出那个判断。

争议与隐忧：误报的代价

测谎在美国政府体系内的使用由来已久，联邦调查局、中央情报局、国家安全局及国防部长期将其用于安全许可审查和内部调查。1988年，美国国会通过《雇员测谎保护法》，限制私营雇主对员工使用测谎，但联邦政府、情报机构和执法部门获得了大量豁免。

问题在于准确率。测谎在法庭上的地位并不稳固：依据“道伯特标准”，美国多数法院拒绝将测谎结果作为证据采纳，理由是缺乏公认的科学有效性。而在安全审查这类高风险场景中，一次误报可能意味着一位合格候选人失去工作机会或安全许可，其代价由个人独自承担。

此外，人工智能测谎还牵涉更深层的伦理问题。若“非接触式感知”技术成熟，理论上可以在对象不知情、未同意的情况下读取其生理状态。这不仅触及隐私边界，也可能与宪法第四修正案所保护的免于不合理搜查的权利产生冲突。

技术之外的问题

值得注意的是，“Polygraph Next”并非孤例。近年来，多个国家的军方与情报机构都在探索利用AI进行“可信度评估”，从语音压力分析到眼动追踪，再到功能性磁共振成像测谎，路径各异，却共享同一个诱惑：把不确定的人类判断换成看似客观的数字分数。

但测谎的真正难题或许从来不是技术问题，而是认识论问题。说谎没有专属的生理指纹，恐惧、焦虑、愤怒同样会引发“欺骗反应”，而训练有素的受测者也可以刻意平复情绪。仪器测量的始终是生理唤醒，而非谎言本身——这一根本局限，不会因为换成AI而自动消失。

结语

3030万美元的预算规模在五角大楼的庞大盘子中并不显眼，但它所指向的方向值得警惕与关注：当算法接管测谎，我们获得的可能是更高的效率，也可能是更难质疑的权威。技术的进步并不自动等同于判断的可靠，而在关乎个人前途与自由的场景中，这一点尤为重要。

本文编译自MIT Technology Review