Robert Dillon 住在佛罗里达 Fort Myers。按诉状说法，那里距离案发地 Jacksonville Beach 超过 300 英里，他还称自己从未去过案发地。
但在 2024 年，他因一项人脸识别“93%匹配”被逮捕，并被控试图引诱儿童。检方后来撤销了指控。Dillon 现在由 ACLU 等代理，起诉 Jacksonville Beach 警方、Jacksonville 警长办公室、Pinellas 县警长等机构，索赔并要求改变警方使用人脸识别的方式。
这案子最值得盯的，不是“AI 又认错人”这么简单。
更关键的问题是：警方拿到一个看起来很精确的分数后，是把它当线索继续查，还是把它当答案往前推。
“93%匹配”不是“93%就是本人”
案发地点是 Jacksonville Beach 一家麦当劳，时间在 2023 年 11 月 2 日深夜。警方称，一名男子在店内多次询问一名未满 12 岁女孩是否愿意离开餐厅。
之后，警方从监控画面中提取嫌疑人图像，并通过 Pinellas 县警长办公室维护的 FACES 系统搜索。Dillon 被标为“93%匹配”。
这里有一个很容易被误读的点。
诉状强调，“93%”是算法对脸部模板相似度或置信度的评分。它不是“有 93% 概率是 Dillon 本人”，也不是法律意义上的确定识别。
这不是抠字眼。执法流程里，数字越像结论，越容易压过后面的核验。
更麻烦的是，输入图像本身并不理想。诉状称，警方使用的不是原始监控视频导出文件，而是拍摄麦当劳电脑屏幕得到的照片。屏幕反光、分辨率损失、色彩偏差，都会让比对更脆弱。
把这几项放在一起看，问题就清楚了：
| 关键信息 | 诉状中的说法 | 为什么重要 |
|---|---|---|
| 居住地 | Dillon 住在 Fort Myers，距 Jacksonville Beach 超过 300 英里 | 是否到过现场，应当先被核查 |
| 本人说法 | Dillon 称自己从未去过案发地 | 需要行踪证据交叉验证 |
| 图像来源 | 拍摄监控画面的电脑屏幕，不是原始视频导出 | 低质量输入会放大识别风险 |
| 匹配分数 | “93%”是相似度/置信分数 | 不能等同于身份确认 |
| 案件状态 | 指控后来被检方撤销 | 不能再把起诉本身当作事实确认 |
人脸识别在这类场景里，合理位置更像“找候选人”。它可以提醒警方去查某个人，但不能替代到场证据、物证、目击识别和行踪核验。
这条线要分清。否则，技术就从耳目变成了判官。
被遗漏的排除性证据，才是诉状里最重的一刀
Dillon 一方的核心指控，不只是系统给出了错误匹配。
诉状称，警方还掌握或接触过一些可能排除其嫌疑的信息，却没有把它们完整写进逮捕令申请。
最关键的一项，是车牌读取数据库。
按诉状说法，警方检索过自动车牌读取数据库，没有发现 Dillon 的两辆车在 2023 年 11 月 1 日至 3 日出现在 Duval County。Jacksonville Beach 所在的 Duval County，正是案发相关区域。
但这项结果没有写入逮捕令申请。
诉状还称，办案警员曾与 Dillon 通话。Dillon 否认涉案，并描述了自己从发际线到鼻子的明显疤痕。Dillon 一方认为，这些可用于排除嫌疑的信息，也没有被完整呈现给签发逮捕令的法官。
这就是本案比普通“算法误报”更严重的地方。
如果警方只拿人脸识别当线索，后续调查会不断寻找确认和排除两类证据。可如果排除性证据被轻放一边，流程就会向一个方向倾斜：先相信系统，再筛掉不配合这个结论的材料。
当然，目前这些仍是诉状中的指控。法院还没有认定警方违法，也没有认定相关人员恶意起诉。
但法律争点已经很明确：逮捕令申请是否遗漏了足以影响法官判断的材料；人脸识别结果是否被放在了超过其可靠性的证据位置；警方是否让一个易错系统顶替了调查。
这不是抽象伦理问题。它会直接影响一个人被不被上铐、能不能保住工作、名字会不会长期和严重指控绑定。
Dillon 是商业捕蟹人。诉状称，他被捕时正处在收入较好的季节，曾被拘留一夜，为保释借钱并抵押卡车产权。指控撤销后，公开可查的嫌犯照片仍影响他的生活和工作。
案件还涉及儿童。哪怕检方撤案，名誉伤害也很难像删除一条记录那样消失。
这案子给两类人提了具体要求
对关注 AI 执法与公民权利的读者，这案子提醒的是一个很现实的判断标准：不要只问“系统准不准”，还要问“系统输出之后，警方有没有做独立核验”。
如果一份逮捕令材料里只有匹配结果，却缺少行踪、车辆、现场、身体特征等交叉证据，就该保持怀疑。尤其要看排除性证据有没有被写进去，而不是只看支持逮捕的材料有多少。
对公共安全部门和司法科技从业者，这案子更像一张流程清单。
采购或上线人脸识别系统前，至少要把三件事写进制度：分数怎么解释，低质量图像能不能用，排除性证据由谁记录并提交。做不到这些，采购就该延后，或者先限制在人工线索筛查阶段。
这不是要求警方完全不用技术。现实约束也要承认：公共安全部门面对的是时间压力、人员不足和大量低清监控。人脸识别确实可能帮助缩小范围。
但越是在这种压力下，越不能让“快”替代“准”。
美国已有类似前例。2020 年，底特律男子 Robert Williams 因人脸识别错误匹配被捕，后来成为美国人脸识别误捕争议中的标志性案例。底特律随后对相关流程作出限制。
横向看，争议从来不只是“系统会不会找相似脸”。真正的分水岭是：警方有没有把系统输出、目击识别、物证和行踪证据分开审查。
本案接下来最该看三件事。
| 观察点 | 具体要看什么 | 影响 |
|---|---|---|
| 逮捕令材料 | 法院是否认为遗漏信息影响了 probable cause 判断 | 决定本案责任边界 |
| FACES 使用规范 | 相关机构是否公开分数解释、图像质量要求和审计记录 | 决定系统能否被外部监督 |
| 人脸识别定位 | 结果在逮捕令中被标注为线索，还是证据支撑 | 影响后续执法使用门槛 |
现在能确认的是，Dillon 面临的刑事指控已经被撤销。
还不能确认的是，法院会在多大程度上认定警方行为违法，或认定相关机构需要改变人脸识别流程。
但这案子已经把一个问题推到台前：当一个“93%匹配”遇到 300 多英里的距离、缺失的车牌记录和低质量图像，警方到底该相信哪个。