Um pesquisador de segurança americano desenvolveu um sistema capaz de enganar câmeras de vigilância e leitores de placas veiculares usando padrões gerados por inteligência artificial. Depois de mais de 31 milhões de testes computacionais, Bill Swearingen, baseado em Kansas City, criou desenhos que tornam carros, rostos e pessoas praticamente invisíveis para os algoritmos de detecção usados pelas principais tecnologias de monitoramento urbano do mercado.
O projeto, chamado noRecognition, foi demonstrado publicamente pela primeira vez na conferência de cibersegurança DEF CON 2026, realizada em Las Vegas. Em uma demonstração ao vivo, Swearingen cobriu um Toyota Yaris 2009 com o padrão mais recente gerado pelo sistema e testou o resultado contra detectores da Flock Safety, empresa cujos leitores de placas são amplamente utilizados por departamentos de polícia e condomínios nos Estados Unidos.
Como o noRecognition funciona
A tecnologia não impede as câmeras de gravarem imagens. O que ela faz é embaralhar a capacidade dos algoritmos de detecção de identificar o que o padrão está cobrindo, tornando o alvo, na prática, invisível para os sistemas automatizados de reconhecimento. O carro ainda é filmado – mas o software de vigilância não consegue identificar o que está vendo.
Para desenvolver o sistema, Swearingen usou aprendizado por reforço, uma técnica de inteligência artificial em que o modelo aprende por tentativa e erro. O sistema foi treinado para “aprender a pintar”, testando repetidamente diferentes combinações de padrões contra algoritmos de detecção e ajustando cada iteração com base nos resultados. O modelo foi avaliado contra 11 sistemas de detecção de código aberto, incluindo softwares que alimentam as câmeras Flock e os sistemas da Clearview AI. Hoje, o sistema gera novos padrões progressivamente melhorados a cada minuto.
O resultado prático foi demonstrado no DEF CON: o padrão colocado sobre o Toyota Yaris impediu com sucesso a detecção pelos leitores Flock. Algumas partes do veículo, como as rodas, ainda apresentaram desafios, mas o nível de eficácia alcançado chamou atenção dos pesquisadores presentes.
A motivação: vigilância e direito à privacidade
Swearingen conta que iniciou a pesquisa depois de observar a densidade crescente de câmeras de vigilância em sua comunidade. A preocupação específica com poder participar de protestos sem ser rastreado por sistemas algorítmicos foi o gatilho para o projeto. Ele reconheceu que, como homem branco de classe média, tem relativamente mais liberdade do que grupos historicamente mais visados por sistemas de vigilância, e afirmou que pessoas que enfrentam discriminação sistêmica têm urgência ainda maior em ter acesso a esse tipo de proteção.
“Privacidade é um direito fundamental”, disse o pesquisador, descrevendo seu trabalho como uma forma de permitir que as pessoas “optem por não ser rastreadas”. O argumento é polêmico: enquanto ativistas de privacidade enxergam o projeto como ferramenta de proteção civil, autoridades de segurança pública podem encarar a tecnologia como recurso para infratores evitarem identificação.
Essa tensão não é nova. Projetos anteriores de roupas adversariais, com padrões que confundem câmeras de reconhecimento facial, já levantaram o mesmo debate. O noRecognition representa, porém, um avanço significativo: a abordagem matemática e a otimização via aprendizado de máquina produzem resultados mais eficazes e atualizáveis do que os designs manuais anteriores.
O que Swearingen guarda para si
O pesquisador está deliberadamente retendo os padrões mais eficazes do noRecognition, evitando sua distribuição pública. A razão é estratégica: se os padrões mais fortes fossem publicados, os fabricantes de câmeras poderiam usá-los para treinar seus sistemas e desenvolver contramedidas, tornando o projeto obsoleto rapidamente. Manter os padrões mais eficazes em sigilo preserva a vantagem do pesquisador no que é, essencialmente, uma corrida armamentista algorítmica.
O projeto inclui uma campanha de financiamento coletivo que oferece camisetas, moletons e, potencialmente, adesivos para veículos com os padrões adversariais. Cada falha de detecção registrada alimenta o modelo e informa a próxima geração de padrões, criando um ciclo contínuo de melhoria.
Implicações para a vigilância urbana no Brasil
O trabalho de Swearingen levanta questões que vão muito além de sua aplicação específica nos Estados Unidos. À medida que câmeras de vigilância alimentadas por IA proliferam em cidades ao redor do mundo, a capacidade de subverter esses sistemas torna-se uma questão política e social relevante em muitos contextos.
No Brasil, cidades como São Paulo e Rio de Janeiro têm expandido suas redes de câmeras inteligentes com reconhecimento facial, levando organizações de direitos civis a questionar as salvaguardas existentes para o uso desses dados. O debate sobre regulamentação do uso de reconhecimento facial por forças de segurança ganhou força nos últimos anos, especialmente após casos de identificação errônea que levaram a prisões equivocadas.
Do ponto de vista técnico, o projeto noRecognition demonstra que sistemas de detecção baseados em aprendizado de máquina têm vulnerabilidades estruturais que podem ser exploradas por adversários suficientemente motivados. Isso é um lembrete de que a robustez dos sistemas de vigilância automatizada merece escrutínio rigoroso antes de ser usada em processos que afetam direitos fundamentais.
Fonte original: TechCrunch – This adversarial pattern can prevent surveillance cameras from detecting you
