← 返回 PaperDaily 大模型与智能体

UC Berkeley最新研究：光学扫描投票机不用黑客也会自己翻车？！

大家都以为投票机安全就怕黑客，但其实机器自己就会出错。这篇来自UC Berkeley和Western University的论文，系统梳理了光学扫描投票系统的“非对抗性”故障，用真实案例告诉你——没有黑客，投票结果也可能被悄悄篡改。而且，很多现有审计方法根本查不出来。搞系统安全和民主制度的不可错过。

龙哥读论文发布于 2026-09-05 00:31:11 阅读 5 查看原文

#人工智能 #AI应用 #综述

原论文信息如下：

论文标题:
It Doesn’t Take a Thief: Optical-Scan Voting Systems Fail Even Without Adversaries

发表日期:
2026年7月
发表单位:
Western University, Canada & University of California, Berkeley
原文链接:
https://arxiv.org/pdf/2607.27101v1.pdf

投票系统也会“自然翻车”？——光学扫描投票机的非对抗性故障分类

大家一听到选举投票机，脑子里蹦出来的画面多半是黑客、网络攻击、窃取选举，总之就是一群坏蛋在屏幕后面使坏。这很正常，毕竟科幻电影里都是这么演的。但是，如果龙哥告诉你，即使没有黑客，没有间谍，没有任何人故意使坏，你的选票在机器里也可能被“误读”甚至“吞掉”，你信不信？

来自加拿大韦仕敦大学（Western University）和加州大学伯克利分校（UC Berkeley）的两位学者，Aleksander Essex 和 Philip B. Stark，就在他们的新论文里系统地干了这么一件事：把光学扫描投票系统那些“自然翻车”的故障，狠狠地拉出来晒了晒太阳。这篇名为《It Doesn't Take a Thief: Optical-Scan Voting Systems Fail Even Without Adversaries》的研究，提出了一套清晰的故障分类模型，并用大量真实案例证明：投票系统的脆弱性，远比我们想象的要普遍得多。

说白了，机器自己出错的概率，可能比黑客攻击还要高。这可不是危言耸听，咱们今天就跟着这篇论文，看看这些“内鬼”到底是怎么搞事情的。

四阶段流水线：F1-F4故障模式全景图

论文的核心贡献，就是构建了一个非常直观的“四阶段流水线”模型，用来描述一张选票从被填写到最终变成统计结果的全过程。这个过程被拆解成四个关键环节，每一个环节都可能出岔子，也就是论文中定义的F1到F4四种故障模式：

F1: Vote Recording（投票记录故障）这是选票产生的源头。不管是选民手写标记，还是用电子选票标记设备（BMD）打印选票，在这个阶段都可能出错。比如，发给你的选票上压根没有你所在选区的某个竞选项目，或者BMD在打印时把你选的张三印成了李四，这就是典型的记录故障。

F2: Vote Reading（投票读取故障）选票被投入光学扫描仪后，扫描仪会“阅读”选票上的标记，并生成一个数字化的投票记录（Cast Vote Record, CVR）。这中间的故障可就花样百出了：扫描仪的传感器脏了，导致某个浅色标记没被读到；选民不小心在选票上留下的折痕被机器当成一个“是”的选项；或者用来解读选票的“选票定义文件”（Ballot Definition File）是错的，导致机器把A位置上的候选人认成了B位置上的。这些都属于读取故障。

F3: Vote Aggregation（投票汇总故障）当所有机器的读票结果汇集到中央选举管理系统（Election Management System, EMS）进行加总时，也会出错。比如，存储结果的记忆卡（Memory Card）出了bug，导致出现了负数的选票；或者工作人员不小心把测试用的选票混入了真实选票结果中，造成统计错误；又或者EMS的软件有bug，直接把某个选区的一整捆选票给漏了。

F4: Verification and Testing（验证与测试故障）这个阶段是专门用来发现和纠正F1-F3阶段错误的，比如选前进行的“逻辑与准确性测试”（Logic and Accuracy, L&A testing）和选后进行的审计。但如果这些测试和审计本身设计得就不行，比如测试用的选票样本不够全面，或者审计人员没有发现纸票和电子记录之间的差异，那就等于没查。所以，这个阶段的故障，是一种“元故障”——本来应该纠错的环节，自己却失效了。

这个框架的精妙之处在于，它完全从选举官员最容易感知到的“故障发生的位置”出发，而不是像传统方法那样按“发生了什么”（比如硬件坏掉、软件bug、人为失误）来分类。这样，当你发现某个环节的结果不对劲时，就能立刻定位到问题出在了流水线的哪个工位上。

论文中的图2清晰地展示了这个流水线的全貌以及各个故障点的位置。

图2：投票汇总流水线与故障模式概览

真实案例：从折叠线到负票数，Bug无处不在

光有理论太枯燥，龙哥带你们看看论文里挖出来的那些真实翻车现场。你会发现，这些故障的离谱程度，堪比喜剧片。

F1 案例：BMD 把张三记成了李四

- 佐治亚州迪卡尔布县，2022年在一场民主党初选中，由于一名候选人退选，选举官员更新了选票定义文件。但BMD的触屏在选择时，竟然把投给一位候选人的票，记到了另一个候选人头上。这个错误在BMD打印选票时才发生，但扫描仪本身解读纸质选票是没问题的。这意味着，如果选民没有仔细核对打印出来的纸质选票就直接投进去了，那他们选的和机器记下的，完全是两码事。研究早就表明，绝大多数选民根本不会仔细核对打印出来的内容。

- 肯塔基州路易斯维尔，2021-2026年更离谱的是，因为一个行政失误，选民的选区被弄错了，结果他们拿到的选票上，少了一些他们本应参加的选举项目。这种情况基本没办法事后补救——因为选民的意愿从一开始就没被征集过。

论文里的表1，清晰地列出了几个F1阶段的真实案例。

表1：投票记录故障（F1）案例

F2 案例：机器“看不见”你的选择

- 新罕布什尔州温德姆，2020年这是龙哥觉得最搞笑的案例之一。为了应对海量的缺席选票，选举办公室不得不把普通的折纸机拿来给选票折叠。结果呢，这些折痕恰好压在了候选人的选项椭圆上。光学扫描仪的传感器一读，就把折痕当成选民涂的点了。更要命的是，由于不同机器的传感器脏污程度不同，同一张有折痕的选票，在不同机器上读出来的结果竟然完全不一样。这要是搁在考试，一道题的答案根据阅卷老师的心情不一样，那学生不得疯了？

- 加利福尼亚州旧金山，2024年这篇论文最震撼的图片之一，就是下面这张对比图。左边是研究者用手机拍的选民亲手填写的选票，上面的标记清清楚楚。右边是扫描仪生成的数字图像，结果那些标记竟然“消失”了！原因是扫描仪只记录黑白二值图像，而非灰度图，那些颜色较浅的标记直接被算法过滤掉了。这就像你用一台只能分辨黑白的相机去拍一幅水墨画，结果淡墨的全成了白纸一张。

图1：F2读取故障示例。左图为选票照片，右图为扫描仪图像。

- 密歇根州安特里姆县，2020年这是另一个经典案例。因为要添加一个“补选填名”栏，选举官员更新了中央EMS的选票定义文件，但忘了更新所有投票站的扫描仪。这就导致了三重不一致：扫描仪自己的打印小票（Poll Tape）是一种结果，EMS根据新文件解读记忆卡是另一种结果，而最真实的纸质选票又是第三种结果。最终，通过人工重新计票才纠正了结果。这个故事完美诠释了“选票定义文件”这个数字工件如果不同步，造成的后果是多么混乱。

同样，论文里的表2列出了F2阶段的其他案例。

表2：投票读取故障（F2）案例

F3 案例：负数选票与被重复计算的选票

- 佛罗里达州沃卢夏县，2000年这是一个写入史册的案例。在2000年美国总统大选中，第216选区的一张记忆卡竟然报告说，民主党候选人阿尔·戈尔的票数显示为“负16,022票”！而当时的EMS系统居然没有做任何数据范围检查，直接把结果汇入了全国直播数据，导致过早宣布了佛罗里达州的归属。这个事件直接推动了后来的投票系统标准（VVSG 2.0），要求电子设备必须检测并防止负票数的累加。你看，有时候推动政策进步的，不是伟大的创新，而是离谱的Bug。

- 新泽西州蒙茅斯县，2022年一名技术人员在重新安装选举管理软件时，漏打了一个本应防止重复计票的补丁。结果导致四个市的选票被重复计算，错误地认证了错误的候选人。直到几个月后的重新计票才发现这个错误。

- 纽约市2021年市长初选工作人员在开票时忘记清除测试数据，结果导致数千张测试选票被混入了真实结果，造成计票结果严重失真。

论文里的表3汇总了F3阶段的一些著名事故。

表3：投票汇总故障（F3）案例

审计能堵住所有漏洞吗？F1-F4覆盖分析

很多人会说：“没关系，我们有纸张作为永久记录，选后可以重新计票审计啊！” 论文的作者对此提出了一个尖锐的问题：你的“纸质凭证”真的可信吗？

论文系统地分析了主流的验证手段，比如选前逻辑与准确性测试（L&A Testing）、选后风险限制审计（Risk-Limiting Audit, RLA）、选票物流链管理（Chain of Custody）等，并评估它们是否能覆盖F1到F4的故障。结果发现了一个触目惊心的“漏洞地带”：

纸张本身不可靠时，一切审计都是白搭。这里的核心漏洞直指F1阶段。如果选票本身就不反映选民的意图，比如选民被给了错误的选票样式（F1故障），或者BMD打印出了错误的编码（F1故障），那么你再怎么审计这张纸，都是在对一个错误的结果进行确认。更别提如果选票在运输和保管过程中丢失、被篡改、或放错了顺序（也是F1故障的一部分），那审计工作更是无从谈起。

审计能查的，和审计查不动的。对于F2（读取故障）和F3（汇总故障），RLA等后审计手段确实很有效。因为RLA会从机器计票结果和手工计票结果中抽样对比，如果机器读错了（比如折痕误读）或EMS加总错了（比如漏了选票），审计就能发现。但别忘了，这要建立在F1阶段的纸票是100%可靠的前提下。

测试的局限性。选前的L&A测试虽然重要，但它的“测试包”（Test Deck）通常只测试有限的投票组合，很难覆盖所有可能出现的故障，尤其是像“折痕被误读”这种与环境因素相关的偶发性故障。

简单来说，现有的大部分审计方法，就像是给你的房子装了一把防盗锁，但前提是你的房子得建在正确的地基上。如果地基都打歪了（F1故障），锁再结实也没用。这也就是论文强调要关注“非对抗性”故障的根本原因——那些看起来不起眼的小问题，往往会给整个系统的可信度埋下最大的炸弹。

六大建议：如何让选举结果真正可验证

发现问题是为了解决问题。论文最后给出了六大实操性建议，旨在帮助选举官员和决策者从制度上提高选举的韧性。

1. 纸质选票的物理盘点（Physical Ballot Accounting）。不能只依赖机器告诉你收到了多少张选票，必须人工清点并与投票站的签到记录（Poll Book）和邮寄投票跟踪记录进行比对，确保选票没有被多、没有少。

2. 确保选票本身的可靠性。从设计、印刷到分发，每一步都要有严格的质量控制和验证，确保发给选民的选票是正确的、完整的，且选民有意愿去检查BMD打印出来的选票。

3. 实施更强健的选后审计。不能只做象征性的审计，必须采用类似风险限制审计（RLA）这种科学的统计方法，并保证审计是由独立于选举管理机构的组织来执行。

4. 改进逻辑与准确性测试（L&A Testing）。测试包的设计必须更全面、更贴近真实场景，要模拟各种恶劣环境，并定期对扫描仪进行清洁和维护校准。

5. 建立严格的选票供应链管理。对记忆卡、选票、等所有物理和数字工件，都要有防篡改的封条跟踪记录和完整的交接文档。

6. 逐步淘汰风险更高的设备。特别是那些依赖BMD作为唯一投票方式的系统，因为BMD引入了“选民意图”和“选票上的标记”之间不一致的额外风险，建议逐步替换为选民手写纸质选票。

致谢与延伸思考

这篇论文给龙哥最大的感受是：我们总是习惯于把风险与“恶意”联系在一起，好像只要没有坏人，系统就是安全的。但事实上，世界上最安全、最坚固的系统，其最大的威胁往往来自于内部的、不可预测的熵增——机器会老化、软件会有bug、人会疲劳和犯错。

对于选举这种对信任度要求极高的场景，我们不应该把信任寄托在某个设备或某个人身上，而应该构建一个“松耦合（Loosely Coupled）”的验证体系。也就是说，即使系统中的某个环节完全崩溃了，我们依然有独立、可靠的办法来恢复真相。这套四阶段故障模型，正是帮助我们找到这个验证体系薄弱环节的绝佳工具。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文解决什么问题？这篇论文解决了一个“信任错位”问题。很多人（尤其是一些选举官员）认为，只要没有黑客攻击，光学扫描投票系统就是可靠的。本文通过系统梳理和大量真实案例证明了，非对抗性的、无意的设备故障和程序错误，同样会导致选举结果出错，而且这些错误往往被现有的审计方法所忽略。其核心贡献是提供了一个清晰的、按故障发生阶段（F1-F4）分类的模型，帮助各方理解并防范这些“隐形”风险。

什么是BMD、RLA、CVR？这些是本文的关键术语。BMD是"Ballot-Marking Device"（选票标记设备），即由选民通过触屏选择、设备打印出纸质选票的机器。RLA是"Risk-Limiting Audit"（风险限制审计），是一种统计抽样的审计方法，可以保证，如果机器计票结果不正确，有很高的概率通过审计被发现并纠正。CVR是"Cast Vote Record"（已投选票记录），是扫描仪对纸质选票解读后生成的数字记录，用于后续汇总。RLA就是通过比对CVR和人工读取的纸质选票结果来发现问题。

为什么说“纸质选票”本身也可能不可靠？我们通常认为纸质选票是“黄金标准”，但这是有前提的。首先，它必须是选民意图的真实反映，如果BMD打印错误（F1故障），或者选民拿到的选票样式错了（F1故障），那张纸本身就是一个错误记录。其次，纸票必须保持物理完整和安全的保管链，如果选票在运输中丢失或被恶意调换（也是F1故障），它代表的“真相”就失去了意义。因此，只有确保“纸质选票”这个记录本身的生成和保管过程是正确的，后续基于它的审计才有意义。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★✰

该论文的核心创新在于提供了一个结构化的“四阶段故障流水线”分类模型。虽然投票系统的非对抗性故障此前被零星研究过，但将其系统地组织成F1-F4框架，并从选举官员的感知视角出发，这种分类方式具有很强的实用性和传播性，有效地填补了既有研究在系统性总结上的空白。

实验合理度：★★★★✰

作为一篇系统分析论文，其“实验”主要是通过搜集和整理大量真实案例来证明其分类模型的有效性。这些案例来源广泛（学术文献、官方报告、新闻等），覆盖年份从2000年到2026年，各有代表性，增强了结论的可信度。虽存在案例选择偏差（未发现的故障不为人知），但作者已明确承认这一局限性。

学术研究价值：★★★★★

学术研究价值非常高。它为后续的投票系统安全性研究、人在环验证研究以及选举审计方法的设计，提供了一个通用的、标准化的分析框架和一套丰富的案例库。无论是研究新审计算法，还是分析系统安全韧性，这篇论文的理论奠基作用都极其突出。

稳定性：★★★★✰

这里探讨的是系统自身的“对抗”非对抗性故障的稳定性。论文指出，只要采用了足够冗余的验证机制（如RLA + 严格的物理票箱管理），就可以有效检测并纠正F1-F3阶段的故障，从而提高整个系统的韧性。但论文也揭示，任何单一环节的疏忽（尤其是F1）都可能让整个系统失效。因此，系统的稳定性不取决于单点，而取决于全局验证链的设计。

适应性以及泛化能力：★★★★★

这个分类模型具有极强的泛化能力。虽然论文数据主要来自美国，但光学扫描技术和相关操作流程在各国都类似，F1-F4的故障分类适用于任何采用这套技术的选举系统。它为全球范围内的选举审计优化提供了理论基础，具有很强的适应性。

硬件需求及成本：★★★★✰

这篇论文本身不涉及新的硬件。它所倡导的解决方案，如更严格的物理审计（人工清点），改进L&A测试流程（更全面的测试包），实施RLA（统计软件），成本相对较低。最大的成本可能是改变现有操作习惯所消耗的人力培训和流程改造。相比部署全新的、昂贵的投票系统，论文的建议方案应该是性价比很高的。

复现难度：★★★★★

作为一篇系统分析和分类论文，其核心结果（故障案例库）是通过文献综述和公开资料整理得到的，任何研究者都可以通过同样的途径获取并验证其正确性。分类模型也是基于清晰的逻辑推理，复现起来没有任何障碍。龙哥认为这是复现难度最低的一类研究，其价值在于洞察力和系统性，而非代码或数据。

产品化成熟度：★★★★✰

论文的建议（六大建议）具有很强的产品化指导意义。选举管理机构和系统开发商可以直接参考模型的输出，优化自家的审计流程和系统设计。例如，在开发RLA软件时，可以参考此模型来设计更全面的异常检测算法；在制定投票站操作手册时，可以加入更详细的F1-F3故障检查清单。这已经不是一个单纯的学术想法，而是一份可以直接执行的“操作指南”。

可能的问题：论文主要聚焦于技术流程和操作层面的故障，对社会工程学、人为故意破坏（虽然不在讨论范围内）以及制度层面的系统性腐败探讨较少。此外，案例主要来自美国，对其他国家（例如加拿大、菲律宾等国）的参考价值可能需要结合当地具体的法规和操作流程进行本地化调整。

主要参考文献

[1] Aleksander Essex, Philip B. Stark. It Doesn't Take a Thief: Optical-Scan Voting Systems Fail Even Without Adversaries. In the Proceedings of E-Vote-ID 2026, LNCS, Springer. arXiv:2607.27101v1.

[2] Verified Voting. "2026 Polling-Place Equipment Data." https://verifiedvoting.org.

[3] Mark Lindeman and Philip B. Stark. "A Gentle Introduction to Risk-Limiting Audits." IEEE Security & Privacy, 2012.

[4] R. L. Rivest. "On the notion of 'software independence' in voting systems." Philosophical Transactions of the Royal Society A, 2008.

[5] Lawrence Norden. "Voting System Failures: A Database Solution." Brennan Center for Justice, 2010.

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！

投票系统不只有黑客威胁，流程和设备的“自然翻车”同样致命。想跟龙哥一起深挖选举安全、AGI安全背后的硬核知识？
欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如选举安全+上海+复旦+龙哥），根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群。快来加入，和志同道合的朋友一起讨论安全漏洞、落地实战！
wechat_helper