Cómo los patrones de NoRecognition te hacen invisible para la vigilancia con IA

El método central de Swearingen es un fuzzer autoaprendizaje que genera patrones adversariales y los prueba contra algoritmos de detección de objetos de código abierto . Los patrones que aún provocan detección se modifican y se vuelven a probar en un bucle iterativo. Después de aproximadamente 31 millones de iteraciones de prueba, el sistema convergió en variantes de patrones que vencieron a los 11 modelos de vigilancia por IA en el conjunto de pruebas de Swearingen .

"Es un algoritmo genético que cría patrones textiles adversariales, impresos en tela común, que provocan fallos en cascada en todo el pipeline de reconocimiento facial —detección de personas, detección de rostros y coincidencia de identidad— sin electrónica y sin que nada parezca inusual para una persona a tu lado", dijo Swearingen en una vista previa de Black Hat .

Sistemas vencidos por NoRecognition

El proyecto de Swearingen ha sido probado contra y afirma vencer a 11 modelos diferentes de vigilancia por IA, incluyendo:

• Flock — lectores de placas y cámaras de vigilancia
• Axon — cámaras corporales y sistemas de vigilancia policial
• Clearview AI — reconocimiento facial
• Varios otros modelos de detección de personas, vehículos y reconocimiento facial

Cabe destacar que Swearingen ha declarado que su sistema prueba contra "los modelos reales. No puntos de referencia académicos. Las cosas reales que funcionan en Clearview AI, cámaras corporales de la policía, seguridad aeroportuaria" .

La prueba pública en Def Con 34

En la conferencia de ciberseguridad Def Con en Las Vegas el viernes 7 de agosto de 2026, Swearingen realizó la primera prueba pública en el mundo real de los patrones NoRecognition . Con la ayuda del medio automotriz Donut Media, un Toyota Yaris 2009 fue cubierto con el patrón generado por computadora y conducido frente a una cámara de vigilancia Flock .

Según Swearingen, el vehículo evitó la detección automatizada del sistema Flock —la cámara no activó una alerta de detección . Esto marcó la primera vez que los patrones se validaron contra una cámara física en un entorno real, en lugar de en simulación digital . Sin embargo, periodistas independientes señalaron que la demostración fue una prueba única sin ciego, y que la validación revisada por pares más amplia sigue pendiente .

El auge de la moda adversarial

Paralelamente al trabajo técnico de Swearingen, ha surgido un movimiento denominado "ropa adversarial" o "moda adversarial" .

The Guardian informó en julio de 2026 que los diseñadores están incorporando "patrones adversariales" —formas, colores y motivos cuidadosamente dispuestos— en prendas específicamente para confundir la IA de reconocimiento facial . Marcas como Cap_able, Urban Privacy y Vollebak están produciendo líneas de ropa que afirman explotar debilidades en los modelos de visión por computadora .

El artista berlinés Simon Weckert presentó una colección conceptual llamada "Digital Camouflage" —prendas impresas con patrones adversariales generativos diseñados para evitar la detección de la IA de vigilancia desde cualquier ángulo o pliegue de la tela . El movimiento se describe como "la privacidad podría ser la próxima gran tendencia de la moda", con los usuarios haciendo una declaración visible sobre la importancia de la privacidad mientras potencialmente evaden el reconocimiento facial automatizado .

Cap_able, una startup de moda italiana, crea prendas de punto con patrones adversariales y construye las prendas para que sean reversibles, para que el usuario pueda elegir cuándo quiere ser detectado por la IA o no . Su proceso patentado desarrolla algorítmicamente patrones adversariales, creando lo que llama "camuflaje de IA" .

Limitaciones e implicaciones de la carrera armamentista

La tecnología no es una bala de plata. Los expertos señalan varias salvedades importantes:

• Efectividad limitada: Los patrones no hacen que una persona o vehículo sea invisible para los espectadores humanos ni para la grabación de video en sí —solo interrumpen los algoritmos de detección automatizados . Un humano que vea las imágenes aún puede ver a la persona .
• Específicos del modelo: Los patrones están optimizados para las arquitecturas específicas en el conjunto de pruebas de Swearingen. Las empresas de vigilancia pueden actualizar sus modelos para reconocer e ignorar los patrones, creando una clásica carrera armamentista adversarial .
• Fragilidad en el mundo físico: Los patrones se imprimieron en tela plana en condiciones controladas. Factores del mundo real como la iluminación, el ángulo, la distancia, los pliegues de la tela y el clima pueden degradar la efectividad —y la prueba de Def Con fue un solo pase frente a una cámara .
• Riesgo de reentrenamiento: Como señala The Guardian, los expertos advierten que los patrones adversariales solo funcionan hasta que el modelo de vigilancia se reentrena con los ejemplos adversariales, después de lo cual la protección puede desaparecer .
• Zona legal y ética gris: Si bien Swearingen presenta la tecnología como un mecanismo de exclusión voluntaria de la privacidad, las agencias de aplicación de la ley pueden verla como una herramienta de evasión, lo que podría generar regulaciones o desafíos legales .
• Verificación independiente insuficiente: Periodistas independientes señalaron que la demostración de Def Con fue una prueba única sin ciego, y que la validación revisada por pares más amplia de la efectividad en el mundo real de los patrones sigue pendiente .

Qué significa esto para la privacidad

NoRecognition representa uno de los intentos más rigurosos hasta ahora de crear una defensa práctica y portátil contra la vigilancia con IA. Con 31 millones de pruebas y una demostración en vivo contra una cámara Flock, el proyecto ha ido más allá de la prueba de concepto académica. Pero si los patrones adversariales pueden sobrevivir a la carrera armamentista contra la IA de vigilancia en rápida evolución —y si el movimiento más amplio de la moda adversarial ofrecerá una protección de privacidad real a escala— sigue siendo una pregunta abierta.

Como el propio Swearingen lo expresó, la pregunta central es: "¿Pueden las telas físicas realmente vencer al reconocimiento facial de última generación en condiciones del mundo real?" La respuesta, por ahora, es que pueden —hasta que la IA se ponga al día.