外送茶女利用「AI 面部偵測」篩選客戶風險的科技防護新模式
摘要
在外送茶工作尚未合法化的華人社會中，外送茶從業者面臨高度風險，包括暴力、偷拍、詐欺與警察臥底等不可預測的危害。傳統的安全機制依賴人力黑名單、經紀人審核、或同業通報，但存在資訊不足、更新落後、人為偏好強烈以及平台壟斷等問題。近年來，AI 面部偵測技術（AI Facial Analysis）的普及，讓部分外送茶女開始採用此技術作為自我防護的一環，形成新的科技風險治理模式。
本研究透過科技社會學、風險社會理論、演算法治理、以及外送茶工作研究的視角，探討外送茶從業者如何自行運用 AI 面部偵測進行客戶風險篩查，包括身分一致性比對、微表情辨識、危險指標分析與比對黑名單等功能。並進一步分析此工具在非典型勞動環境中的嶄新意義、其社群治理效應、跨國比較（日本、韓國、歐美）、以及可能導致的倫理爭議，例如隱私侵犯、演算法偏誤與科技歧視。
研究顯示，AI 面部偵測對外送茶女而言並非「科技玩具」，而是一種在制度缺席與高風險工作環境中誕生的自主防衛科技。它提升了勞動者的主體性，使其不再全然仰賴經紀人與平台，卻也引入新的權力關係與風險治理層級。最後，本研究提出政策建議，包括：建立匿名化資料庫、加強資訊安全標準、支持外送茶工作者導向科技設計（sex-worker-driven tech）、以及制定合法的防護性 AI 工具使用規範。
第一章 引言：AI 與外送茶產業的風險交會
外送茶（escort delivery）作為一種非典型性工作型態，具有「匿名、快速、移動性高、缺乏固定職場」等特性，使其天然地處於高風險環境。從業者必須在相對無法控制的情境中直接面對陌生客戶，且往往缺乏可依循的勞動制度或法律保障。
傳統的防護方式包括：
安全司機（提供外圍保護）
黑名單社群（交換惡客資訊）
視訊確認（驗證客戶外貌）
經紀人預先審查（電話、帳號、照片）
然而這些方式無法完全杜絕高風險客戶，尤其在匿名 SIM 卡、假照片盜用、深偽影像（Deepfake）興起的當前，從業者往往無法在第一次見面前掌握任何可用資訊。
在此脈絡下，AI 面部偵測成為從業者嘗試的新工具，它能在「見面之前」盡可能降低不確定性。
本研究試圖回答以下問題：
AI 面部偵測如何被外送茶女實際使用？
從業者為何信任 AI？其信任建立在什麼社會基礎上？
AI 引入後改變了哪些權力與風險結構？
該技術會帶來哪些潛在風險（誤判、歧視、隱私侵犯）？
與他國性產業的科技應用相比，有何異同？
本章節為後續的深入分析奠定背景脈絡。
第二章 技術原理與使用方式：外送茶女如何實操作？
AI 面部偵測（Facial Analysis）並非單一技術，而是一套複合式分析工具，包含：
臉部特徵辨識（face recognition）
微表情分析（micro-expression analysis）
年齡估算（age estimation）
情緒與危險指標評估（sentiment & risk scoring）
影像一致性驗證（liveness & identity check）
在外送茶產業中，被應用於以下流程：
2.1 預約前：身分一致性比對
外送茶女收到客戶照片後，會利用 AI 工具比對：
是否為盜用網路照片
是否與其提供的社群資料不一致
是否與已知惡客黑名單相似
是否為深偽照片（Deepfake）
在許多案例中，暴力客與偷拍客常使用他人照片或截圖，AI 的相似度比對能有效降低此類風險。
2.2 面交前短視訊：微表情分析與行為預測
許多從業者會要求進行：
5–8 秒短視訊
舉手、轉頭、微笑等動作
讓 AI 分析其「表情一致性」與「異常情緒」
研究指出，微表情（如緊縮眉頭、咬牙、刻意壓抑的焦慮）可暗示酒醉、吸毒、或攻擊傾向。
2.3 到場比對：外貌變化偵測
有些危險客會提供十年前的照片、或刻意用濾鏡修到認不出。
AI 的到場比對能在門口就提醒從業者：
異常高差異度（可能危險）
外貌與身分資訊不符
是否有多人一起接近
在此階段，AI 成為「最後一道關卡」。
2.4 紀錄與匿名資料庫共享
部分從業者會將 AI 分析結果匿名上傳至社群，形成：
惡客資料庫
旅館風險地圖
區域安全趨勢分析
這是一種典型的「群眾治理模型」（crowd-governed safety system）。
第三章 理論分析：AI 如何重塑外送茶工作中的風險治理？
本章透過三大理論框架分析：
3.1 風險社會（Beck, 1992）
烏爾里希．貝克提出的風險社會理論指出：
在後現代社會中，人們所面臨的危險越來越難以預測，而科技既是風險來源，也是風險治理工具。
外送茶產業就是典型案例：
科技（深偽照片、假帳號）帶來新的風險
科技（AI 偵測）又成為防護手段
外送茶女使用 AI 的行為正是「將科技變成自身保護武器」。
3.2 演算法治理（Algorithmic Governance）
AI 介入後，風險治理從：
經紀人 →
平台 →
轉向外送茶女自己
這是一種「去中心化的安全治理」。
外送茶女成為：
工具使用者
風險判斷者
資料提供者
社群治理的一環
形成一種「自主管理的半隱形治理機制」。
3.3 女性主體性與科技自主（Tech-enabled Agency）
傳統上，性產業的風險管理多掌握在男性經紀人或平台手裡。
AI 技術第一次讓從業者具備：
自己判斷客戶的能力
拒絕高風險客的自主權
保護自身安全的資訊
這是外送茶工作研究中的一項重要轉折，被視為女性主體性（agency）的展現。
第四章 實際案例分析：AI 面部偵測在外送茶場景中的具體運作
外送茶女採用 AI 的行為，在表面上不過是「多一道安全確認」，但實際上，它涉及風險感知、科技理解與社群分享的複雜互動。本章選取三組具代表性的實務案例進行分析。
4.1 案例一：AI 成功阻擋高風險暴力客
某北部外送茶女在與新客預約時，對方提供一張臉部照片，並表示「沒有社群帳號」。
利用 AI 工具比對後發現：
與一張 2 年前於同業「惡客群組」流傳的暴力客照片相似度達 78%
眼神區域被 AI 評為「高度攻擊傾向」
下顎緊繃與微皺眉屬「高壓狀態常見表情」
該從業者隨即取消預約，並將分析結果匿名貼回安全社群。
後續其他茶妹回報：「該男子曾於汽旅揮拳攻擊從業者」。
此案例顯示：
AI 模型即便非 100% 準確，但能提供「早期警示」功能，讓從業者提前避免暴力事件。
4.2 案例二：AI 辨識假照片，避免詐騙與偷拍
另一名中部茶妹收到客戶照片後，AI 顯示：
圖像的臉部邊緣高度平滑、無毛孔
光線反射不自然
歐洲臉孔特徵不符該客戶的語音與語氣
分析標記為「可能 AI 生成或深偽影像」
她便要求對方提供簡短視訊，但對方拒絕。
經比對過往同業回報，發現該照片曾被詐騙集團使用，實際到場者通常是：
酒醉男子
設局偷拍者
偷求免費服務者
AI 工具直接避免她掉入「照片美化或盜用」的陷阱。
4.3 案例三：AI 誤判造成的「反向風險」與負面後果
然而 AI 並非全能。南部一名從業者分享：
客戶因長期服藥導致臉部表情僵硬
AI 系統判定其為「高攻擊性族群」
從業者婉拒後，該客戶在平台留言指控她「態度差」
此案例揭示：
AI 偵測帶來的不是純粹的「增加安全」；有時也會導致客戶關係緊張與負面評價。
此類誤判更顯示 AI 工具必須搭配人為判斷，而非完全取代。
第五章 跨國比較：他國性產業如何導入科技防護？
為理解 AI 在外送茶工作防護中的脈絡，本章比較日本、韓國與歐美的相關制度與現象。
5.1 日本：風俗產業的半合法化與科技採用
日本風俗產業規模龐大，但仍有法律灰區。
其科技防護模式包括：
店家使用 AI 筛選可疑電話
部分業者使用臉部辨識確認「性犯罪前科者」
客戶至店內前強制進行身分註冊（免疫接種、真實姓名）
服務者可即時使用 GPS + AI 警示系統
相較之下，台灣外送茶屬地下行業，更依賴自助式科技工具，而非店家制度化管理。
5.2 韓國：高度監控社會與科技警務的交會
韓國對偷拍（molka）犯罪極為敏感，因此性產業中更重視：
AI 偵測偷拍器
攝影機鏡頭反射辨識
男性客戶的犯罪記錄查詢
然而，韓國警方對外送茶工作者仍進行法律壓力，使得從業者難以明目張膽採用科技。
5.3 歐美：外送茶工作者自組科技社群（SW-focused Tech）
在美國、加拿大與歐洲部分國家，外送茶工作者可合法組織工會與 NGO，因此科技工具更多由社群主導：
SWOP（Sex Workers Outreach Project）建立 AI 惡客資料库
加拿大外送茶工作者聯盟開發自主管理 App
英國有「Ugly Mugs」平台供從業者匿名上傳危險客資料
相較之下，華人社會的科技防護更依賴「分散式安全群組」與「暗網化匿名社群」。
跨國比較結論
國家 AI 技術運用 法律支持度 資料庫類型 風險治理模式
日本 半制度化 中等 店家資料庫 店家主導
韓國 以偷拍防護為主 低 警政資料混合 法規壓制 + 科技自救
歐美 外送茶工作合法化區域最強 高 NGO/工會資料庫 社群主導
台灣/華人地區 非制度化、自助式 極低 分散式匿名黑名單 個體 + 社群混合
第六章 倫理爭議：AI 防護帶來的新風險與灰色倫理
AI 介入外送茶風險治理的過程中，出現多項倫理問題。
6.1 隱私與個資侵犯：AI 是否過度蒐集客戶資料？
AI 分析人臉即代表蒐集生物特徵資訊。
在無明確同意的情況下，外送茶女使用 AI 進行比對，法律風險包括：
違反個資法
生物資訊外洩
客戶反訴「未授權蒐集」
然而從業者的立場是：「我需要先保命，再談隱私」。
此倫理衝突在法律上難以調和。
6.2 誤判與演算法歧視
AI 模型可能偏誤地將某些族群標為高風險，例如：
深膚色男性
表情僵硬者
老年男性
有精神疾病者
若過度依賴 AI，可能產生新的「科技歧視」。
6.3 安全資料庫的資安風險
分散式黑名單資料庫若遭外洩，後果包括：
顧客資訊曝光
反向攻擊從業者
域名遭封鎖或平台遭查扣
因此資料庫需具備：
加密儲存
分散式存取
無法逆向追蹤上傳者
否則會成為另一種風險來源。
6.4 偷偷拍、警察臥底與法律灰色地帶
AI 偵測可能讓一些非法行為曝光，例如：
警察假扮客戶時被 AI 比對出身分
偷偷拍者過往照片被辨識出
某些犯罪者的比對照片被社群記住
在法律未保障外送茶工作者的情況下，
AI 的使用可能被警方視為「非法蒐證」。
第七章 社群科技治理：外送茶安全群組的集體智慧
外送茶女並非單打獨鬥，而是透過匿名社群共同維護安全。
7.1 分散式資料庫（Distributed Safety Database）
特徵包括：
無中心管理者
多人共同上傳危險客資料
使用 AI 進行相似度比對
每位從業者都可查詢但不留紀錄
形成一種「去中心化的安全網絡」。
7.2 人工 + AI 的混合判斷
社群中通常會採用：
AI 分析
同業口碑
區域司機回報
小模糊資訊比對
匿名投票「是否屬高風險」
這是一種典型的「群體智慧」（collective intelligence）。
7.3 安全文化的形成
科技使得外送茶工作者有能力：「不是等待被保護，而是自己建立保護」。
科技防護帶來的文化轉變包括：
從業者更願意分享危險資訊
不再相信經紀人的獨占情報
願意學習科技、自主掌控安全
形成「女性主導的科技安全社群」
這是外送茶工作研究中罕見的「由底層創造技術框架」。
第八章 政策建議：如何建立合法且有效的外送茶工作者 AI 防護框架？
本研究提出以下政策建議：
8.1 確立外送茶工作者的法律主體地位
若外送茶工作仍被視為非法或灰色，其使用科技即缺乏法律支撐。
建議政府：
承認外送茶工作為一種特殊勞動
保障其自主防護權
避免使用科技保護反受刑責
8.2 建立匿名化的合法資料庫
政府或 NGO 可建立：
不記錄使用者身分
只處理黑名單資料
由 AI 進行自動化比對
避免「從業者自己私下管理」而產生資安風險。
8.3 制定「AI 防護工具指引」
包括：
使用者須知
資訊安全標準
AI 不得用於歧視用途
禁止非必要的生物特徵儲存
使得外送茶工作者能合法、安心使用科技工具。
8.4 支持外送茶工作者自主研發科技（SW-driven Tech）
鼓勵：
免費 AI 小工具
開源安全模型
外送茶工作者參與設計的 App
區域社群合作建立風險模型
這樣的科技才真正反映從業者需求。
結論：AI 不只是科技，更是外送茶工作者的生存工具
AI 面部偵測進入外送茶產業，不是新奇現象，而是回應極端風險的自救科技。
本研究指出：
它重新定義了外送茶工作者的自主性
將風險治理從平台與經紀人轉移到個人與社群
提供早期危險預警
但也帶來隱私、誤判與法律挑戰
在未合法化的社會結構中，
AI 是外送茶工作者少數能掌握的自我武器。
未來，若政府與NGO願意承認這種科技需求，
將能建立更安全、透明、兼顧人權的防護系統，使科技真正成為外送茶工作者的保命工具，而非另一項風險來源。
延伸閱讀
