如果某人说“知人知面不知心”，那他肯定是发现了他熟悉的人做了让他意想不到的事情，之前一直觉得这个人很好，突然听到了这个人干了一件坏事，然后觉得“人设崩塌”。
美国著名颅相学家塞缪尔·韦尔斯在《观相学》一书中讲过一个故事：库比赛到其朋友德兰戈斯的房子参观，他在一幅女性的画像前驻足良久，他对德兰戈斯说：“这个女人很漂亮，对吧？”“确实！”德兰戈斯回答道，但库比赛接下来却断言说，“她有魔鬼一样的心，她一定是个坏女人。”
令人惊讶的是，这幅画像画的真是一位臭名昭著的囚犯，她的残忍和她的魅力一样闻名遐迩。
范爷戏演得不错，长得也漂亮，虽然有人说她与洪某人有私生子，但似乎也没得到证实。但偷税漏税被坐实，那玩完了，估计翻不了身了。
靳东、吴秀波等男神一直在我心目中有着完美男人的形象，突然有一天，负面信息铺天盖地，不得不让人怀疑人生，我当初怎么就没看出来呢？
其实，如果懂一些面相学，可能你就能提前预测出，这些事情的发生是有预兆的，出事是早晚的，没出事是因为隐藏得好。因为凡是人设崩塌的这些人有一些相似的特征。
例如南开大学进行了一项关于银行行长面部宽高比（fWHR）的研究，结果发现，行长的面部宽高比影响银行绩效，脸越宽的行长，银行绩效越好。
所以知人知面就可以知心，人设崩塌的人都有哪些共同特征呢？
再让我们看看下面的这个例子：
Kosinski那篇饱受争议的《深度神经网络比人类更能准确从脸部影像判别性取向》，该文用神经网络分析了35326张交友网站照片，包括18~40岁之间的17641名男性和17685名女性，他得出了什么结论呢？这其中有共同特征照片的人，会在心理上有什么共同特征吗？
答案是肯定的。
Kosinski在判断一个人是否是同性恋的问题上，男性和女性的正确率分别高达81%和71%，而当同一个人的分析照片达到5张以上，正确率可达91%和83%。
这不得不让人对这些人设崩塌的人的面相进行研究。
其实，这也不是现代科学提出来的，中国古代面相学非常流行。
晚清名臣曾国藩撰写的《冰鉴》一书，在这本书中他基于情态、气色、须眉、声音、五行、阴阳等传统元素，系统介绍了面相识人之术，将人的五官形态与人的个性命运对应挂钩。
他在《须眉篇》中写道：
“目者面之渊，不深则不清。鼻者面之山，不高则不灵。口阔而方禄千种，齿多而圆不家食。眼角入鬓，必掌刑名。顶见于面，终司钱谷：此贵征也。舌肥无官，橘皮不显。文人有伤左目，鹰鼻动便食人：此贱征也。”
麻衣相法
面相学就是利用面部特征去判断内在，再从相似的表征去得到类似的内在判断。这离不开大量的经验和对比总结，例如我们遇见一个浓眉大眼，声如惊雷还有着宽广脸庞的男人，会下意识地想到他大概是和腾格尔一样粗犷的人，我们对腾格尔的印象会迁移到其他具有相似特征的人身上。
在大数据时代，通过对诸多人设崩塌的人面部特征进行分析，找出他们的共同点。我们先看看下面这几位涉毒的明星：陈羽凡、满文军、柯震东、房祖名、李代沫
陈羽凡
满文军
柯震东
房祖名
李代沫
我们凭借肉眼似乎已经找到了很多共同点。
当然，数据的主观偏见也是普遍存在的，数据有时候像女人身上的比基尼，给我们揭示的只是部分事实，所谓的大数据，再大也只是世界众多侧面中的一个侧面。
因为算法是人为加上去的，所以算法会产生分析师自己独到的偏见。
亚马逊的招聘AI算法就偏好具有男性特征的简历，而对女性面试者则不够友好，因为在算法的训练数据中，男性要远远多于女性。
美国法院使用的人工智能程序也对黑人的再犯罪判定具有一定的偏见，这套程序会认为黑人的再犯罪率要远高于白人，而且这还会影响法院对不同人种的刑期判定。
在金融风控方面，AI算法的结果也会对人的种族、阶层存在较大的偏见。深色人种即使品行端正也很难申请到住房贷款，因为算法会将他与那些大多工作不稳定且有犯罪前科的深色人种归为同类。
所以，大数据为我们知人知面又知心提供了可能，但要摆脱偏见，真正做到知人知面又知心，还有很长的路要走。
閱讀更多 雨立裡 的文章
