核心要点
- 2026 年上半年，Binance 的 AI 驱动风险系统帮助保护了超过 800 万用户，并阻止了约 46 亿美元的潜在损失。
- 目前，AI 在身份验证、账户安全、支付和交易筛查等领域的实时风险决策中占比达 80% 至 90%，而需要更精细判断的边缘案例则由人工审核员处理。
- 超过 100 个 AI 模型为反欺诈控制提供动力，以大规模检测诈骗、伪造文件和社会工程学攻击尝试。
📷
如今，伪造的支付截图或被篡改的身份证明文件可以在几秒钟内生成，而针对单一目标的诈骗脚本几乎可以零成本进行个性化定制。随着制造欺骗的成本越来越低，唯一现实可行的应对方式就是持续、大规模且实时地评估风险。
这正是 AI 成为 Binance 保护用户核心手段的原因。2026 年上半年，Binance 的 AI 驱动风险系统帮助保护了超过 800 万用户，并阻止了约 46 亿美元的潜在损失，涵盖异常交易活动、账户接管尝试、诈骗以及交易欺诈。
这篇博客将深入解析这些数据：AI 如何在用户旅程中运行，内部模型与外部模型如何协同工作，为什么人工审核员仍在闭环中占据核心地位，以及这种方法如何从损失预防扩展到合规性和内部运营。
Binance 将 100+ AI 模型转化为实时用户防护
2026 年上半年，Binance 拦截了数百万次诈骗和网络钓鱼尝试，将超过 42,000 个恶意地址列入黑名单，并每天发出超过 14,000 条实时警告。
这些成果得益于 Binance 内部构建、训练和监督的 AI 基础设施。我们在反欺诈和反诈骗控制中运行着超过 100 个 AI 模型，由人类风险分析师设定阈值、审查边缘案例，并在新诈骗模式出现时重新训练模型。
在 KYC（身份验证）方面，我们的 AI 辅助审核流程在特定工作流中实现了高达 100 倍的运营效率提升，同时在高风险案例中保持专家介入。
Binance 在用户旅程中嵌入 AI 风险防护
AI 已嵌入完整的用户旅程，凡是需要做出实时风险决策的地方都有它的身影。这包括身份验证、账户安全（如检测账户接管迹象）、支付以及更广泛的交易保护和筛查。
每个操作都会在发生时进行评估，绝大多数会自动解决。这使得防护能够在平台规模上运行而不拖慢合法用户的体验，因为大多数人根本看不到在他们活动背后运行的检查机制。
混合模型栈：内部构建与外部技术结合
Binance 采用专有技术与外部技术的混合方案。内部模型专为平台上观察到的特定风险量身定制，而领先的 AI 和基础模型则处理更广泛的推理任务。
这种混合方法使检测能力保持在 AI 技术的前沿，同时保留了针对 Binance 用户、产品和规模的独特优势。这也意味着随着整个 AI 领域的进步，我们可以快速采纳新功能。
除了检测模型外，Binance 还运行着一个内部红队（Red Team），像真实对手一样测试防御体系，包括探测新兴技术如何被用来攻击平台。
Binance 首席安全官 Jimmy Su 解释道：“这些演练帮助我们在攻击者之前发现弱点，验证我们的控制在现实条件下是否有效，并持续加强保护我们用户的人员、流程和技术。在安全领域，你不能简单地假设你的防御措施会奏效——你必须挑战它们。”
示例：针对社会工程学的分层防御
有些攻击旨在完全绕过技术，转而利用信任漏洞。P2P 交易是社会工程学尝试特别常见的一个领域。
在 Binance，内部计算机视觉模型通过分析交易细节和细微的图像操纵来检测虚假的支付证明图片。自然语言处理模型识别聊天中的诈骗信息。传统机器学习模型评估每笔订单的风险等级。在此基础上，大语言模型帮助解读消息意图，并捕捉嵌入在图片中的诈骗文本。
机器筛查，人类决策，模型学习
虽然 AI 在发现和粗略筛查方面表现出色，但在细粒度验证和情境判断方面，人类仍然不可或缺。活体检测和身份文件伪造检测就是一个很好的例子。AI 可以快速预筛大量数据并找出可疑对象，但许多边缘案例仍需要人工审核员进行更精确的标记和判断。
随着新攻击模式的出现，AI 帮助发现和识别它们，随后这些发现被用于微调模型。结果形成了一个持续的闭环：AI 提供规模，人类提供准确性。在欺诈控制方面，AI 模型做出了 80% 到 90% 的实时风险决策，并在约 45% 的人工审核工作流程中提供协助。
为了确保 AI 在这种规模下的可问责性，Binance 在整个模型生命周期中应用了结构化的模型治理，从开发和验证到部署和持续监控。模型在上线前会经过偏见和准确性测试，其性能也会根据实际结果进行持续跟踪。
当模型的精度漂移或误报率上升到超出可接受的阈值时（通过上述人工审核过程发现），它会被自动标记以进行重新训练。这确保自动化决策不仅速度快，而且公平、可解释且可审计。
超越损失预防：合规性与内部效率
除了保护我们的用户，我们的合规团队还使用 AI 辅助自动化工具来扩展和标准化 KYC 欺诈检测和交易监控执行等流程。
超过 24 个 AI 项目已在用户入职、筛查升级和合作伙伴尽职调查中部署。这些模型按优先级对案例进行分类，识别复杂数据集（包括链上活动和设备指纹）中的模式，并将正确的问题路由给人工审核员，同时尽量减少误报。
在内部，效果类似。分析师利用 AI 加快分析、监控和模型部署的速度，而运营团队则用它来协助调查和案件细节处理。在这两种情况下，目标是一致的：移交重复性工作，让人们专注于更高价值的判断决策。这一点体现在采纳率上——Binance 的内部 Agent 工具现在在各团队的采用率约为 72%，这得益于全公司范围的培训、提示词工程计划和结构化监督。
支撑这一切的是“隐私设计”的承诺。Binance 的 AI 系统在隐私优先的框架内运行，其中数据最小化、目的限制和用户权利保障已嵌入到 AI 模型的构建和部署方式中。目标很明确：在不损害用户数据隐私权的前提下，保护用户免受金融滥用和伤害——并且要透明地进行，让用户了解保护措施正在后台运行，且他们的数据仅用于任务所需范围。
结语
在 Binance，用户保护是我们持续投入的重点。AI 提供规模，人类提供判断力。随着制造欺骗的工具变得越来越便宜，这种组合必须不断改进——这意味着重新训练模型、优化阈值，并让经验丰富的分析师处理那些需要他们介入的案例。
免责声明：本内容按“现状”向您呈现，仅供一般信息和教育目的，不作任何明示或暗示的保证。不应将其视为财务建议，也不意在推荐购买任何特定产品或服务。数字资产价格可能波动。您的投资价值可能上涨或下跌，您可能无法收回投资金额。您对投资决策负全部责任，Binance 不对您可能遭受的任何损失承担责任。非财务建议。更多信息请参阅我们的 服务条款 和 风险提示。
