用服装迷惑AI监控摄像头

随着AI摄像头在全球城市街道上大规模铺开，公众对无处不在的监控系统的反弹情绪也在持续升温。人们担忧的核心在于：数据采集缺乏知情同意、存储与使用方式不透明，以及被滥用的潜在风险。DeFlock项目通过绘制自动车牌识别仪的分布地图来提升公众意识，而另一些人则选择直接破坏设备。在这些行动之外，一种更具创意的抵抗方式正在成形——以服装作为对抗AI监控的工具。

网络安全专家Bill Swearingen于2025年开始用Python编写模糊测试工具，针对主流目标检测框架YOLO寻找漏洞。他随后将研究成果转化为一套强化学习算法，能够自动生成各类对抗性图案，并在DEF CON大会上公开展示。这些色彩鲜艳的几何抽象图案已在11种目标检测模型上完成测试，涵盖人脸搜索、人脸识别和人体检测三类系统。成功的图案可显著拉低模型的置信度评分，有时甚至让系统完全无法检测到目标。

Cap_able和Urban Privacy两个品牌已将对抗性图案转化为可购买的实体服装。Cap_able采用专利提花编织工艺，将大胆鲜艳的图案融入针织面料，干扰基于快速卷积神经网络的计算机视觉系统，使其将穿戴者误判为动物或物体。创始人Rachele Didero表示，这件可见的实体物品是讨论那些通常无形议题的媒介。Urban Privacy的Faception Reloaded系列则以人脸抽象黑白印花迷惑基于OpenCV算法的人脸识别系统，同时通过不对称剪裁和宽松廓形遮蔽体型与步态特征。

对抗性时尚并非新生事物，其根源可追溯到十余年前AI监控兴起之初涌现的艺术装置与DIY实验。技术专家Adam Harvey在2010年代开发了多种设计，包括能欺骗人脸检测器的发型与妆容，以及可反射热成像的服装。2019年，艺术家Kate Bertash创立Adversarial Fashion品牌，在服装上印制虚假车牌号码，向车牌识别数据库注入垃圾数据。如今，这一趋势正逐渐演变为一个小而稳固的细分产业。

尽管如此，研究者对这类服装的局限性保持清醒认识。卡内基梅隆大学即将入职的教授Niloofar Mireshghallah指出，摄像头角度、光线条件、布料褶皱以及步态识别都会削弱防护效果，而且只需一帧清晰画面，系统便可完成识别。更关键的是，对抗性图案必须针对特定模型调校，一旦监控运营方用该图案重新训练新一代模型，服装的防护效果便会彻底失效。富士通北美公司视觉AI与AI伦理专家Dippu Kumar Singh将其形容为一面脆弱的盾牌，面对的是一个从多个维度持续进化的威胁。

即便面临重重挑战，这场以时尚为载体的隐私抵抗运动仍在持续推进。Cap_able计划继续技术创新，Urban Privacy将推出配备亚克力面罩的遮脸帽等新品，Swearingen也在探索图案干扰摄像头设置等异常现象。Mireshghallah提醒，真正的风险在于数据聚合——系统可将局部面孔、背景建筑、时间戳和社交媒体标记等零散信号拼合成精准的身份判断。她的建议是：不要只想着遮住脸，更要思考自己在其他维度泄露了什么信息，因为没有任何一件衬衫上的图案能解决这个问题。

要点

• 对抗性时尚通过将特殊图案织入服装，可干扰人脸识别和人体检测等AI视觉系统，使其产生误判或降低置信度
• Cap_able、Urban Privacy等品牌已将这一概念商业化，网络安全研究者也在DEF CON等场合展示了相关算法工具
• 现实条件下的局限性不可忽视：光线、角度、步态识别以及监控系统的持续迭代训练都会削弱服装的防护效果
• 研究者警告，数据聚合才是更深层的隐私威胁——系统可将多个弱信号组合成精准的身份识别，服装图案无法应对这一挑战
• 这场运动的意义不仅在于技术对抗，更在于以可见的方式表达对数字时代隐私权的主张与诉求