這種設計思路的源頭，可以追溯到一戰時期英國海軍所創的“眩目迷彩”。1917年初，德國重啟無限制潛艇戰，導致大量英國商船和軍艦被擊沉，盟軍迫切需要新手段來保護海上生命線。正是在這一背景下，英國海軍中尉、海洋畫家諾曼·威爾金森提出的“眩目迷彩”方案被軍方采納。

這種涂裝的邏輯不是隱藏，而是顛覆——它用極高對比度的幾何線條和鮮艷色塊來瓦解船只的輪廓，迷惑潛艇觀察哨，從而降低魚雷的命中率。

眩目迷彩最核心的特征，是把大面積的黑白、深藍、明黃等高反差、不規則的幾何條紋密集地交織在一起，從根本上撕裂艦船原本連貫的外形，使德軍的U型潛艇極難在潛望鏡里判斷出艦艏、艦艉的朝向和船體結構。在潛望鏡短暫觀測的那幾秒里，錯亂的色塊制造出視覺欺騙，讓觀測員對船只的種類、體量、航速和航向產生嚴重誤判。

一戰的統計數據顯示，眩目迷彩雖未能降低船只被潛艇“發現”的概率，但被擊中后的沉沒率和損傷程度確實有所減輕，并且在一定程度上提振了協約國水兵面對潛艇威脅時的士氣。

時隔百余年，俄軍卡車重新拾起“眩目迷彩”，其根本目的是對抗和干擾烏克蘭戰場上無人機所搭載的人工智能機器視覺識別系統。

烏軍的自殺式無人機和中程巡飛彈，正越來越深地與AI終端導引技術融合。即便遭到強烈的電子戰干擾，GPS信號被切斷，或者與后方網絡完全斷開，這類無人機依然可以依賴攝像頭，通過“機器視覺”自主檢測并鎖定目標。

隨著烏克蘭中程打擊無人機的密度急劇上升，俄軍部署在相對后方區域的運輸卡車和油罐車頻頻遭到精確獵殺，后方運輸線承受著巨大的壓力。

機器視覺系統（如卷積神經網絡CNN）在識別物體時，會抓取標準的幾何特征——例如方形的車廂、圓形的輪胎、擋風玻璃等輪廓——再與內置目標數據庫中軍用裝備的3D數字模型或關鍵特征點（比如卡車軸距、車頭格柵）進行比對。

自主武器在發起攻擊之前，算法會運算出一個置信度分數，例如“該目標是卡車的概率為90%”。只有當分數超過設定閾值（如80%），無人機才會自動鎖定并進入俯沖攻擊。

俄軍這套連車輪和輪胎都一并覆蓋的眩目迷彩，正是為了抹掉車輪與車身、車窗與車門之間的邊界，讓AI算法在車輛圖像上無法定位出關鍵的特征點，致使系統不能將眼前的物體與數據庫中的“卡車”模型成功匹配。

斑馬條紋和葉狀漩渦會令算法“困惑”，輸出的判斷可能變成“40%是卡車，30%是斑馬，30%是背景巖石”。由于置信度過低，無人機的任務計算機就會將其視為干擾物或非軍事目標，放棄鎖定，或者把搜索精力轉向別的車輛。

此外，在AI目標檢測中，算法需要用虛擬矩形方框（邊界框）把目標框選出來，以確定其中心坐標。眩目迷彩的雜亂圖案，會導致AI劃分出的邊界框出現嚴重漂移或碎裂——比如把一輛完整的卡車錯誤地切割成三個毫無關聯的小方框。這種定位偏差，使得無人機在末端制導時難以精確瞄準彈藥箱、油箱或駕駛室等薄弱的關鍵部位。

這類“低科技反制高科技”早有成功先例，2023年美軍就曾證實，俄軍將廢舊輪胎鋪滿戰略轟炸機的機翼后，衛星的計算機視覺模型因飛機輪廓遭到破壞，瞬間無法將其識別為飛機。雖然目前還難以定論眩目迷彩在烏克蘭戰場上的確切實戰效果，但相較于造價高昂的電子干擾設備和防空火力，刷油漆無疑是一種成本極低、能在基層部隊快速鋪開的應急防御措施。

當然，這種迷彩涂裝也有明顯硬傷。它或許能惡化AI的自動化判讀，但由于黑白反差過大，在人類肉眼和傳統人工操控無人機的視野中，這類卡車反而像“海上斑馬”一樣異常醒目。因此，它只適合在遠離前線、不易被目視發現的縱深防區使用。

而且，眩目迷彩只針對可見光光學鏡頭生效。一旦無人機換裝熱成像傳感器，卡車發動機和排氣管散發出的熱量，在紅外線下仍會一覽無余。

更關鍵的是，戰場野外環境中幾乎不存在類似的黑白條紋，烏克蘭工程師很可能會很快訓練出專門識別“斑馬紋”的定向獵殺算法。屆時，這套迷彩恐怕非但不能提供保護，反而會成為高價值目標主動暴露的“自爆標簽”。