三星电视被指端侧AI画像

三星电视被指在本地分析声音与画面

三星智能电视近日被指在端侧运行 TensorFlow Lite 模型，处理屏幕图像、音频和广告标识符，以识别用户正在观看什么、如何播放内容以及是否跳过广告。网络安全研究员 log4j 逆向一款 2025 年三星电视后称，相关后台任务可能也是这台电视运行迟缓的原因之一。

这项披露在 10 月 25 日经 Tom's Hardware 和IT之家转述后引发关注。需要先说明的是，log4j 是此次披露者使用的账号名，与曾引发广泛安全事件的 Log4j Java 日志组件漏洞没有直接关系。

截至 2026 年 10 月 25 日，现有公开信息主要来自个人逆向分析与社交平台上的测试记录，尚未形成完整的技术报告，也缺少三星针对具体模块、数据用途和上传策略的逐项回应。因此，这件事目前更准确的表述是：研究者发现了具备本地音视频分析能力的代码和运行迹象，但“电视持续录音并把原始截图上传给广告系统”仍不是已经被完整证实的结论。

TensorFlow Lite 出现在电视里并不意外，问题在于它分析什么

TensorFlow Lite 是面向手机、电视、嵌入式设备等受限硬件的轻量级机器学习推理框架，Google 后续也以 LiteRT 品牌继续发展相关端侧运行时。它允许厂商把训练好的模型打包进设备，在不调用云端模型的情况下完成图像分类、音频识别和行为预测。

研究者披露的模型据称以 960×540 图像为输入，这一分辨率共有 518400 个像素，宽高分别是 1920×1080 的一半，总像素量恰好是 1080p 的四分之一。这个尺寸足以让轻量级卷积神经网络识别节目类别、画面结构、频道标识、广告片段或场景变化，同时又能显著降低内存带宽和推理开销。

卷积神经网络（CNN）是一类擅长提取图像局部特征的神经网络，常用于物体识别、场景分类和视频分析。对电视厂商而言，它不需要“看懂”画面中的每一句台词，只要判断当前是体育比赛、汽车广告、新闻节目还是游戏画面，就已经能生成相当有价值的兴趣标签。

端侧推理本身并不等同于数据泄露，甚至通常比把原始音视频传到云端更有利于隐私。真正需要追问的是，模型输入来自哪里、输出了什么标签、标签保存多久，以及结果是否与设备账号、广告标识符或家庭网络中的其他终端关联。

Google 公开的 TensorFlow Lite 工程表明，这套运行时可以部署经过量化和裁剪的小型模型，并在资源有限的硬件上完成推理。早期视觉唤醒词研究甚至把模型大小和峰值内存控制在 250KB 以下，将单次推理限制在 6000 万次乘加运算以内；一台现代智能电视的 SoC、内存和 NPU 资源远高于这类微控制器，运行 960×540 的分类模型没有明显技术门槛。

现有披露包含六项主张，但证据强度并不相同

自动内容识别（ACR）是一种识别电视当前播放内容的技术，通常通过抽取画面或音频指纹，再与内容数据库匹配。ACR 可以服务于节目推荐和收视统计，也可以把观看行为转换成广告画像，因此长期处在智能电视隐私争议的中心。

广告标识符 AID 是用于区分设备或广告画像的持久化伪匿名标识，它通常不是用户真实姓名，但可以把不同时间产生的观看事件归到同一设备。只要 AID 与账号、IP 地址或其他终端数据结合，所谓“匿名”就可能迅速变成可识别或可推断的家庭画像。

目前公开主张可以按证据链拆成下面几层：

| 研究者主张 | 当前公开依据 | 判断 | 仍然缺少什么 | |---|---|---|---| | Tizen 存在遥测和广告标识符处理逻辑 | 逆向发现相关组件、字段或调用关系 | 可信度中等偏高 | 完整二进制分析、版本号和地区差异 | | 电视运行 TensorFlow Lite/CNN 模型 | 模型文件、运行时或相关符号被发现 | 可信度中等偏高 | 模型输入输出张量、标签表和权重分析 | | 模型处理 960×540 屏幕图像 | 社交平台披露的逆向结果 | 可信度中等 | 可复现实验、采样频率和触发条件 | | 麦克风会开启约 5 秒 | Hugging Face 工程师 ngxson 的设备测试描述 | 可信度中等偏低 | 测量方法、固件版本、是否由语音功能触发 | | 无内置麦克风时会寻找外接设备录音 | 研究者对代码行为的解释 | 尚待验证 | 蓝牙配置、音频路由、权限与实际采集样本 | | 音频和截图被用于定向广告 | 模块关系、AID 与行为分析逻辑的综合推断 | 具有合理性但未闭环 | 网络传输证据、服务端接口和三星正式说明 |

这张表最重要的区别是，“设备存在采集或推理能力”与“原始内容被上传”不是同一件事。一个 .tflite 模型可能只在本地输出“体育”“电影”“广告已跳过”等少量标签，而原始的 960×540 帧在推理后立即被丢弃；也可能同时保留图像摘要或上传特征向量。两种实现的隐私风险差异很大，单凭模型文件无法下结论。

所谓“截图”也可能只是视频帧，但风险并未因此消失

“截图”是此次传播中最容易造成误解的词。它既可能指包含系统界面、应用内容和通知的完整屏幕捕获，也可能只是视频解码管线中的低分辨率抽样帧，还可能是经过裁剪、缩放或哈希处理的画面特征。

如果模型只接收视频帧，风险主要集中在观看内容画像，例如识别用户看了什么节目、广告停留多久、播放速度是否改变。若输入包含 HDMI 外接设备、投屏内容、相册、家庭监控画面或系统通知，数据边界就会扩大到电视厂商原本不提供的内容，这会构成更严重的“跨来源观察”。

即使原始帧从未离开电视，模型输出也可能泄露敏感信息。举例来说，“儿童内容”“宗教节目”“特定疾病纪录片”和“高端汽车广告”都只是几个字节的标签，却足以推断家庭成员构成、信仰、健康关注和消费能力；从广告系统的角度看，这些标签往往比一张未经处理的截图更容易直接使用。

因此，“端侧处理”不能自动成为免责理由。端侧 AI 降低了传输原始数据的必要性，却让设备具备了在用户不易察觉的情况下持续理解环境的能力，隐私审计也从检查上传文件，变成检查模型输入、输出标签和触发策略。

外接麦克风录音的说法最敏感，也最需要复现

研究者称，即使电视本身没有配备麦克风，系统仍可能寻找条形音箱或蓝牙设备上的麦克风。另一名工程师 ngxson 则表示，他使用 Flipper Zero 等工具测试时观察到电视开启麦克风约 5 秒，随后停止工作。

这项观察暂时不能证明电视在持续窃听。五秒音频窗口可能与语音唤醒、遥控器按键、设备配对、音频校准、回声消除或故障诊断有关，而外设是否能向电视回传麦克风音频，还取决于蓝牙 Profile、HDMI/eARC 音频路径、USB 权限和厂商私有协议。

外接设备录音若要成立，至少需要回答四个技术问题：

1. 哪个进程请求并获得了音频输入权限；
2. 音频源是电视、遥控器、条形音箱还是蓝牙终端；
3. 五秒采样由什么事件触发，触发频率是多少；
4. 音频是被丢弃、送入本地模型，还是经过网络发送。

研究者尝试把数据交给其他 AI 系统分析、随后账号受到限制的个人经历，不能作为三星采集行为的证据。账号风控可能由上传内容、自动化行为或平台政策触发，这条支线与电视端实际发生了什么没有直接因果关系。

电视变慢可能与后台推理有关，但不能只怪AI

后台视觉推理确实可能拖慢电视，尤其是在 SoC 性能有限、内存紧张或模型没有调用 NPU/DSP 加速的情况下。持续从合成器或视频管线复制 960×540 帧，会增加内存带宽、CPU 唤醒次数和缓存压力；如果电视还同时运行广告 SDK、推荐服务和多个流媒体应用，卡顿就更容易被用户感知。

但现有信息不足以证明系统迟缓主要由 TensorFlow Lite 造成。智能电视卡顿也可能来自应用冷启动、存储老化、垃圾回收、网络请求、开机广告资源加载以及固件更新后的后台索引。要建立因果关系，需要在关闭相关服务前后测量 CPU 占用、帧时间、内存压力、功耗和网络活动，而不是仅凭发现模型文件就下结论。

不同处理架构的性能与隐私取舍如下：

| 架构 | 原始音视频是否离开设备 | 网络依赖 | 本地负载 | 主要隐私风险 | |---|---:|---:|---:|---| | 云端识别 | 通常会上传片段或特征 | 高 | 低 | 原始内容传输、服务端留存 | | 端侧识别后上传标签 | 通常不上传原始内容 | 中 | 中至高 | 兴趣标签、AID 与账号关联 | | 完全端侧且不上传结果 | 否 | 低 | 中至高 | 本地权限滥用、模型用途不透明 | | 传统遥测统计 | 通常不上传音视频 | 中 | 低 | 应用使用记录、播放事件和设备指纹 |

这起事件真正值得关注的地方，不是 TensorFlow Lite 消耗了多少算力，而是用户是否知道这些算力正在替谁工作。用于画质增强、字幕识别和无障碍功能的端侧模型直接服务用户；用于生成广告画像的模型则主要服务平台商业化，两者不应共享模糊的总开关和笼统授权。

要坐实“广告画像”，还缺一条完整的数据链

可靠的技术审计需要把采集、推理、存储和传输四个环节串起来。最有说服力的证据不是二进制文件里出现了“advertising”或“microphone”字符串，而是能够稳定复现某个观看行为如何改变本地标签、AID 请求或远端广告响应。

后续研究至少应公开以下信息：

• 电视的准确型号、销售地区、Tizen 与固件版本；
• TensorFlow Lite 模型的哈希、输入输出尺寸、量化格式和标签文件；
• 画面采样是否覆盖 HDMI、投屏和本地应用；
• 音频采集所对应的进程、系统调用和硬件端点；
• 关闭个性化广告、观看信息服务和语音功能后的差异；
• 网络请求的域名、时间戳、负载大小与触发事件；
• 恢复出厂设置、退出三星账号及重置 AID 后的对照结果。

加密流量会让验证变得更困难，但仍可通过请求时序、域名解析、连接目标、包长变化和开关对照实验建立证据。只有证明某类内容出现后，特定遥测或广告请求稳定变化，才能把“本地模型存在”推进到“模型输出用于广告投放”。

用户现在可以做什么

用户最有效的防护措施是减少电视本身接触内容和传感器的机会，而不是寄希望于一个总隐私开关解决所有问题。不同地区和固件的菜单名称会有差异，但可以重点检查以下项目：

• 关闭个性化广告、观看信息服务、内容识别和兴趣推荐；
• 重置广告标识符，并避免将电视账号与其他终端长期绑定；
• 不使用语音功能时，关闭语音唤醒和麦克风权限；
• 检查智能遥控器、摄像头、条形音箱和蓝牙设备的音频输入能力；
• 在路由器上为电视划分独立 VLAN 或访客网络，观察 DNS 与连接日志；
• 不需要电视内置应用时，可使用外接播放设备并断开电视网络；
• 固件更新后重新检查隐私设置，因为部分选项可能新增、迁移或恢复默认。

把电视断网是最彻底的办法，但代价是流媒体、投屏、节目单和安全更新可能失效。使用外接播放盒也不是天然更私密，它只是把数据控制权从电视厂商转移给另一家平台，因此仍需审查对应设备的广告和内容识别设置。

这不是一次普通的“智能电视有广告”争议

智能电视正在从显示设备变成家庭环境中的持续感知终端。屏幕上出现广告并不新鲜，但当电视能够同时接触视频帧、声音、播放行为、外接设备和家庭账号时，它拥有的是一套跨应用、跨内容源的观察能力，而普通流媒体应用通常只能看到自身内部的数据。

三星事件也暴露出端侧 AI 的双重属性。相同的轻量模型既能用于字幕、画质增强、诈骗检测和无障碍功能，也能在没有明显界面的情况下提取广告特征；模型不上传原始数据，并不意味着它没有把私人活动压缩成更适合商业系统消费的标签。

现阶段最稳妥的判断是：研究者已经提出了一组技术上合理、部分有逆向迹象支持的指控，但“录音、截图和广告投放”之间尚缺少公开且可复现的闭环证据。三星需要明确说明模型处理哪些输入、是否覆盖外部信号源、音频为何会被短时启用，以及 AID 与推理结果如何进入广告系统。

这场争议最终考验的不是 TensorFlow Lite，而是智能终端的知情同意机制。电视厂商如果确实只在本地生成低敏感度标签，最有效的回应不是一句“重视隐私”，而是提供可核验的数据流说明、独立开关、默认关闭策略和第三方审计结果。

参考来源

• IT之家：网络安全研究员称三星电视利用 AI 录制音频、截屏投放广告——汇总 log4j 与 ngxson 的逆向分析、设备测试及相关争议。
• GitHub：TensorFlow Lite 源代码目录——用于了解 TensorFlow Lite 的模型解释器、端侧推理组件和部署结构。