Vestiti che ingannano l’intelligenza artificiale: il futuro della privacy è nella moda

Il metodo principale di Swearingen è un fuzzer auto-apprendente che genera pattern avversari e li testa contro algoritmi di rilevamento open-source . I pattern che ancora attivano il rilevamento vengono modificati e ritestati in un ciclo iterativo. Dopo circa 31 milioni di iterazioni, il sistema ha convergito su varianti di pattern che hanno sconfitto tutti gli 11 modelli di sorveglianza AI nella suite di test di Swearingen .

"È un algoritmo genetico che produce pattern tessili avversari, stampati su tessuto normale, che causano guasti a cascata nell'intera pipeline di riconoscimento facciale — rilevamento della persona, rilevamento del volto e corrispondenza dell'identità — senza elettronica e senza nulla che appaia insolito a una persona accanto a te," ha dichiarato Swearingen in un'anteprima del Black Hat .

Sistemi sconfitti da NoRecognition

Il progetto di Swearingen è stato testato contro e rivendica di sconfiggere 11 diversi modelli di sorveglianza AI, tra cui:

• Flock — lettori di targhe e telecamere di sorveglianza
• Axon — body camera e sistemi di sorveglianza per le forze dell'ordine
• Clearview AI — riconoscimento facciale
• Molti altri modelli di rilevamento di persone, veicoli e riconoscimento facciale

Swearingen ha dichiarato che il suo sistema testa "i modelli reali. Non i benchmark accademici. Le cose vere che girano su Clearview AI, body camera della polizia, sicurezza aeroportuale" .

Il test pubblico al Def Con 34

Alla conferenza di cybersecurity Def Con di Las Vegas venerdì 7 agosto 2026, Swearingen ha condotto il primo test pubblico nel mondo reale dei pattern NoRecognition . Con l'aiuto della testata automobilistica Donut Media, una Toyota Yaris del 2009 è stata ricoperta con il pattern generato dal computer e guidata davanti a una telecamera di sorveglianza Flock .

Secondo Swearingen, il veicolo ha evitato il rilevamento automatico del sistema Flock — la telecamera non ha attivato un allarme di rilevamento . Questo ha segnato la prima volta che i pattern sono stati validati contro una telecamera fisica in un ambiente reale anziché in simulazione digitale . Tuttavia, i giornalisti indipendenti hanno notato che il test era singolo e non in cieco, e una validazione più ampia con revisione paritaria è ancora in sospeso .

L'ascesa della moda adversarial

Un movimento parallelo chiamato "abbigliamento adversarial" o "moda adversarial" è emerso come tendenza mainstream insieme al lavoro tecnico di Swearingen .

The Guardian ha riportato a luglio 2026 che i designer stanno incorporando "pattern avversari" — forme, colori e motivi accuratamente disposti — nei capi di abbigliamento specificamente per confondere l'IA di riconoscimento facciale . Marchi come Cap_able, Urban Privacy e Vollebak stanno producendo linee di abbigliamento che affermano di sfruttare le debolezze dei modelli di visione artificiale .

L'artista berlinese Simon Weckert ha debuttato con una collezione concettuale chiamata "Digital Camouflage" — capi stampati con pattern avversari generativi progettati per impedire il rilevamento della sorveglianza AI da qualsiasi angolazione o piega del tessuto . Il movimento è descritto come "la privacy potrebbe essere la prossima grande tendenza della moda", con chi li indossa che fa una dichiarazione visibile sull'importanza della privacy mentre potenzialmente elude il riconoscimento facciale automatizzato .

Cap_able, una startup di moda italiana, crea maglieria con pattern avversari e costruisce capi reversibili, in modo che l'utente possa scegliere quando essere rilevato dall'IA o meno . Il suo processo brevettato sviluppa algoritmicamente pattern avversari, creando quello che chiama "AI-camouflage" .

Limiti e implicazioni della corsa agli armamenti

La tecnologia non è una soluzione miracolosa. Gli esperti sottolineano diverse importanti avvertenze:

• Efficacia limitata: I pattern non rendono una persona o un veicolo invisibili agli occhi umani o alla registrazione video in sé — interrompono solo gli algoritmi di rilevamento automatici . Un essere umano che guarda il filmato può ancora vedere la persona .
• Specifici per modello: I pattern sono ottimizzati per le architetture specifiche nella suite di test di Swearingen. Le aziende di sorveglianza possono aggiornare i loro modelli per riconoscere e ignorare i pattern, creando una classica corsa agli armamenti avversaria .
• Fragilità nel mondo reale: I pattern sono stati stampati su tessuto piatto in condizioni controllate. Fattori reali come illuminazione, angolazione, distanza, pieghe del tessuto e condizioni meteorologiche potrebbero degradare l'efficacia — e il test al Def Con è stato un singolo passaggio davanti a una telecamera .
• Rischio di riaddestramento: Come nota The Guardian, gli esperti avvertono che i pattern avversari funzionano solo fino a quando il modello di sorveglianza non viene riaddestrato sugli esempi avversari, dopo di che la protezione potrebbe svanire .
• Area grigia legale ed etica: Mentre Swearingen presenta la tecnologia come un meccanismo di opt-out per la privacy, le forze dell'ordine potrebbero vederla come uno strumento di elusione, portando potenzialmente a regolamentazioni o sfide legali .
• Verifica indipendente insufficiente: I giornalisti indipendenti hanno notato che la demo al Def Con era un singolo test non in cieco, e una validazione più ampia con revisione paritaria dell'efficacia nel mondo reale dei pattern è ancora in sospeso .

Cosa significa per la privacy

NoRecognition rappresenta uno dei tentativi più rigorosi finora di creare una difesa pratica e indossabile contro la sorveglianza AI. Con 31 milioni di test e una dimostrazione dal vivo contro una telecamera Flock, il progetto è andato oltre la prova di concetto accademica. Ma se i pattern avversari possano sopravvivere alla corsa agli armamenti contro l'IA di sorveglianza in rapida evoluzione — e se il movimento più ampio della moda adversarial fornirà una reale protezione della privacy su larga scala — rimane una domanda aperta.

Come ha detto lo stesso Swearingen, la domanda centrale è: "I tessuti fisici possono davvero sconfiggere il riconoscimento facciale all'avanguardia in condizioni reali?" La risposta, per ora, è che possono — finché l'IA non li raggiunge.