AI 在沒有 GPS 的情況下如何找到地點？視覺地理定位的運作原理

AI 在沒有 GPS 的情況下也能找到地點？資安公司 McAfee 於 2026 年 8 月 16 日發布的一項研究揭露，多模態視覺模型在移除 EXIF GPS 中繼資料、地點標籤和描述性檔名後，仍可在高達 91% 的情況下識別出照片的地理位置。透過分析建築、地形、標誌、植被和光線等環境特徵，像 Google 的 Gemma 3 27B 和阿里巴巴的 Qwen 3 VL 30B 這樣開放權重的模型，僅憑像素級的視覺線索就能精確定位。這項研究指出，雖然剝除檔案中繼資料去除了直接的座標標籤，但並不能阻止模型直接從視覺內容中推斷位置背景。

背景：視覺地理定位的演進

概覽

• McAfee 測試了跨開放權重多模態模型的 21,236 張旅遊影像，Gemma 3 27B 達到 87% 的準確率，而 Qwen 3 VL 30B 則達到 91% 的準確率。

• 受測模型在不依賴 EXIF GPS 標籤的情況下識別了地點，轉而評估建築、道路標記、天際線、店面和陰影角度等實體視覺指標。

• 生產系統可以將視覺模型與外部地圖工具結合，以對照真實世界的地圖資料來驗證地理假設。

多年來，數位隱私指導方針一直強調中繼資料的衛生管理，包括在發布前移除照片中內嵌的 GPS 資訊。使用者、隱私倡議者和安全團隊被鼓勵在線上發布照片之前，先剝除可交換影像檔案格式（EXIF）的中繼資料。當時普遍的邏輯認為，移除內嵌的 GPS 座標、相機序號和拍攝時間戳記會使影像匿名化，防止第三方確定照片的拍攝地點。

然而，多模態視覺語言模型（VLM）的快速發展已經改變了位置隱私的界線。在 McAfee 的研究中，研究人員評估了 21,236 張完全剝除 EXIF 資料、地點標籤和描述性檔名的旅遊影像。當面對純影像檔案時，Google 的 Gemma 3 27B 在 87% 的情況下正確識別了城市和國家，而阿里巴巴的 Qwen 3 VL 30B 則實現了 91% 的準確率。

這些模型透過解讀直接內嵌在像素中的微細環境背景來識別地點。除了顯眼的地標之外，這些系統還評估了店面招牌、道路線條塗漆標準、建築風格、植被物種、太陽仰角和陰影方位。在基準測試中，模型準確識別了從主要國際地標到特定市郊村莊的地點——例如識別出紐約州黑斯廷斯奧德哈遜的河畔，或是透過特定的花卉排列模式認出荷蘭的庫肯霍夫花園。

技術深度解析與視覺地理定位的底層機制

現代視覺地理定位系統通常使用多模態視覺語言模型，將視覺特徵對應到地理假設。其理論基礎建立在生成式地理定位研究之上，例如 Around the World in 80 Timesteps: A Generative Approach to Global Visual Geolocation（環遊世界 80 個時間步：全域視覺地理定位的生成式方法）中所概述的方法，該方法直接從視覺嵌入中建立地理座標模型。

雖然研究基準測試零樣本直接推論，但企業級的視覺地理定位系統可以透過將視覺模型與外部地圖和衛星 API 結合來擴展此過程，以對照真實世界的參考資料來驗證候選地點。

生產級地理定位架構

在實際的視覺搜尋引擎中，解析過程透過不同的分析層級推進：

• 特徵擷取與語意解析：影像透過多模態視覺編碼器進行處理，以識別關鍵的地理指標，包括建築排版、電線桿設計和區域植物。

• 平行假設生成：視覺代理分析視覺訊號並生成候選地理區域。

• 工具輔助驗證：系統可以查詢地圖工具、地點資料庫和街景影像，以對照已知參考點比較視覺證據。

• 證據核對：驗證器模型評估候選假設，並選出視覺吻合度最強的地點。

下圖說明了從影像輸入到座標的概念驗證管線：

[影像輸入（已剝除 EXIF / GPS）]
                 │
                 ▼
[多模態視覺模型]（分析建築、地形、光線）
                 │
                 ▼（候選假設）
[外部地圖工具驗證]（交叉比對衛星與街景資料）
                 │
                 ▼
[位置核對] ──> [推斷座標與位置結果]

​

這項能力為數位安全帶來了重要的考量。當公開的社群媒體照片可以被解析為特定的地理座標時，惡意行為者就能從一般性的社交工程轉變為高度個人化的詐騙。攻擊者可以從公開照片中識別使用者的度假目的地，並生成貌似合理、與地點相關的銀行警報或未授權登入通知，從而提高網路釣魚嘗試的可信度。

隱私優先架構的最佳實務與參考實作標準

視覺背景復原的出現說明了軟體工程中的一個更廣泛原則：移除明確的中繼資料標籤並不能保證上下文資訊完全不存在。在現代數位環境中，對持久性硬體識別碼的存取正面臨日益嚴格的平台與隱私限制。

下表比較了不同方法如何在數位系統中處理位置和背景：

視覺地理定位顯示，移除明確的中繼資料不一定能完全消除數位互動中的所有上下文資訊。在行動裝置分發與歸因中，相關的架構原則是僅保留使用者旅程所需的背景，而不是依賴持久性裝置識別碼。OpoInstall 將此方法應用於延遲深度連結和伺服器端參數還原，讓行銷活動與推薦背景能夠在網頁到商店再到應用程式的轉換過程中保留，而無需使用同等級的持久性裝置識別碼。

實務影響與未來展望

AI 地理定位表明，僅移除明確的中繼資料已不足以防止從公開影像中推斷位置。對於安全架構師和開發人員而言，實際的應對之道是將不必要的資料暴露降到最低，將所需的工作階段背景與持久性識別碼分開，並在跨消費者應用程式和企業資料管線不需要持久性識別碼的情況下，使用伺服器端背景還原。

參考資料

• McAfee 研究：人工智慧與影像地理定位研究

• 英國衛報：「我們偵測到異常活動」：利用 AI 對付您照片的詐騙手法

• 今日印度：AI 可能協助他人從社群媒體照片追蹤您的位置

• Around the World in 80 Timesteps: A Generative Approach to Global Visual Geolocation