你走过街角，摄像头拍到了你，后面的 AI 会在画面里框出“人”。现在，有人想把这个框从你身上抹掉：不是遮住脸，也不是关掉摄像头，而是在衣服上印一种机器容易看错的图案。新品牌 noRecognition 正在把这种设想做成 T-shirt、sweatshirt 和颈套，目标是干扰多种计算机视觉模型。
这值得现在看，不只是因为衣服看起来特别。它把平面设计变成了针对机器视觉的主动干预，也把一个技术问题带进日常生活：当执法记录仪和街头摄像头开始自动分析画面，我们能否用穿着回应它们？不过，目前所有效果数据都来自 Fast Company 的一篇报道，核心说法又主要出自品牌创始人，尚无独立复现实验。
图案怎样让机器“看漏”一个人？
普通人看这类衣服，看到的可能只是重复的圆环、模糊色块或不规则纹样。机器看的却是另一套特征。
这里的原理叫“对抗样本”（Adversarial Example）：在图片或现实物体上加入一些人眼不太在意、却足以误导模型的特征，让 AI 得出错误判断。印到衣服上，就是把这种干扰从屏幕里的图片搬到真实环境。
它主要瞄准“目标检测”（Object Detection）——让模型同时判断画面里“有什么”和“在哪里”的任务。监控系统可能用方框标出人体。对抗图案则试图让系统漏掉这个人、认成别的类别，或在错误位置生成无关目标。
Fast Company 展示的一组品牌示意图中，同一个人、同一台相机，穿普通黑色 T-shirt 时被红框检出；换上圆环图案后，画面标注为“未检测”。但这只是品牌提供的演示，不能当作独立测试结果。
难点不是骗过一个模型
noRecognition 由 Bill Swearingen 创建。他曾任首席情报官，也是堪萨斯城月度安全聚会 SecKC 的创办者。据 Fast Company 报道，Swearingen 为寻找能同时干扰多种模型的图案，进行了 3170 万次数字测试。他也在生成和筛选过程中使用 AI，包括构建和训练模型、生成对抗性图案的几何结构，再测试哪些图案更有效。
问题在于，一种纹样能骗过一个模型，不代表它能骗过另一个。不同系统可能关注不同特征。Swearingen 声称自己已经击败测试过的每一个模型，现在寻找的是能同时作用于多个模型的“通用对抗性伪装”。品牌宣称，其图案可以干扰 11 个计算机视觉模型。
这正是“威胁模型”（Threat Model）重要的地方。它要求研究者先说清楚：要对付什么系统，用什么摄像头，在怎样的距离、角度和光照下测试。少了这些条件，“对 11 个模型有效”和“能骗过街上的监控 AI”是两件差别很大的事。
从实验纹样到限量服装
noRecognition 在 8 月 7 日于拉斯维加斯 Def Con 网络安全大会公开亮相，并在同一周发起 Kickstarter。Fast Company 报道时，项目原定筹集 5000 美元，已获得超过 4 万美元；这个金额只是报道当时的截面。Swearingen 表示，资金将用于购买布料、摄像头和计算资源。
系列包括 buff——可套在颈部和部分面部的布制颈套——以及 T-shirt、sweatshirt、贴纸和补丁。每一类限量 50 件，每件图案为单个购买者生成。这让它既像服装品牌，也像一项把计算实验带到街头的设计项目。
这种实践通常被称为“对抗性时尚”（Adversarial Fashion）：设计师不再只考虑图案在人眼中表达什么，还考虑它在机器眼里会触发什么。衣服于是多了一层用途。它既是视觉作品，也可能成为个人面对公共监控时的一种技术姿态。
真正值得关注的是谁在看
这类设计未必已经成为可靠的“隐身衣”，但它提出的问题很具体。公共空间里的摄像头不只记录画面，机器还可能进一步决定谁是“人”、目标在哪里，以及哪些对象值得继续处理。图案设计由此进入隐私和算法权力的讨论。
更微妙的是，攻防双方都在使用 AI：监控模型识别人，设计者也用模型寻找识别系统的弱点。服装在这里不再只是被机器观看的对象，而开始主动影响观看结果。
局限与未知
- 3170 万次数字测试不等于真实监控环境测试。报道没有给出模型名称、成功率、基线、测试集，以及距离、角度、光照和摄像头条件。
- “干扰”究竟指降低检测置信度、造成误分类，还是完全逃避检测，材料没有说明；品牌宣称的 11 个模型也不能外推为所有监控 AI。
- 报道提到 Axon 执法记录仪和 Flock 摄像头等应用场景，但没有提供这些具体设备被成功攻破的证据。现阶段更准确的说法是：noRecognition 正在尝试做对抗性服装，而不是已经做出经过独立验证的监控隐身衣。