Introduction
Trong một buổi chiều ẩm ướt ở Las Vegas, ánh đèn neon phản chiếu trên chiếc Toyota Yaris 2009 được phủ một họa tiết lạ mắt. Khi camera Flock của cảnh sát quét qua, chiếc xe như biến mất khỏi danh sách phát hiện. Cảnh tượng này không phải ảo thuật mà là kết quả của dự án noRecognition do Bill Swearingen dẫn đầu.
Hiểu rõ môi trường giám sát hiện đại
Mạng lưới camera công cộng ở Mỹ đã vượt qua con số 5 triệu thiết bị, bao gồm các hệ thống nhận dạng biển số như Flock và camera gắn trên người của Axon. Những thuật toán hiện đại có khả năng phân tích khung hình trong thời gian thực, phát hiện khuôn mặt, biển số và thậm chí hành vi bất thường. Tuy nhiên, chúng vẫn dựa vào các đặc trưng hình ảnh cố định để đưa ra quyết định.
Cách noRecognition tạo ra mẫu chống phát hiện
Swearingen đã khởi động một mô hình học tăng cường, cho phép máy tính “vẽ” các mẫu dựa trên phản hồi từ 11 thuật toán mã nguồn mở, bao gồm cả Clearview AI. Sau hơn 31 triệu vòng thử nghiệm, hệ thống có thể sinh ra một mẫu mới mỗi phút, mỗi mẫu được tối ưu để phá vỡ các bộ lọc nhận dạng. Quá trình này không chỉ thay đổi màu sắc mà còn điều chỉnh tần số và độ tương phản để làm rối loạn các mạng nơ-ron sâu.
Đưa công nghệ từ phòng thí nghiệm tới người dùng
Lần đầu tiên công nghệ này được chứng minh tại hội nghị Def Con vào ngày 9 tháng 8 năm 2026, với sự hỗ trợ của Donut Media. Xe Yaris được phủ mẫu mới đã không kích hoạt bất kỳ cảnh báo nào từ camera Flock, mặc dù bánh xe vẫn còn là điểm yếu. Swearingen hiện đang vận hành một chiến dịch gây quỹ cộng đồng để sản xuất áo thun, hoodie và các lớp vỏ xe có in mẫu, đồng thời giữ các mẫu mạnh nhất ở chế độ riêng tư để tránh bị các nhà sản xuất camera phá mã.
Kết luận
noRecognition cho thấy việc sử dụng trí tuệ nhân tạo để bảo vệ quyền riêng tư là khả thi: mô hình học tăng cường tạo mẫu liên tục, thử nghiệm hàng chục thuật toán và đã chứng minh hiệu quả thực tế tại Def Con. Ba yếu tố then chốt là: hiểu rõ cơ chế giám sát, khai thác học máy để tạo mẫu, và đưa sản phẩm tới cộng đồng một cách bền vững.