斯坦福大学等机构的研究人员通过“深层神经网络”（一种能从大量数据中学习视觉特征的人工智能模型），对美国某约会网站公开发布的3.5万多张面部照片进行分析，提取面部形态（如下巴宽度、鼻子长度、前额大小）、表情（如柔和度）、打扮风格（如妆容、修饰程度）等特征，建立算法模型。这些模型通过学习同性恋与异性恋人群面部特征的统计差异，实现对性取向的分类预测。
算法的准确率表现
初步实验显示，该算法对男性性取向的判断准确率达81%，对女性为74%。若提供单人多张不同照片（如5张），准确率会显著提升——男性可达91%、女性达83%。研究人员认为，这是因为多张照片能更全面地捕捉面部特征的稳定性，减少单张照片的偶然性（如表情、光线影响）。
支持“性取向天生”理论的证据
研究结果被部分学者解读为“性取向由先天因素决定”的佐证。分析发现，同性恋人群的面部特征更符合“性别非典型”（如男同性恋更女性化、女同性恋更男性化），这与“胎儿期激素暴露影响性取向发育”的理论一致。例如，男同性恋的下巴更窄、鼻子更长、前额更大，这些特征被认为与胚胎期雄激素水平较低有关。
存在的争议与局限性
1. 样本偏差：研究使用的照片均来自约会网站，用户通常会精心挑选或修饰照片以吸引他人，导致样本无法代表全体人群的真实面部状态。若将模型应用于普通社交媒体（如Facebook）的照片，准确率会降至52%（接近随机猜测）。
2. 相关性≠因果性：算法仅发现面部特征与性取向的统计关联，无法证明两者存在因果关系。例如，男同性恋的女性化特征可能是后天社交环境塑造的结果，而非先天决定的“标志”。
3. 隐私与风险：该技术可能被滥用——如配偶用于测试伴侣的性取向、专制用于“揪出”LGBT群体，甚至被企业用于招聘歧视。即使算法开发者无恶意，公开此类技术也可能鼓励有害应用。
4. 泛化能力不足：研究未涵盖有色人种、变性者、双性恋等群体，算法的普适性存疑。人类面部特征受年龄、体重、化妆等因素影响，动态场景下的判断准确率可能更低。
