币安称AI拦截105.3亿美元加密欺诈：这笔账该怎么看

先看关键数字：预防≠追回

以下金额均为美元口径。

这一区分很重要：阻断潜在损失是对交易完成前被拦下的风险活动进行估算；追回资产则是资金已经被盗后，通过调查、冻结、返还等流程挽回。币安披露过两类数字，但它们衡量的不是同一件事。

币安说这套AI防线怎么运转

Binance Research称，币安已在合规领域设置24项以上AI计划，并用100多个AI模型驱动反欺诈控制；它还称这一反欺诈体系将非法资金敞口降低了96%。

在这套说法中，一个核心工具是币安自研的风险与欺诈检测系统Strategy Factory。Binance Research称，该工具结合了业务感知优化、模块化规则构建和持续迭代，意味着系统可以随着诈骗手法变化，调整检测规则和模型驱动的风控策略。

可以把它理解成三层：

1. 识别风险

币安称，其AI风控用于识别深度伪造、钓鱼诈骗和AI驱动的社交工程攻击等威胁。 更大的思路是让模型和规则配合，在可疑行为演变成实际损失之前更早发现异常。

2. 及时干预

报告摘要称，币安平均每天发送9600多条实时风险提醒。 这是系统面向用户的一面：即使模型已经识别到风险，用户仍需要停下来核验对方身份、检查钱包地址，或者放弃一笔可疑操作。

3. 压制诈骗基础设施

币安还称已将3.6万多个恶意地址列入黑名单。 对交易所而言，地址黑名单可以帮助标记或阻断已知诈骗钱包，尤其是在同一批地址、同一套网络反复出现在不同诈骗场景时。

为什么币安把它说成“AI对AI”

币安的安全叙事背后有一个现实问题：攻击者也在用AI。相关报道将加密安全称为一场“AI对AI”的军备竞赛，因为AI降低了犯罪者制作深度伪造、声音克隆和更逼真钓鱼内容的门槛。

Binance Research曾警告，在加密领域，AI用于攻击利用的效果目前是用于检测的两倍，显示攻防双方存在不对称。 区块链数据分析公司Chainalysis的加密犯罪数据也指向同一趋势：其估计2025年加密诈骗和欺诈被盗170亿美元，冒充类诈骗同比增长1400%，AI驱动诈骗的盈利能力是传统诈骗的4.5倍。

这也解释了为什么AI投入正在成为更广泛的金融犯罪治理重点。Binance Research称，75%的金融机构计划增加用于金融犯罪检测的AI支出，并把币安所称105.3亿美元潜在损失拦截规模，与JPMorgan AI系统估计防止15亿美元欺诈损失作对比。

追回资产是另一本账

币安最大的这组数字，讲的是损失发生前被拦下的活动。它披露的追回数字要小得多，而且来自另一类反诈骗报告。

在一份2025年反诈骗更新中，币安称其阻断了66.9亿美元潜在欺诈和诈骗损失，其中39亿美元与诈骗尝试有关，并追回了1280万美元以上被盗资产。 Fortune India另报道称，币安在2025年处理了7.1万多项执法请求，支持查扣约1.31亿美元与非法活动相关的资产，并开展了160多场执法培训。

这些口径不能简单相加。潜在损失拦截、受保护资金、被盗资产追回、配合执法查扣资产，背后对应不同定义、不同流程，也服务于不同统计目的。

这些数字说明了什么，又不能说明什么

这些披露至少说明一件事：币安正在把AI定位为欺诈识别、合规控制和用户保护的核心安全基础设施。 如果公司披露的方向性数字大体成立，那么它的自动化防线已经覆盖到数百万用户和数十亿美元级别的风险或尝试性活动。

但读者仍需保持谨慎。105.3亿美元这一数字的多数公开叙述，仍可追溯到币安自身披露或Binance Research，因此它本质上还是公司披露的预防性估算。 在另一项2025年背景下，ICIJ曾报道，Chainalysis称币安一份有关金融犯罪改善的报告未纳入关键犯罪数据；这也提醒我们，交易所犯罪统计高度依赖统计范围、定义和方法。

对普通用户来说，结论不是“有AI就安全了”。更现实的理解是：交易所正在尝试更早识别可疑行为，而诈骗者也在用AI让冒充、钓鱼和社交工程更有迷惑性。 风险提醒和地址黑名单有帮助，但最后一步仍离不开人：所谓客服紧急催促转账、深伪视频背书、制造时间压力、要求向陌生钱包操作，都应被视为高风险信号。