NoRecognition: os padrões que escondem você da vigilância por IA

O método central de Swearingen é um "fuzzer" auto-aprendiz que gera padrões adversarial e os testa contra algoritmos de detecção de objetos de código aberto . Padrões que ainda disparam a detecção são modificados e testados novamente em um loop iterativo. Após cerca de 31 milhões de iterações de teste, o sistema convergiu para variantes de padrão que derrotaram todos os 11 modelos de vigilância por IA no conjunto de testes de Swearingen .

"É um algoritmo genético que cria padrões têxteis adversarial, impressos em tecido comum, que causam falhas em cascata em todo o pipeline de reconhecimento facial — detecção de pessoa, detecção de rosto e correspondência de identidade — sem eletrônicos e sem nada que pareça incomum para uma pessoa ao seu lado", disse Swearingen em uma prévia do Black Hat .

Sistemas derrotados pelo NoRecognition

O projeto de Swearingen foi testado e afirma derrotar 11 modelos diferentes de vigilância por IA, incluindo:

• Flock — leitores de placas de veículos e câmeras de vigilância
• Axon — câmeras corporais e sistemas de vigilância policial
• Clearview AI — reconhecimento facial
• Vários outros modelos de detecção de pessoas, veículos e reconhecimento facial

Notavelmente, Swearingen afirmou que seu sistema testa "os modelos reais. Não benchmarks acadêmicos. As coisas reais rodando no Clearview AI, câmeras corporais da polícia, segurança de aeroportos" .

O teste público no Def Con 34

Na conferência de segurança cibernética Def Con em Las Vegas, na sexta-feira, 7 de agosto de 2026, Swearingen conduziu o primeiro teste público em condições reais dos padrões NoRecognition . Com a ajuda do veículo automotivo Donut Media, um Toyota Yaris 2009 foi coberto com o padrão gerado por computador e dirigido diante de uma câmera de vigilância Flock .

De acordo com Swearingen, o veículo evitou a detecção automatizada do sistema Flock — a câmera não disparou um alerta de detecção . Esta foi a primeira vez que os padrões foram validados contra uma câmera física em um ambiente real, em vez de simulação digital . No entanto, repórteres independentes notaram que o teste foi único e não-cego, e uma validação mais ampla por pares ainda está pendente .

A ascensão da "moda adversarial"

Um movimento paralelo chamado "roupas adversarial" ou "moda adversarial" emergiu como uma tendência mainstream junto com o trabalho técnico de Swearingen .

O The Guardian reportou em julho de 2026 que designers estão incorporando "padrões adversarial" — arranjos cuidadosamente elaborados de formas, cores e motivos — em roupas especificamente para confundir a IA de reconhecimento facial . Marcas como Cap_able, Urban Privacy e Vollebak estão produzindo linhas de roupas que afirmam explorar fraquezas em modelos de visão computacional .

O artista berlinense Simon Weckert estreou uma coleção conceitual chamada "Digital Camouflage" — roupas impressas com padrões generativos adversarial projetados para impedir a detecção por vigilância de IA de qualquer ângulo ou dobra do tecido . O movimento é descrito como "a privacidade pode ser a próxima grande tendência da moda", com usuários fazendo uma declaração visível sobre a importância da privacidade enquanto potencialmente evadem o reconhecimento facial automatizado .

A Cap_able, uma startup de moda italiana, cria malhas com padrões adversarial e constrói as peças para serem reversíveis, permitindo que o usuário escolha quando quer ser detectado pela IA ou não . Seu processo patenteado desenvolve algoritmicamente padrões adversarial, criando o que chama de "IA-camuflagem" .

Limitações e implicações de corrida armamentista

A tecnologia não é uma bala de prata. Especialistas apontam várias ressalvas importantes:

• Eficácia limitada: Os padrões não tornam uma pessoa ou veículo invisível para espectadores humanos ou para a gravação de vídeo em si — eles apenas interrompem os algoritmos de detecção automatizados . Um humano assistindo à gravação ainda pode ver a pessoa .
• Específicos para cada modelo: Os padrões são otimizados contra as arquiteturas específicas no conjunto de testes de Swearingen. Empresas de vigilância podem atualizar seus modelos para reconhecer e ignorar os padrões, criando uma clássica corrida armamentista adversarial .
• Fragilidade no mundo real: Os padrões implantados foram impressos em tecido plano sob condições controladas. Fatores do mundo real como iluminação, ângulo, distância, dobras do tecido e clima podem degradar a eficácia — e o teste do Def Con foi uma única passagem diante de uma câmera .
• Risco de retreinamento: Como observa o The Guardian, especialistas alertam que os padrões adversarial funcionam apenas até que o modelo de vigilância seja retreinado com os exemplos adversarial, após o que a proteção pode desaparecer .
• Área cinzenta legal e ética: Enquanto Swearingen enquadra a tecnologia como um mecanismo de exclusão de privacidade, as agências de segurança pública podem vê-la como uma ferramenta de evasão, potencialmente levando a regulamentações ou desafios legais .
• Verificação independente insuficiente: Repórteres independentes notaram que a demonstração no Def Con foi um teste único e não-cego, e uma validação mais ampla e revisada por pares da eficácia dos padrões no mundo real ainda está pendente .

O que isso significa para a privacidade

O NoRecognition representa uma das tentativas mais rigorosas até agora de criar uma defesa prática e vestível contra a vigilância por IA. Com 31 milhões de testes e uma demonstração ao vivo contra uma câmera Flock, o projeto foi além da prova de conceito acadêmica. Mas se os padrões adversarial podem sobreviver à corrida armamentista contra a IA de vigilância em rápida evolução — e se o movimento mais amplo da moda adversarial fornecerá proteção real de privacidade em escala — ainda é uma questão em aberto.

Como o próprio Swearingen colocou, a questão central é: "Os tecidos físicos podem realmente derrotar o reconhecimento facial de última geração em condições do mundo real?" A resposta, por enquanto, é que eles podem — até que a IA os alcance.