重點摘要
- 2026 年上半年，Binance 的 AI 驅動風險系統協助保護了超過 800 萬名用戶，並防止了約 46 億美元的潛在損失。
- 目前，AI 已主導身份驗證、帳戶安全、支付及交易篩選等環節中 80% 至 90% 的即時風險決策，而人類審核員則負責處理需要更細膩判斷的邊緣案例。
- 超過 100 個 AI 模型為反詐欺控制提供動力，大規模偵測詐騙、偽造文件及社會工程攻擊嘗試。
📷
如今，一張偽造的付款截圖或經過篡改的身份證件可以在幾秒鐘內生成，而且幾乎零成本就能針對單一目標客製化詐騙腳本。隨著欺騙手段的製作成本越來越低，唯一能跟上節奏的現實方法，就是持續地、大規模且即時地評估風險。
這正是 AI 成為 Binance 保護用戶核心技術的原因。在 2026 年上半年，Binance 的 AI 驅動風險系統協助保護了超過 800 萬名用戶，並防止了約 46 億美元的潛在損失，涵蓋異常交易活動、帳戶盜用嘗試、詐騙及交易詐欺。
本文將深入解析這些數據：AI 如何在整個用戶旅程中運作、內部與外部模型如何協同合作、為何人類審核員仍是流程中的關鍵一環，以及這種方法如何從損失預防延伸至合規與內部營運效率。
Binance 將 100+ 個 AI 模型轉化為即時用戶防護
2026 年上半年，Binance 攔截了數百萬次詐騙和網路釣魚嘗試，將超過 42,000 個惡意地址列入黑名單，並每天發出超過 14,000 次即時警告。
這些成果源自於 Binance 自行構建、訓練並監督的 AI 基礎設施。我們目前在反詐欺和反詐騙控制中運行超過 100 個 AI 模型，由人類風險分析師設定閾值、審查邊緣案例，並在新興詐騙模式出現時重新訓練模型。
在 KYC（身份驗證）方面，我們的 AI 輔助審核流程在特定工作流中實現了高達 100 倍的營運效率提升，同時讓專家在高風險案例中保持參與。
Binance 將 AI 風險防護嵌入整個用戶旅程
AI 已嵌入完整的用戶旅程中，凡是需要做出即時風險決策的地方都有它的身影。這包括身份驗證、帳戶安全（例如偵測帳戶盜用跡象）、支付，以及更廣泛的交易保護與篩選。
每個動作都會在發生的當下進行評估，絕大多數會自動解決。這使得防護措施能在平台規模下運作而不減慢合法用戶的速度，因為大多數人根本不會注意到背景中運行的檢查機制。
自建與外部結合的混合模型堆疊
Binance 採用自有技術與外部技術相結合的方式。內部模型是針對平台上觀察到的特定風險量身打造的，而領先的外部 AI 和基礎模型則處理更廣泛的推理任務。
這種混合方法使偵測能力保持在 AI 技術的前沿，同時保留了針對 Binance 用戶、產品和規模量身定制的優勢。這也意味著當更廣泛的 AI 領域進步時，我們可以迅速採用新功能。
除了偵測模型外，Binance 還設有一個內部紅隊（Red Team），以真實攻擊者的方式測試防禦系統，包括探測新興技術可能被如何利用來對付平台。
Binance 首席安全長 Jimmy Su 解釋道：「這些演練幫助我們在攻擊者之前識別弱點，驗證我們的控制在現實條件下是否有效，並不斷強化保護用戶的人員、流程和技術。在安全領域，你不能假設你的防禦會奏效——你必須去挑戰它們。」
範例：針對社會工程攻擊的多層防禦
有些攻擊旨在完全繞過技術層面，直接針對信任感下手。P2P 交易就是社會工程嘗試特別常見的領域之一。
在 Binance，內部電腦視覺模型透過分析交易細節和細微的圖像操縱，偵測假的付款證明圖片。自然語言處理模型識別聊天中的詐騙訊息。傳統機器學習模型評估每筆訂單的風險等級。在此之上，大型語言模型協助解讀訊息意圖，並捕捉嵌入圖片中的詐騙文字。
機器篩選，人類決策，模型學習
雖然 AI 在發現和大規模初篩方面表現卓越，但人類對於精細驗證和情境判斷仍然不可或缺。活體檢測和身份證件偽造偵測就是一個很好的例子。AI 可以快速預篩大量資料並找出可疑項目，但許多邊緣案例仍需要人類審核員進行更精確的標註和判斷。
隨著新的攻擊模式出現，AI 協助發現並識別它們，然後利用這些發現結果來微調模型。最終形成一個閉環：AI 提供規模，人類提供準確性。在詐欺控制方面，AI 模型做出了 80% 至 90% 的即時風險決策，並協助約 45% 的人工審核工作流程。
為了確保如此規模下的 AI 問責制，Binance 在整個模型生命週期中應用結構化的模型治理，從開發、驗證到部署和持續監控。模型在上線前會經過偏差和準確性測試，其效能也會根據實際結果進行持續追蹤。
當模型的精度漂移或誤報率上升到超出可接受的閾值時（如前述人工審核過程所發現），系統會自動將其標記為需重新訓練。這確保了自動化決策不僅快速，而且公平、可解釋且可稽核。
超越損失預防：合規與內部效率
除了保護用戶之外，我們的合規團隊使用 AI 輔助自動化工具來擴展和標準化 KYC 詐欺偵測和交易監控執行等流程。
已有超過 24 個 AI 專案部署在用戶入駐、篩選升級和合作夥伴盡職調查中。這些模型按優先級對案件進行分類，識別複雜數據集（包括鏈上活動和設備指紋）中的模式，並將正確的問題路由給人類審核員，同時最大限度地減少誤報。
在內部，效果類似。分析師使用 AI 加快分析、監控和模型部署的速度，而營運團隊則使用它來協助調查和案件細節處理。在這兩種情況下，目標都是一致的：移交重複性工作，讓人們專注於更高價值的判斷決策。這反映在採用率上——Binance 的內部 Agent 工具現在在各團隊中的採用率約為 72%，並得到全公司培訓、提示詞工程計畫和結構化監督的支持。
支撐这一切的是對隱私設計（Privacy by Design）的承諾。Binance 的 AI 系統在隱私優先的框架內運作，將數據最小化、目的限制和用戶權利保障嵌入到 AI 模型的構建和部署方式中。目標很簡單：在不損害用戶數據隱私權利的前提下，保護用戶免受金融濫用和傷害——並且要透明地做到這一點，讓用戶了解安全措施正在背景中運作，而他們的數據僅用於任務所需範圍內。
結語
在 Binance，用戶保護是我們持續投資的首要任務。AI 提供規模；人類提供判斷。隨著製造欺騙的工具變得越來越便宜，這種組合必須不斷改進——這意味著重新訓練模型、優化閾值，並讓經驗豐富的分析師處理那些需要他們專業知識的案例。
免責聲明：本內容僅供一般資訊和教育用途，按「現狀」提供，不作任何明示或暗示之保證。本內容不應被視為財務建議，亦非推薦購買任何特定產品或服務。數位資產價格可能波動。您的投資價值可能上升或下降，您可能無法收回投資金額。您應對自己的投資決策負全責，Binance 對您可能遭受的任何損失不承擔責任。並非財務建議。如需更多資訊，請參閱我們的使用條款和風險警示。
