AI 如何在没有 GPS 的情况下寻找位置？McAfee 于 2026 年 8 月 16 日发布的一项研究披露发现，即使在移除了 EXIF GPS 元数据、位置标签和描述性文件名之后，多模态视觉模型依然能够在高达 91% 的情况下识别出照片的地理位置。通过分析建筑、地形、标牌、植被和光照等环境特征，像谷歌的 Gemma 3 27B 和阿里巴巴的 Qwen 3 VL 30B 这样的开源权重模型仅凭像素级的视觉线索就能精确定位。这项研究表明，虽然剥除文件元数据去除了直接的坐标标签，但并不能阻止模型直接从视觉内容中推断位置上下文。
背景：视觉地理定位的演进
概览
-
McAfee 在开源权重多模态模型中测试了 21,236 张旅行图像，Gemma 3 27B 达到了 87% 的准确率，而 Qwen 3 VL 30B 则达到了 91% 的准确率。
-
测试的模型在不依赖 EXIF GPS 标签的情况下识别了位置，转而评估建筑、道路标记、天际线、店面和阴影角度等物理视觉指标。
-
生产系统可以通过外部地图工具扩展视觉模型，对照真实世界的地图数据验证地理假设。
多年来，数字隐私指导一直强调元数据卫生，包括在发布前从照片中删除嵌入的 GPS 信息。用户、隐私倡导者和安全团队被鼓励在将照片发布到网上之前剥除可交换图像文件格式 (EXIF) 元数据。主流逻辑认为，移除嵌入的 GPS 坐标、相机序列号和拍摄时间戳会使图像匿名化，从而防止第三方确定照片的拍摄地点。
然而，多模态视觉语言模型 (VLM) 的快速发展改变了位置隐私的边界。在 McAfee 的研究中，研究人员评估了 21,236 张完全剥除了 EXIF 数据、位置标签和描述性文件名的旅行图像。当面对纯图像文件时，谷歌的 Gemma 3 27B 在 87% 的情况下正确识别了城市和国家，而阿里巴巴的 Qwen 3 VL 30B 则达到了 91% 的准确率。
这些模型通过解释直接嵌入像素中的细微环境背景来识别位置。除了显著的地标之外，这些系统还评估了店面标牌、道路标线标准、建筑风格、植被物种、太阳高度和阴影方向。在基准测试中，模型准确识别了从主要国际地标到特定郊区村庄的位置——例如识别出纽约黑斯廷斯昂哈德逊河畔的一处河岸，或者通过特定的花卉排列模式识别出荷兰的库肯霍夫花园。
技术深度解析与视觉地理定位的底层机制
现代视觉地理定位系统通常使用将视觉特征映射到地理假设的多模态视觉语言模型。其理论基础建立在生成式地理定位研究之上，例如 环游世界 80 个时间步：全球视觉地理定位的生成式方法 中概述的方法，该方法直接从视觉嵌入中建模地理坐标。
虽然研究基准测试的是直接零样本推理，但生产级视觉地理定位系统可以通过将视觉模型与外部地图和卫星 API 相结合，对照真实世界参考验证候选位置，从而扩展这一过程。
生产级地理定位架构
在实际的视觉搜索引擎中，解析过程会经历不同的分析层：
-
特征摄入与语义解析：通过多模态视觉编码器处理图像，以识别关键的地理指标，包括建筑排版、电线杆设计和区域叶茂情况。
-
并行假设生成：视觉代理分析视觉信号并生成候选地理区域。
-
工具辅助验证：系统可以查询地图工具、地点数据库和街景影像，将视觉证据与已知参考点进行比对。
-
证据核对：验证器模型评估候选假设并选择视觉匹配度最高的位置。
下图说明了从图像输入到坐标的概念验证管道：
[图像输入（已剥离 EXIF / GPS）]
│
▼
[多模态视觉模型]（分析建筑、地形、光照）
│
▼（候选假设）
[外部地图工具验证]（交叉参考卫星与街景数据）
│
▼
[位置核对] ──> [推断出的坐标与位置结果]
这一能力为数字安全带来了重要的考量。当公开的社交媒体照片可以被解析为特定的地理坐标时，恶意攻击者就可以从泛泛的社会工程学转向高度个性化的欺诈。攻击者可以从公开照片中识别用户的度假目的地，并生成貌似合理的、与位置相关的银行业务警报或未经授权的登录通知，从而提高鱼叉式网络钓鱼尝试的可信度。
隐私优先架构的最佳实践与参考实现标准
视觉上下文恢复的出现说明了软件工程中的一个更广泛的原则：删除显式元数据标签并不能保证上下文信息完全不存在。在现代数字环境中，对持久硬件标识符的访问面临着日益严格的平台和隐私限制。
下表对比了不同方法如何在数字系统中处理位置和上下文：
| 维度 | EXIF GPS 元数据 | 视觉 AI 地理定位 | 应用会话参数 |
|---|---|---|---|
| 源信号 | 嵌入式相机硬件标签 | 像素级环境特征 | 服务端参数与令牌 |
| 提取机制 | 直接文件元数据解析 | 多模态视觉推理 | 服务端数据库查询 |
| 持久性 | 附着直至被剥离 | 在发布图像保持可用期间可访问 | 短暂性（交接后过期） |
| 主要用例 | 照片管理与地理标记 | 视觉搜索与地点发现 | 用户旅程与活动归因 |
| 隐私边界 | 直接坐标披露 | 推断出的地理上下文 | n可能更窄且专用于特定用途的会话状态 |
视觉地理定位表明，移除显式元数据并不一定能消除数字交互中的所有上下文信息。在移动分发和归因中，一个相关的架构原则是仅保留用户旅程所需的上下文，而不是依赖持久的设备标识符。OpoInstall 将这种方法应用于 deferred deep linking 和服务端参数恢复，使活动和推荐上下文能够在 web-to-store-to-app 转化过程中得以延续，而无需同类持久的设备标识符。
常见问题解答 (FAQ)
AI 如何在没有 GPS 或 EXIF 数据的情况下确定照片的位置？
哪些类型的图像最容易受到 AI 视觉地理定位的影响？
视觉地理定位如何增加针对性社会工程学的风险？
实际影响与未来展望
AI 地理定位表明，移除显式元数据已不再足以阻止从公开图像中推断位置。对于安全架构师和开发人员而言，切实可行的应对措施是尽量减少不必要的数据暴露，将所需的会话上下文与持久标识符分离开来，并在消费级应用程序和企业数据管道不需要持久标识符的场景下使用服务端上下文恢复。
参考资料
Share this article
