Z2.04.1Occupancy versus identification设计研究
有人不等于是谁
别名: 在场检测 · presence sensing · 身份识别分级
概念解释
「空间里有人」与「这个人是谁」是两级不同的感知能力：在场检测（occupancy detection）回答有没有人，身份识别（identification）回答是谁。热释电、毫米波只知道前者；手机定位知道「这部手机在」，不知道手机背后是谁；人脸、声纹才到身份。每升一级，能力增强的同时隐私代价与误认风险同步放大。
大量智能行为的失败源于等级错配：把「有人」当成「某个人」来用——访客触发了主人的个性化、家人被当成客人拒之门外、保洁在场被系统当成无人在家。
机制
能力阶梯的三级，各自的能力边界与隐私价格：
- 匿名在场（热释电、超声、毫米波）：只知道「有人/没人」，识别不了个体。隐私代价最低，误认风险为零——它根本不区分人。
- 设备关联（手机、手表的信标或定位）：把「人」换成「设备」——识别的是手机不是人。绑定假设（手机在=人在）有三类系统失败：手机放家里充电=永久在家；家人互换手机；多人在场时无法区分谁在做什么。
- 生物特征（人脸、声纹、步态）：直接识别到人，但采集最敏感、错误率受环境影响最大（家庭光照、角度、距离都偏离实验室条件），且误认后果最重。
等级错配双向都有害：需要身份的功能配了匿名传感（谁的个性化都做不到），只需在场的功能配了生物识别（开个灯要人脸——隐私代价与失败面同时无谓放大）。按功能的最低需求配等级，不越高也不不及。
怎么研究
- 在场感知的家庭研究：presence-aware computing 的部署研究普遍发现设备关联在场（手机蓝牙/Wi-Fi 探测）在真实家庭里的「在家人数」与实际偏差稳定存在——手机遗留、关机、多人共处一室是主要误差源（此类发现可在泛在计算部署文献中泛引）。
- 识别精度的环境影响：家用场景的人脸与声纹识别评测（光照、角度、混响）显示错误率随环境偏离注册条件显著上升；跨人群的错误率差异在人脸识别文献中有大量记录（泛写现象，不引具体数字）。
- 等级需求分析：对自动化清单逐条问「这个功能最少需要哪一级」，是部署研究里的标准设计步骤。
方法论注意点：实验室识别精度以配合姿态与标定光照为前提；家庭里的识别发生在自然姿态、逆光、远处、多人同框——评测要用家庭条件，不用门禁条件。
边界
- 「手机=人」的假设按小时而非按天失效。 充电、忘带、静音，每天的日常都制造例外；依赖手机在场做「无人自动化」（离家关电器）的家庭，会周期性出现人在家却被执行「无人」动作的体验。
- 多人同住时设备关联失去区分度。 两部手机都在家时，「谁在客厅」仍不可知——需要区分个体就得上升等级，隐私代价随之上升，这个权衡要显式做。
- 生物识别的精度宣传是标称条件。 家用光照与角度下的实际错误率高于实验室值；等级选择要按实测，不按产品页。
怎么落地
- 为每条自动化标注所需的最低身份等级（在场/设备/人），按等级配传感；用低等级传感实现高等级需求的功能，重新设计触发条件而不是硬认。
- 身份不确定时降级为在场级行为并明示：个性化问候退回通用问候，「欢迎回家」退回「灯已开」。
- 需要区分个体的场景（分人个性化、分人权限），显式评估是否值得为它上生物识别——隐私代价与误认风险一起算。
- 验证办法：构造访客在场场景（朋友进门、手机主人在卧室而客人在客厅），逐条核对自动化的触发身份是否符合预期。任何把访客当主人的路径都是等级错配缺陷。