本文提出一种名为 A-Live 的被动式活体检测框架。研究背景：传统的活体检测主要用于防止生物特征认证中的展示和重放攻击，但随着生成式AI和自主AI代理的兴起，数字系统需要区分人类用户与非人类实体，活体检测成为基础安全原语。现有方法依赖显式用户交互、专用硬件、容易被逼真欺骗攻击且难以规模化部署。核心方法：A-Live 仅利用商用设备中普遍存在的惯性测量单元（IMU）信号，其关键洞察在于人类运动控制中固有的神经肌肉微运动会在IMU数据中产生微妙但可测量的特征，而以往研究通常视其为噪声。作者设计了轻量级特征提取流水线和紧凑型分类器，可在设备上实时运行，并引入可控的物理微运动平台用于评估对工程化非人类运动的鲁棒性。主要贡献：在包括 Android 和 iOS 设备、自动化及真实用户设置的广泛评估中，A-Live 实现了超过 99.5% 的准确率，误接受率和误拒绝率极低。结果表明，神经肌肉微运动特征可在新兴AI驱动威胁模型下提供可扩展、被动的活体检测基础。适合安全研究人员、生物识别系统设计者及关注 AI 安全的人员阅读。