对抗性时尚对AI全景监控表明立场

# 对抗性时尚向AI全景监控宣战 来源：https://spectrum.ieee.org/adversarial-fashion 人工智能摄像头遍布全球街头，具备识别人脸（https://www.ibtimes.co.uk/metropolitan-police-expand-facial-recognition-london-west-end-2026-1817802）或车辆牌照（https://www.bbc.com/news/articles/cew9kz1kxpvo）的能力。但一场公众反弹（https://fortune.com/2026/08/24/flock-8-billion-startup-backed-a16z-tiger-surveillance-camera/）正在愈演愈烈（https://www.vox.com/podcasts/499822/flock-ai-cameras-backlash-stalking-surveillance）。 隐私问题层出不穷，包括采集数据未获同意、数据如何存储和使用（https://spectrum.ieee.org/unintended-consequences-video-surveillance），以及数据被滥用的风险（https://www.washingtonpost.com/technology/2026/08/02/how-police-officers-used-vast-network-cameras-spy-their-exes/）。这些担忧正激励人们奋起反击。例如，DeFlock（https://deflock.org/）项目绘制自动车牌识别器（ALPR）地图以提高公众意识。有些人采取极端措施（https://www.theguardian.com/us-news/ng-interactive/2026/jul/25/flock-surveillance-cameras），如破坏或损坏ALPR设备。另一些人则构思出更具创造性的回应，打造“对抗性时尚”以躲避监控（https://spectrum.ieee.org/tag/surveillance）摄像头，比如一个名为noRecognition（https://sandbox.norecognition.org/）的Kickstarter项目（https://www.kickstarter.com/projects/norecognition/norecognition-ai-adversarial-clothing），该项目在上个月的DEF CON黑客大会（https://defcon.org/html/defcon-34/dc-34-index.html）上亮相。 ## 干扰监控 2025年，网络安全专家Bill Swearingen（https://www.linkedin.com/in/billswearingen）开始尝试使用一个简单的基于Python的模糊测试器（https://owasp.org/www-community/Fuzzing）（一种提供无效输入以揭示软件缺陷、安全漏洞或意外行为的工具）。该模糊测试器针对的是最流行的目标检测框架之一——YOLO（https://www.mdpi.com/2073-431X/13/12/336）。随后，他将所学开发成一种强化学习算法，用于生成各种对抗性图案（https://sandbox.norecognition.org/research），并在DEF CON上进行了展示。 每个图案都是色彩丰富的几何抽象图形，他已在11个目标检测模型上进行了测试——其中四个用于搜索人脸，两个用于识别人脸，五个用于检测行人——大多数都是公开可用的。成功的图案能挫败目标检测系统，降低其置信度评分，有时甚至使其完全无法检测到目标。 “隐私是一项人权，而这类时尚的流行正表明人们有兴趣保护自己的隐私，”Swearingen说道。 Cap_able（https://www.capable.design/）和Urban Privacy（https://urban-privacy.com/）已经在销售实体服装。Cap_able的专利制造方法将鲜艳大胆的图案编织进提花针织面料。这些经过道德生产和可持续制造（https://www.capable.design/blogs/notizie/sustainability）的连衣裤、裤子和上衣能干扰某些计算机视觉（https://spectrum.ieee.org/tag/computer-vision）系统，特别是那些基于快速卷积神经网络（https://spectrum.ieee.org/tag/neural-networks）的系统，可能导致它们将穿着者归类为动物或物体。 “如果我们能成功将一个人伪装成其他东西，那么我们就达成了目标，”Cap_able创始人Rachele Didero（https://it.linkedin.com/in/rachele-didero-phd-a85169127）说道，她同时也是意大利博尔扎诺自由大学（https://www.unibz.it/en）的助理教授。“我们使用这种非常显眼且有形的物品来谈论大多数时候无形的东西。” 与此同时，Urban Privacy旨在用其最新的Faception Reloaded系列迷惑一些基于OpenCV（https://opencv.org/）算法的面部识别系统（https://spectrum.ieee.org/facial-recognition-gone-wrong）。从人脸抽象出的黑白印花在检测器上显示为额外的人脸，从而拖慢其速度。不对称剪裁和宽松轮廓旨在隐藏，使身体形状和步态更难辨认。“这个想法是制造虚假数据，”联合创始人Daniel Preuß（https://de.linkedin.com/in/daniel-preu%C3%9F-6a4b5028b）说道。 三位模特展示了印有抽象鲜艳图案的颈套、T恤和连帽衫。noRecognition模拟了此类旨在干扰机器视觉（https://spectrum.ieee.org/tag/machine-vision）行人检测器的图案。 ## “并非隐形斗篷” 反监控时尚可以追溯到十多年前AI监控系统出现时兴起的艺术品、DIY项目和思想实验（https://www.bbc.com/culture/article/20170320-how-what-you-wear-can-help-you-avoid-surveillance）。例如，技术专家Adam Harvey（https://adam.harvey.studio/）在2010年代开发了多种设计——从挫败人脸检测器的发型和妆容（https://adam.harvey.studio/cvdazzle/）到规避无人机热成像监控的反射热量服装（https://adam.harvey.studio/stealth-wear/）。2019年，艺术家兼活动家Kate Bertash（https://www.katebertash.com/）创建了恰如其名的对抗性时尚（https://www.katebertash.com/adversarial-fashion）服装线，装饰着假车牌号码，以向ALPR数据库注入垃圾数据。 这一趋势如今正发展成为一个更稳固的小产业。“服装是你真正可以购买并穿上的东西，不像政策，”即将成为卡内基梅隆大学（https://www.cmu.edu/）工程与公共政策教授的Niloofar Mireshghallah（https://engineering.cmu.edu/directory/bios/mireshghallah-niloofar.html）说道。“这是一种表达‘我并未同意这个’的方式。” 但现实世界中的条件可能会降低反监控服装的有效性，例如摄像头角度、光线以及面料在你移动时的褶皱方式。“系统只需要一个好帧就足够了，”Mireshghallah说道。 动作和步态识别也是重要因素。“即使摄像头在几帧里认为你是一头熊，那也是一头走路像你的熊，”Mireshghallah说。 对抗性图案还必须针对特定的目标识别模型进行调优，因此它们无法抵御不同的模型。而且，一旦监控系统操作员在给定的对抗性图案和穿着者上训练下一代模型（他们可以手动操作），服装将不再是足够的防御。 “它仍然是对抗一个从多方面不断改进的威胁的脆弱盾牌，”富士通北美（https://global.fujitsu/en-US）新兴数据与分析高级总监、专注于视觉AI和AI伦理的Dippu Kumar Singh（https://dippusingh.github.io/）表示。 制造者们意识到其作品的局限性。“它不是隐形斗篷，”Preuß说。“监控旨在捕捉你的身份，而时尚关乎表达你的身份。我们制作人们可以穿着来表明隐私在数字世界重要性的服装。” ## 积极防御 尽管存在这些障碍，Cap_able的Didero仍决心持续创新。Urban Privacy将继续发布其系列的其他部分，包括一款“影帽”，其带有层叠切口以模糊面部轮廓的亚克力面罩。Swearingen计划探索他遇到的一些异常现象，例如一种改变边界框的图案和另一种改变摄像头设置的图案。 对抗性时尚尽管存在缺陷，但仍充满希望。“从本质上讲，这种时尚关乎夺回对自己脸部和身体的控制权，”Singh说。“人们开始意识到，隐私不仅仅是一项他们可以被动期望获得的权利——它是他们必须积极捍卫的东西。” Mireshghallah则提供了一种更为谨慎的看法，将反监控时尚视为减速带而非最终解决方案。她指出，真正的风险在于聚合：模型将一组弱信号——如部分人脸、背景建筑、时间戳、某人在社交媒体上标记你的帖子——拼接起来，从而对你身份和所在位置做出可信的推断。 “这些信息中的任何一个单独都不会暴露你，但它们结合在一起就会，”Mireshghallah说。“我的建议是，不要只想着把脸藏在镜头外。还要想想你泄露了哪些其他可以与之结合的信息。那些侧面信息通常是真正识别你的关键——而衬衫上的任何图案都无法解决这个问题。”