Skip to main content

美国各州隐私保护法:如何限制AI监控与车牌追踪

2026-04-15 18:33 浏览:

  在我对颇具争议的监控公司Flock Safety及Motorola旗下VehicleManager等车牌追踪系统的报道中,我曾提到,美国读者保护自身住所和车辆隐私最有效的方式之一,就是推动立法者出台相应的隐私保护法律。随着AI识别能力的不断提升,系统已能即时识别车辆、人脸及其他身份信息,这一点变得更加迫切。

  这引出了一个关键问题:什么样的隐私保护法律才是最有效的?为了帮助大家了解应当支持哪些法规,以及各州目前的立法现状,我进行了深入调查。摆在眼前的挑战是,每个州的情况各不相同,目前尚无明确指引来判断哪些隐私法律真正有效、哪些存在漏洞。

  为此,我专访了美国公民自由联盟(ACLU)高级政策顾问、监控议题负责人查德·马洛,请他列举最具代表性的立法案例。以下这些法律正在切实改变我们的隐私保护现状。

  解决这个问题需要集体行动,而非个人行动,马洛告诉我,我要特别提醒的是,尽管Flock是目前美国问题最严重的车牌自动识别(ALPR)公司,但Axon和Motorola等其他公司同样存在严重的隐私风险。从Flock切换到Axon或Motorola,充其量只是略微降低了危害,远非真正意义上的解决方案。

  那么,哪些现行法律更接近真正的解决方案呢?这是一个广撒网、看成效的局面。下面让我们来看看哪些法规真正经受住了考验。

  当前的隐私保护法律主要针对地方执法机构的两类新兴能力:一是能够识别和追踪车辆的ALPR自动车牌识别系统,二是搭载AI摄像头的无人机监控设备。Flock等安防公司还开始提供更传统的地面摄像头,可实现实时画面传输和人员追踪。

  借助Flock的自由搜索(Freeform)等AI功能,警方可以输入任意关键词,调取相关摄像头画面,这些工具的能量不可小觑,因此迫切需要新的立法加以规范。以下是几类能够真正发挥作用的法律。

  一些覆盖范围最广的法律,直接针对AI摄像头被允许执行哪些操作。这类法律并不专门针对ALPR摄像头或无人机,但它们对警方和商业机构的搜索行为设置了明确限制。

  伊利诺伊州长期以来是此类隐私立法的标杆,其《生物特征信息隐私法》(BIPA)保护指纹、面部数据等个人生物特征信息,并规定企业在使用上述信息前须获得书面授权。

  该法律的影响十分深远——谷歌Nest的熟悉面孔功能在伊利诺伊州被完全封锁,Flock的部分识别功能也受到限制。城市层面同样可以通过类似立法:在俄勒冈州波特兰市,某些人脸识别功能同样无法正常使用。

  不过,此类法律存在一个明显短板——目前尚未将车牌和车辆数据纳入保护范围。这些数据与个人姓名和住址高度关联,亟需通过专项立法加以保护,或在现有生物特征法律中予以增补。目前来看,前者更为普遍:我所注意到的唯一将ALPR数据列为个人信息纳入隐私法保护的州,只有加利福尼亚州。

  各州还在推行一类新型法律,允许使用ALPR摄像头,但禁止其记录和传输个人信息,或以某种方式对相关信息进行保密处理,佛罗里达州和新罕布什尔州均已出台此类法规。

  这类法律可以限制摄像头采集车内人员信息,仅允许识别车牌本身。Flock等公司宣传其摄像头能够识别车辆上方的保险杠贴纸、行李架等细节特征,而此类法律将大幅削弱这些AI检测功能的使用空间。

  此外,部分州还对警方使用摄像头设置了更严格的审批程序,例如要求警察局长在任何ALPR搜索请求上签字审批,从而有效降低数据被滥用的风险。

  多个州制定了专项法律,允许在特定情况下使用车牌识别和AI摄像头,但仅限于命案调查、绑架案等正在进行中的刑事调查。各州对摄像头使用范围的限定程度不一,有些州的规定极为严格,有些州则相对宽泛。

  此类法律能够阻止企业、业主委员会及其他类似机构获得摄像头使用权,从而防止它们与Flock Safety等公司签订合同。部分法律还禁止在特定区域(如公共高速公路)使用摄像头。

  在隐私保护领域,最有效的监控管控措施之一,是强制要求删除摄像头所采集的所有画面,除非相关数据正在用于经确认的调查。这意味着警方无法在规定时限后进行未经授权的数据搜索,也不得将数据分享给外部机构。

  此类法律同样可以防止警方对特定人员建立长期监控档案,记录其行踪规律和日常行为。正如马洛所言:对每一个人建立位置档案,以防万一其中某人有犯罪嫌疑——这种做法是我所能想象到的最违背美国隐私理念的行为。

  在这方面,新罕布什尔州的规定最为严格,要求未使用的采集数据必须在3分钟内删除,远比大多数州的期限短,但ACLU对此表示赞同。

  对于希望保留稍长时间以判断采集到的ALPR数据是否与在案调查相关的州来说,保留几天已经足够,马洛说,华盛顿州和弗吉尼亚州最近采用了21天的保留期限,这已经是可接受的最长上限。马洛警告,警方保留数据的时间越长,就越容易形成生活轨迹画像,从根本上侵蚀个人隐私。

  我也注意到一些州的法律规定数据可保留数年,但这样的规定基本形同虚设——数据完全可能在此期间被整合并转移至其他平台。

  弗吉尼亚州和伊利诺伊州等地已立法禁止将任何ALPR或相关数据共享至州外,包括联邦政府机构。这类法律通常针对国土安全部和移民与海关执法局(ICE)——这些机构(连同FBI等其他机构)一直以来会向地方警方索取Flock摄像头的数据,或被授权通过后台访问Flock搜索系统。

  此类法律能够阻断数据外流,前提是存在有效的数据传输追踪机制和法律执行手段,而这恰恰是实施难点。理想情况下,在没有搜查令的前提下,任何数据都不应被分享给采集机构以外的任何方,马洛表示,但一些州选择禁止数据流向州外,这总比什么都没有要好,也在一定程度上降低了风险。

  明尼苏达州等地还增加了要求公开ALPR搜索记录的规定,让公众能够查阅警方的搜索历史,这是推动执法透明的重要一步,但目前在该技术领域仍属罕见。

  还有一种管控高性能摄像头的方式,是要求在签订合同和安装部署之前,先经过州政府的审批程序。难点在于,不同州的审批流程可能差异悬殊。

  例如,德克萨斯州虽然要求持证上岗,但获证门槛似乎相对较低,且并非所有人都严格遵守。

  佛蒙特州则推出了一套完整的审批程序,对ALPR摄像头的使用场景和数据管控提出了严格要求。由于审批流程过于繁琐,当地机构纷纷选择放弃申请——到2025年,全州已无任何执法机构在使用ALPR摄像头。

  过去一年,在ALPR摄像头之外,社区中出现了一个新兴的隐私担忧——搭载摄像头的监控无人机。这类无人机能够识别车辆或人体特征(如胡须、帽子、衣服颜色等),并自动跟踪目标,由此催生了进一步立法的需求。

  阿拉斯加、爱达荷、犹他和德克萨斯等州已专门立法,要求在使用无人机执行监控任务前必须申请搜查令。从理论上讲,这应当能阻止Flock在枪击检测或处理911报警时自动放飞无人机,但地方执法部门似乎已借助法律豁免条款和漏洞绕开了这些限制。

  值得一提的是,我所在的州曾在2025年试图通过新立法取消无人机搜查令要求,该提案最终未能通过,再次提醒我们:相关规定随时可能发生变化。

  新出台的法律面临频繁挑战,Flock等公司和地方警察部门甚至可能直接无视相关规定。要解决这些问题,需要大量法律行动,以及可能耗时数年的判例积累,更不用说各州目前可能尚不具备相应的调查和执法机制。

  拟议中的立法在推进过程中也可能发生诸多变化,因此,如果你希望在所在州推动特定的禁止性规定或隐私保护要求落地,就应当全程跟踪立法进展,并持续与参议员和众议员保持沟通。

  如果你对某项法律的具体内容不甚了解,务必仔细研读原文,或寻求法律专家的解读。我未在本文列举的许多较次要的法律,往往包含大量豁免条款、例外情形和宽泛的自由裁量空间,实际上对隐私保护几乎毫无约束力。

  当然,你能做的不止于此。目前已涌现出一批倡导行动,例如法律研究所(Institute of Justice)发起的车牌项目(The Plate Project),你可以参与其中、捐款支持,或深入了解更多信息。别忘了在地方层面发声——在市议会论坛上表达关切,可能在监控合同签订之前就将其扼杀。

  A:新罕布什尔州的规定最为严格,要求未被使用的ALPR采集数据必须在3分钟内强制删除。此外,伊利诺伊州通过《生物特征信息隐私法》(BIPA)对人脸等生物特征信息实施强力保护,佛蒙特州则建立了极为繁琐的审批流程,最终导致全州执法机构在2025年全面停用ALPR摄像头。整体来看,各州保护力度差异悬殊,目前尚无全国统一标准。

  A:Flock Safety的摄像头不仅能识别车牌,还能通过AI功能检测车辆上方的细节,例如保险杠贴纸、行李架等。其自由搜索(Freeform)功能还允许警方自由输入关键词,调取相关摄像头画面。此外,Flock的监控无人机还能识别人体特征,包括胡须、帽子、衣服颜色等,并自动跟踪目标。

  A:是的,国土安全部、移民与海关执法局(ICE)、FBI等联邦机构已有向地方警方索取Flock摄像头数据或被授权后台访问Flock系统的先例。为此,弗吉尼亚州和伊利诺伊州已立法禁止将ALPR数据共享至州外,包括共享给联邦机构。不过,法律的实际执行效果仍取决于是否具备有效的数据传输追踪机制。

  特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

  受贿4139万余元,中国兵器装备集团有限公司原党组成员、副总经理刘卫东一审被判处有期徒刑十三年,并处罚金人民币四百万元

  日本小学生失踪三周后尸体被找到,部分已成白骨!曾和家人计划隔天就来中国旅行……

  北京十一朝、深圳罗湖未来、杭州云谷……这几年,校园里长出了“不一样”的学习样态