不过，Rule 认为开发和测试这项技术的重要性不言而喻：「研究者们证明了这种方法非常强大……现在我们明白了我们需要做点什么了。」
Kosinski 目前拒绝接受采访，斯坦福大学表示，这位教授以在剑桥大学时期进行的心理学研究而闻名，其中包括使用 Facebook 数据识别人格。有趣的是，在 2016 年美国大选，以及英国脱欧投票时期，数据分析机构也使用了类似的分析方法来试图影响投票者，这种技术引发了人们的担忧。
在斯坦福大学的研究中，作者同时指出，人工智能可以被用于探索面部特征与其他很多特性之间的联系，如政治观点、心理状况和个性。
这一类型的研究进一步引起了人们对于类似电影《少数派报告》中危险的担忧，在电影中，警察可以预测犯罪的发生，并对其进行阻止。
「如果有了足够的数据，人工智能可以告诉你任何人的任何事，」人脸识别科技公司 Kairos 首席执行官 Brian Brackeen 说道。「问题是对于社会来说，我们需要知道吗？」
Brackeen 表示，斯坦福大学研究人员有关性取向的研究「非常正确」，人们需要对于隐私和机器学习新技术持有更加慎重的态度，这样才能阻止危险发生。
Rule 对于人工智能，特别是人脸识别的未来也表示担忧：「我们都需要对此保持关注。」
论文：Deep neural networks are more accurate than humans at detecting sexual orientation from facial images.
链接：https://osf.io/zn79k/
摘要：我们展示了人脸包含很多有关性取向的信息，可被人类大脑感知并解读。我们使用深度神经网络从 35326 张面部图像中提取特征。这些特征被输入到一个 logistic 回归算法中，来分类性取向。给定一张面部图像，分类器能够准确的区分同性恋与直男，准确率高达 81%，女性准确率为 74%。而人类在这方面的准确率更低：男、女性准确率分别为 61% 与 54%。如果给定某个人的 5 张面部图像，算法判定是否为同性恋的准确率增长到 91% 与 83%。分类器采用的面部特征包括固定的（例如鼻子形状）与暂时的面部特征（如装饰风格）。与性取向产前激素理论一致，同性恋倾向于拥有性别非典型面部形态、表达与装饰风格。针对单性别的预测模型检测男性同性恋的准确率为 57%，女性同性恋的准确率为 58%。这些发现推进了我们对性取向以及人类认知缺陷的理解。此外，在公司与政府越来越多地使用计算机视觉算法探测人的私密特征，我们的研究暴露出男、女性同性恋的隐私与安全问题。
图 4：通过把普通人脸分类为最可能是同性恋与最不可能是同性恋而建立的合成人脸与普通人脸标志