先看证据
一个具体的分享难题，变成了浏览器工具
Simon Willison在2026年9月29日介绍了Photo Scrubber，这是一个用于本地人脸模糊和照片元数据处理的实验性工具。触发这个项目的场景并不抽象：他拍摄了一些抗议者，随后不愿意把陌生人的可识别人脸直接分享出去。于是，他让GPT-6 Astra协助构建一个能够自动识别人脸并进行模糊处理的工具。
这个起点把问题放在了一个很实际的位置。照片发布者往往知道自己不应暴露无关人员的脸，却未必拥有一套足够轻量的脱敏流程。如果每次处理都要把原图交给远程图片服务，隐私保护本身就可能增加新的暴露面。Photo Scrubber试图把这一步压缩成一个浏览器端操作，让处理动作发生在照片离开设备之前。
因此，值得技术负责人阅读的变化并不是“模型能够看懂照片”。从材料看，GPT-6 Astra主要参与了工具的构建，照片运行时的检测和模糊则由另一套视觉组件完成。真正影响部署边界的，是原图是否需要上传，以及执行敏感处理的代码究竟在哪里运行。
GPT负责搭建，视觉组件负责执行
Photo Scrubber使用Google的MediaPipe C++库，并通过@mediapipe/tasks-vision将这套能力编译为WebAssembly。运行时调用的是BlazeFace人脸检测模型，工具在检测到人脸后自动执行模糊。这个架构把开发阶段和使用阶段清楚地分开了：GPT-6 Astra帮助生成工具代码，MediaPipe、WebAssembly和BlazeFace负责真正处理图片。
这种分工比“由AI替用户保护隐私”的说法更准确。生成代码的模型影响的是页面、连接逻辑和调用方式能否被正确搭建。图片是否上传、模型是否在本地执行，则由浏览器端的运行路径决定。即使不讨论代码生成模型本身是否可靠，也可以单独检查加载的资源、处理位置和是否存在向后端发送原图的逻辑。
对工程团队而言，这意味着隐私承诺可以从服务商政策转化为更具体的架构问题。远程服务通常需要依赖供应商对日志、保存周期和训练用途的承诺，而本地处理至少把“原图是否离开设备”变成可审计的技术边界。给定材料没有提供独立的网络行为测试，所以这里应当说它提供了审计方向，而不是已经证明了绝对的零上传。
WASM改变了部署路径，不会替你解决漏检
把MediaPipe的C++库编译为WebAssembly，提供了一条从工程化视觉能力进入浏览器的路径。团队不必为这类轻量处理单独部署图片后端，也不必要求用户安装完整的桌面客户端。模型和推理逻辑可以随着网页加载，在用户设备上完成处理，这正是Photo Scrubber作为实验工具的技术支点。
这条路径的价值在于减少系统中必须信任的环节。原图不需要先进入应用服务器，处理结果也可以在本地生成。对于日常照片、低风险社交发布或内部演示，这种轻量形态可能比建设一个完整的媒体脱敏服务更容易落地。它也让拥有C++视觉组件的团队多了一种面向浏览器的部署选择。
但本地运行只解决了传输和存储风险的一部分。材料没有给出BlazeFace在拥挤人群、遮挡、逆光、远距离拍摄或多人重叠情况下的漏检率，也没有给出本地处理速度和浏览器兼容性数据。一个明显报错会提醒用户停止发布，一个被忽略的人脸却可能让用户误以为照片已经安全。
这也是自动化脱敏最容易被误解的地方。工具完成一次模糊操作，并不等于工具识别出了照片中所有需要保护的对象。技术负责人如果把它接入发布流程，就不能只测试页面是否能成功导出图片，还需要把检测失败当成一种可能的正常结果来设计提示、复核和阻断机制。
“移除元数据”需要拆成可验证的承诺
Photo Scrubber的标题还宣称能够移除照片元数据，但给定正文明确说明的部分主要是人脸检测和模糊，并没有列出实际清除了哪些字段。材料也没有说明导出过程是否覆盖不同图片格式，是否处理重新编码后的文件，或者是否确保所有导出路径都不会带回原始信息。
元数据清理不能只被理解成一个按钮名称。定位、拍摄时间和设备信息都可能成为隐私线索，而文件格式、浏览器导出和重新保存过程会影响这些字段是否继续存在。没有字段清单、输入输出样本和覆盖范围，就无法把“移除元数据”当成已经完成验证的安全能力。
这并不削弱本地架构的价值，却改变了产品判断的尺度。Photo Scrubber可以说明如何快速把一个敏感处理想法做成可运行的浏览器实验，但它没有提供足够证据证明自己是完整的匿名化系统。标题中的功能范围，必须通过代码审计和针对性测试来拆解，而不能由工具的存在本身来背书。
人脸模糊不是匿名化，发布责任仍在系统之外
即便人脸检测和元数据清理都按预期工作，照片仍可能通过其他线索识别个人。姿态、服饰、背景、建筑物和拍摄地点都可能缩小身份范围。在抗议现场或参与者很少的事件中，熟悉当地情况的人甚至可能不需要看到脸，就能根据环境判断照片中的人是谁。
因此，Photo Scrubber最适合被放在低风险、可复核的环节中，而不是被当作自动发布闸门。对于涉及抗议活动、新闻事件、未成年人或现实伤害风险的图片，人工检查仍然需要判断哪些对象应被遮挡、哪些背景应被裁剪，以及整张照片是否根本不应发布。自动模糊可以减少重复劳动，却不能替发布者完成情境判断。
对技术负责人来说，可执行的结论是把这类系统拆成几个独立问题。先验证原图是否留在本地，再验证人脸检测在目标场景中的漏检和误检，接着逐字段验证导出文件的元数据，最后把再识别风险纳入人工发布规则。只有这些边界都被明确，零上传才会从一个架构优点变成可承担的治理措施。
Photo Scrubber展示的真正可复用模式，是让生成式模型负责快速搭建界面和胶水代码，让成熟的本地视觉运行时负责处理敏感内容。这个模式能降低部署门槛，也能减少原图流入第三方服务的机会。但它的代价同样明确：团队必须自己承担验证、失败提示和发布治理，不能把“在浏览器本地运行”误写成“已经完成匿名化”。