Jak vzory NoRecognition maskují lidi i auta před zrakem AI kamer: 31 milionů testů a první ostrá zkouška naživo
Bezpečnostní výzkumník Bill Swearingen vytvořil systém NoRecognition, který pomocí genetického algoritmu (posilovaného učení) po 31 milionech iterací nalezl vzory matoucí 11 různých AI modelů včetně Flock, Axon a Clea... Na konferenci Def Con 34 v Las Vegas (7.
PublikovalUpraveno pomocí DeepSeek-V4-FlashObrázky vytvořeny pomocí GPT Image 1.5
Bezpečnostní výzkumník Bill Swearingen vytvořil systém NoRecognition, který pomocí genetického algoritmu (posilovaného učení) po 31 milionech iterací nalezl vzory matoucí 11 různých AI modelů včetně Flock, Axon a Clea...
Na konferenci Def Con 34 v Las Vegas (7. srpna 2026) byl poprvé veřejně otestován vůz Toyota Yaris pokrytý tímto vzorem – projel kolem kamery Flock, aniž by systém spustil detekční upozornění.
Souběžně vzniká módní trend „adversarial fashion“ – značky jako Cap able, Urban Privacy či Vollebak vyrábějí oblečení s podobnými vzory, experti však varují před omezenou účinností a rizikem, že se modely brzy nauží v...
What algorithm and method did security researcher Bill Swearingen develop to create computer-printed patterns that hide people, faces, and vAI-generated conceptual image of adversarial camouflage pattern design intended to confuse computer vision systems.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What algorithm and method did security researcher Bill Swearingen develop to create computer-printed patterns that hide people, faces, and v. Article summary: Security researcher Bill Swearingen developed a reinforcement learning system called **noRecognition** that generates adversarial, computer-printed patterns capable of hiding people, faces, and vehicles from AI-powered s. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
openai.com
Bezpečnostní výzkumník vyvinul systém, který generuje počítačově tištěné vzory schopné skrýt lidi, tváře i vozidla před kamerami s umělou inteligencí – a po 31 milionech testů tyto vzory vycházejí z laboratoře do ulic.
Výzkumník Bill Swearingen svůj projekt nazval NoRecognition. Využívá přístup posilovaného učení – genetický algoritmus, který „šlechtí“ protichůdné textilní vzory testováním milionů variant proti modelům detekce AI . Vzory neblokují samotné nahrávání videa, ale matou schopnost algoritmu detekovat osobu, obličej nebo vozidlo, čímž brání systému v aktivaci výstrah .
Jak NoRecognition funguje
Swearingenova základní metoda je samoučící se „fuzzer“, který generuje protichůdné vzory a testuje je proti opensourcovým algoritmům detekce objektů . Vzory, které stále spouštějí detekci, jsou upraveny a znovu testovány v iterativní smyčce. Po zhruba 31 milionech testovacích iterací systém dospěl k variantám vzorů, které porazily všech 11 modelů AI dohledu ve Swearingenově testovací sadě .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Jak vzory NoRecognition maskují lidi i auta před zrakem AI kamer: 31 milionů testů a první ostrá zkouška naživo"?
Bezpečnostní výzkumník Bill Swearingen vytvořil systém NoRecognition, který pomocí genetického algoritmu (posilovaného učení) po 31 milionech iterací nalezl vzory matoucí 11 různých AI modelů včetně Flock, Axon a Clea...
What are the key points to validate first?
Bezpečnostní výzkumník Bill Swearingen vytvořil systém NoRecognition, který pomocí genetického algoritmu (posilovaného učení) po 31 milionech iterací nalezl vzory matoucí 11 různých AI modelů včetně Flock, Axon a Clea... Na konferenci Def Con 34 v Las Vegas (7. srpna 2026) byl poprvé veřejně otestován vůz Toyota Yaris pokrytý tímto vzorem – projel kolem kamery Flock, aniž by systém spustil detekční upozornění.
What should I do next in practice?
Souběžně vzniká módní trend „adversarial fashion“ – značky jako Cap able, Urban Privacy či Vollebak vyrábějí oblečení s podobnými vzory, experti však varují před omezenou účinností a rizikem, že se modely brzy nauží v...
Jak vzory NoRecognition maskují lidi i auta před zrakem AI kamer: 31 milionů testů a první ostrá zkouška naživo
Bezpečnostní výzkumník Bill Swearingen vytvořil systém NoRecognition, který pomocí genetického algoritmu (posilovaného učení) po 31 milionech iterací nalezl vzory matoucí 11 různých AI modelů včetně Flock, Axon a Clea... Na konferenci Def Con 34 v Las Vegas (7.
PublikovalUpraveno pomocí DeepSeek-V4-FlashObrázky vytvořeny pomocí GPT Image 1.5
Bezpečnostní výzkumník Bill Swearingen vytvořil systém NoRecognition, který pomocí genetického algoritmu (posilovaného učení) po 31 milionech iterací nalezl vzory matoucí 11 různých AI modelů včetně Flock, Axon a Clea...
Na konferenci Def Con 34 v Las Vegas (7. srpna 2026) byl poprvé veřejně otestován vůz Toyota Yaris pokrytý tímto vzorem – projel kolem kamery Flock, aniž by systém spustil detekční upozornění.
Souběžně vzniká módní trend „adversarial fashion“ – značky jako Cap able, Urban Privacy či Vollebak vyrábějí oblečení s podobnými vzory, experti však varují před omezenou účinností a rizikem, že se modely brzy nauží v...
What algorithm and method did security researcher Bill Swearingen develop to create computer-printed patterns that hide people, faces, and vAI-generated conceptual image of adversarial camouflage pattern design intended to confuse computer vision systems.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What algorithm and method did security researcher Bill Swearingen develop to create computer-printed patterns that hide people, faces, and v. Article summary: Security researcher Bill Swearingen developed a reinforcement learning system called **noRecognition** that generates adversarial, computer-printed patterns capable of hiding people, faces, and vehicles from AI-powered s. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
openai.com
Bezpečnostní výzkumník vyvinul systém, který generuje počítačově tištěné vzory schopné skrýt lidi, tváře i vozidla před kamerami s umělou inteligencí – a po 31 milionech testů tyto vzory vycházejí z laboratoře do ulic.
Výzkumník Bill Swearingen svůj projekt nazval NoRecognition. Využívá přístup posilovaného učení – genetický algoritmus, který „šlechtí“ protichůdné textilní vzory testováním milionů variant proti modelům detekce AI . Vzory neblokují samotné nahrávání videa, ale matou schopnost algoritmu detekovat osobu, obličej nebo vozidlo, čímž brání systému v aktivaci výstrah .
Jak NoRecognition funguje
Swearingenova základní metoda je samoučící se „fuzzer“, který generuje protichůdné vzory a testuje je proti opensourcovým algoritmům detekce objektů . Vzory, které stále spouštějí detekci, jsou upraveny a znovu testovány v iterativní smyčce. Po zhruba 31 milionech testovacích iterací systém dospěl k variantám vzorů, které porazily všech 11 modelů AI dohledu ve Swearingenově testovací sadě .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Jak vzory NoRecognition maskují lidi i auta před zrakem AI kamer: 31 milionů testů a první ostrá zkouška naživo"?
Bezpečnostní výzkumník Bill Swearingen vytvořil systém NoRecognition, který pomocí genetického algoritmu (posilovaného učení) po 31 milionech iterací nalezl vzory matoucí 11 různých AI modelů včetně Flock, Axon a Clea...
What are the key points to validate first?
Bezpečnostní výzkumník Bill Swearingen vytvořil systém NoRecognition, který pomocí genetického algoritmu (posilovaného učení) po 31 milionech iterací nalezl vzory matoucí 11 různých AI modelů včetně Flock, Axon a Clea... Na konferenci Def Con 34 v Las Vegas (7. srpna 2026) byl poprvé veřejně otestován vůz Toyota Yaris pokrytý tímto vzorem – projel kolem kamery Flock, aniž by systém spustil detekční upozornění.
What should I do next in practice?
Souběžně vzniká módní trend „adversarial fashion“ – značky jako Cap able, Urban Privacy či Vollebak vyrábějí oblečení s podobnými vzory, experti však varují před omezenou účinností a rizikem, že se modely brzy nauží v...
„Je to genetický algoritmus, který šlechtí protichůdné textilní vzory, vytištěné na obyčejné látce, a způsobuje kaskádové selhání v celém pipeline rozpoznávání obličejů – detekce osoby, detekce obličeje a přiřazení identity – bez jakékoli elektroniky a bez čehokoli, co by působilo neobvykle na člověka stojícího vedle vás,“ řekl Swearingen v ukázce na Black Hat .
Systémy poražené NoRecognition
Swearingenův projekt byl testován proti a údajně poráží 11 různých modelů AI dohledu, včetně:
Flock – čtečky poznávacích značek a dohledové kamery
Axon – policejní bodycamery a dohledové systémy
Clearview AI – rozpoznávání obličejů
Různé další modely detekce osob, vozidel a rozpoznávání obličejů
Swearingen výslovně uvedl, že jeho systém testuje proti „skutečným modelům. Ne akademickým benchmarkům. Skutečným věcem běžícím v Clearview AI, policejních bodycamerech, letištní bezpečnosti“ .
Veřejný test na Def Con 34
Na cybersecurity konferenci Def Con v Las Vegas v pátek 7. srpna 2026 provedl Swearingen první veřejný reálný test vzorů NoRecognition . S pomocí automobilového média Donut Media bylo auto Toyota Yaris (model 2009) pokryto počítačově generovaným vzorem a projet kolem kamery Flock.
Podle Swearingena se vozidlo vyhnulo automatické detekci systému Flock – kamera nespustila detekční upozornění . Bylo to poprvé, kdy byly vzory validovány proti fyzické kameře v živém prostředí, nikoli jen v digitální simulaci . Nezávislí novináři však upozornili, že šlo o jediný nezaslepený test a širší peer-reviewed validace stále chybí .
Nástup „adversarial fashion“
Současně se Swearingenovou technickou prací vznikl paralelní trend zvaný „adversarial clothing“ neboli „adversarial fashion“.
The Guardian v červenci 2026 informoval, že návrháři začleňují „protichůdné vzory“ – pečlivě uspořádané tvary, barvy a motivy – do oděvů speciálně proto, aby mataly AI rozpoznávající obličeje . Značky jako Cap_able, Urban Privacy a Vollebak uvádějí na trh kolekce oblečení, které údajně využívají slabin v počítačovém vidění .
Berlínský umělec Simon Weckert představil konceptuální kolekci „Digital Camouflage“ – oděvy potištěné generativními protichůdnými vzory, které mají zabránit detekci AI z jakéhokoli úhlu nebo záhybu látky . Toto hnutí je popisováno jako „soukromí by se mohlo stát příštím velkým módním trendem“ – nositelé dávají viditelně najevo důležitost soukromí a zároveň potenciálně unikají automatizovanému rozpoznávání obličejů .
Italský módní startup Cap_able vytváří pleteniny s protichůdnými vzory a konstruuje oděvy jako oboustranné, aby si uživatel mohl ráno vybrat, zda chce být AI detekován, či nikoli . Jeho patentovaný proces algoritmicky vyvíjí protichůdné vzory a vytváří takzvanou „AI kamufláž“ .
Omezení a důsledky závodu ve zbrojení
Technologie není všelék. Odborníci upozorňují na několik důležitých výhrad:
Úzká účinnost: Vzory nečiní osobu nebo vozidlo neviditelnými pro lidské oči ani pro samotné nahrávání videa – narušují pouze automatické detekční algoritmy . Člověk sledující záznam osobu stále vidí .
Modelová specifičnost: Vzory jsou optimalizovány proti konkrétním architekturám ve Swearingenově testovací sadě. Dohledové společnosti mohou své modely aktualizovat, aby vzory rozpoznaly a ignorovaly, což vytváří klasický adversarial arms race.
Fyzická křehkost: Použité vzory byly tištěny na rovnou látku v kontrolovaných podmínkách. Reálné faktory jako osvětlení, úhel, vzdálenost, záhyby látky a počasí mohou účinnost snížit – a test na Def Conu byl jediným průjezdem kolem jedné kamery .
Riziko přeškolení: Jak uvádí The Guardian, experti varují, že protichůdné vzory fungují jen do doby, než je dohledový model přeškolen na těchto příkladech – poté ochrana zmizí .
Právní a etická šedá zóna: Zatímco Swearingen rámuje technologii jako mechanismus opt-out ze sledování, policejní složky ji mohou vnímat jako nástroj k úniku, což může vést k regulaci či právním výzvám .
Nedostatečné nezávislé ověření: Nezávislí novináři poznamenali, že demo na Def Conu byl jediný nezaslepený test a širší peer-reviewed validace reálné účinnosti vzorů stále chybí .
Co to znamená pro soukromí
NoRecognition představuje jeden z nejdůslednějších pokusů o vytvoření praktické, nositelné obrany proti AI dohledu. S 31 miliony testů a živou ukázkou proti kameře Flock se projekt posunul za hranice akademického proof-of-conceptu. Zda však protichůdné vzory přežijí závod ve zbrojení s rychle se vyvíjející AI dohledu – a zda širší hnutí adversarial fashion přinese skutečnou ochranu soukromí ve velkém – zůstává otevřenou otázkou.
Jak řekl sám Swearingen, základní otázka zní: „Mohou fyzické látky skutečně porazit nejmodernější rozpoznávání obličejů v reálných podmínkách?“ Odpověď prozatím zní: ano – dokud se AI nepřizpůsobí.
„Je to genetický algoritmus, který šlechtí protichůdné textilní vzory, vytištěné na obyčejné látce, a způsobuje kaskádové selhání v celém pipeline rozpoznávání obličejů – detekce osoby, detekce obličeje a přiřazení identity – bez jakékoli elektroniky a bez čehokoli, co by působilo neobvykle na člověka stojícího vedle vás,“ řekl Swearingen v ukázce na Black Hat .
Systémy poražené NoRecognition
Swearingenův projekt byl testován proti a údajně poráží 11 různých modelů AI dohledu, včetně:
Flock – čtečky poznávacích značek a dohledové kamery
Axon – policejní bodycamery a dohledové systémy
Clearview AI – rozpoznávání obličejů
Různé další modely detekce osob, vozidel a rozpoznávání obličejů
Swearingen výslovně uvedl, že jeho systém testuje proti „skutečným modelům. Ne akademickým benchmarkům. Skutečným věcem běžícím v Clearview AI, policejních bodycamerech, letištní bezpečnosti“ .
Veřejný test na Def Con 34
Na cybersecurity konferenci Def Con v Las Vegas v pátek 7. srpna 2026 provedl Swearingen první veřejný reálný test vzorů NoRecognition . S pomocí automobilového média Donut Media bylo auto Toyota Yaris (model 2009) pokryto počítačově generovaným vzorem a projet kolem kamery Flock.
Podle Swearingena se vozidlo vyhnulo automatické detekci systému Flock – kamera nespustila detekční upozornění . Bylo to poprvé, kdy byly vzory validovány proti fyzické kameře v živém prostředí, nikoli jen v digitální simulaci . Nezávislí novináři však upozornili, že šlo o jediný nezaslepený test a širší peer-reviewed validace stále chybí .
Nástup „adversarial fashion“
Současně se Swearingenovou technickou prací vznikl paralelní trend zvaný „adversarial clothing“ neboli „adversarial fashion“.
The Guardian v červenci 2026 informoval, že návrháři začleňují „protichůdné vzory“ – pečlivě uspořádané tvary, barvy a motivy – do oděvů speciálně proto, aby mataly AI rozpoznávající obličeje . Značky jako Cap_able, Urban Privacy a Vollebak uvádějí na trh kolekce oblečení, které údajně využívají slabin v počítačovém vidění .
Berlínský umělec Simon Weckert představil konceptuální kolekci „Digital Camouflage“ – oděvy potištěné generativními protichůdnými vzory, které mají zabránit detekci AI z jakéhokoli úhlu nebo záhybu látky . Toto hnutí je popisováno jako „soukromí by se mohlo stát příštím velkým módním trendem“ – nositelé dávají viditelně najevo důležitost soukromí a zároveň potenciálně unikají automatizovanému rozpoznávání obličejů .
Italský módní startup Cap_able vytváří pleteniny s protichůdnými vzory a konstruuje oděvy jako oboustranné, aby si uživatel mohl ráno vybrat, zda chce být AI detekován, či nikoli . Jeho patentovaný proces algoritmicky vyvíjí protichůdné vzory a vytváří takzvanou „AI kamufláž“ .
Omezení a důsledky závodu ve zbrojení
Technologie není všelék. Odborníci upozorňují na několik důležitých výhrad:
Úzká účinnost: Vzory nečiní osobu nebo vozidlo neviditelnými pro lidské oči ani pro samotné nahrávání videa – narušují pouze automatické detekční algoritmy . Člověk sledující záznam osobu stále vidí .
Modelová specifičnost: Vzory jsou optimalizovány proti konkrétním architekturám ve Swearingenově testovací sadě. Dohledové společnosti mohou své modely aktualizovat, aby vzory rozpoznaly a ignorovaly, což vytváří klasický adversarial arms race.
Fyzická křehkost: Použité vzory byly tištěny na rovnou látku v kontrolovaných podmínkách. Reálné faktory jako osvětlení, úhel, vzdálenost, záhyby látky a počasí mohou účinnost snížit – a test na Def Conu byl jediným průjezdem kolem jedné kamery .
Riziko přeškolení: Jak uvádí The Guardian, experti varují, že protichůdné vzory fungují jen do doby, než je dohledový model přeškolen na těchto příkladech – poté ochrana zmizí .
Právní a etická šedá zóna: Zatímco Swearingen rámuje technologii jako mechanismus opt-out ze sledování, policejní složky ji mohou vnímat jako nástroj k úniku, což může vést k regulaci či právním výzvám .
Nedostatečné nezávislé ověření: Nezávislí novináři poznamenali, že demo na Def Conu byl jediný nezaslepený test a širší peer-reviewed validace reálné účinnosti vzorů stále chybí .
Co to znamená pro soukromí
NoRecognition představuje jeden z nejdůslednějších pokusů o vytvoření praktické, nositelné obrany proti AI dohledu. S 31 miliony testů a živou ukázkou proti kameře Flock se projekt posunul za hranice akademického proof-of-conceptu. Zda však protichůdné vzory přežijí závod ve zbrojení s rychle se vyvíjející AI dohledu – a zda širší hnutí adversarial fashion přinese skutečnou ochranu soukromí ve velkém – zůstává otevřenou otázkou.
Jak řekl sám Swearingen, základní otázka zní: „Mohou fyzické látky skutečně porazit nejmodernější rozpoznávání obličejů v reálných podmínkách?“ Odpověď prozatím zní: ano – dokud se AI nepřizpůsobí.