幣安如何用 AI 阻擋加密詐騙？105.3 億美元數字拆解

「阻擋潛在損失」和「追回資產」差很大。前者是對高風險活動在完成前被攔下的估算；後者是資金已被盜後，透過凍結、協調或調查等流程再取回或保全。幣安同時公布兩類數字，但它們衡量的是不同結果。

幣安說 AI 防線怎麼運作

Binance Research 稱，幣安已在合規領域建立 24 項以上 AI 倡議，並由 100 個以上 AI 模型支撐反詐控制；該反詐堆疊也被稱為使非法資金暴露降低 96%。

其中一個核心工具是自建的風險與詐欺偵測系統 Strategy Factory。Binance Research 形容它結合了業務感知最佳化、模組化規則建構與持續調整；換句話說，幣安想呈現的是一套能隨詐騙手法變化而更新規則與模型判斷的風控架構。

可以把這套堆疊拆成三層來看：

1. 偵測：先找出可疑模式

幣安表示，其 AI 風控會用來辨識深度偽造（deepfake）、釣魚詐騙，以及 AI 驅動的社交工程攻擊等威脅。 更大的主張則是：模型與規則共同運作，把異常行為提早抓出來，避免高風險操作變成實際損失。

2. 介入：把風險提示交到用戶眼前

報導摘要稱，幣安平均每天推送超過 9,600 則即時風險警示。 這是防線中最貼近一般用戶的一環：即使模型已偵測到風險，真正按下暫停、核對對方身分或放棄可疑交易的，仍然是人。

3. 壓制：封鎖已知詐騙基礎設施

幣安也稱已將超過 36,000 個惡意地址列入黑名單。 在加密貨幣世界中，地址黑名單可協助交易所標記或阻擋已知詐騙錢包，尤其當同一批地址或網路在多起攻擊中反覆出現時。

為什麼幣安把它說成「AI 對 AI」

這套安全敘事的前提很直接：攻擊者也在用 AI。相關報導把加密安全形容成「AI 對 AI」的軍備競賽，因為 AI 降低了犯罪者製作深度偽造、聲音複製與更逼真釣魚訊息的門檻。

Binance Research 曾警告，在加密領域，AI 目前用於攻擊利用的效果是用於偵測的 2 倍，凸顯攻防之間的不對稱。 區塊鏈分析公司 Chainalysis 的整體犯罪資料也指向同一趨勢：該公司估計 2025 年加密詐騙與詐欺竊走 170 億美元，假冒詐騙年增 1,400%，而 AI 賦能詐騙的獲利能力是傳統詐騙的 4.5 倍。

這也解釋了為什麼 AI 支出不只在加密圈升溫。Binance Research 稱，75% 的金融機構計畫提高用於金融犯罪偵測的 AI 支出，並把幣安所稱阻擋 105.3 億美元潛在損失，與 JPMorgan AI 系統估計防止 15 億美元詐欺損失並列比較。

追回與預防要分開看

幣安最大的一組數字，指的是其稱在損失發生前已阻擋的活動。追回數字則小得多，而且來自另一套防詐更新。

在 2025 年防詐更新中，幣安稱其防止 66.9 億美元潛在詐騙與詐欺損失，其中 39 億美元與詐騙嘗試有關，並追回逾 1,280 萬美元遭竊資產。 Fortune India 另報導，幣安在 2025 年處理超過 71,000 件執法機關請求，協助沒收約 1.31 億美元與非法活動相關的資產，並舉辦超過 160 場執法訓練。

這些數字不應相加後當成同一種成績。潛在損失被阻擋、受保護資金、遭竊資產追回、以及配合執法沒收資產，分別依賴不同定義、流程與時間點。

這些數字能證明什麼？又不能證明什麼？

它們至少支持一個結論：幣安正在把 AI 放到詐騙偵測、合規控制與用戶保護的核心位置。 如果幣安的數字大致反映方向，這套自動化防線已在數百萬用戶與數十億美元等級的高風險活動上運作。

但這些數字仍須審慎閱讀。105.3 億美元多半是從幣安自身揭露或 Binance Research 延伸而來，仍屬公司回報的預防估算。 在另一個 2025 年脈絡中，國際調查記者同盟 ICIJ 報導稱，Chainalysis 指出幣安一份有關金融犯罪改善的報告未納入關鍵犯罪資料；這提醒讀者，交易所的犯罪統計高度依賴範圍、定義與方法。

對一般用戶而言，重點不是「有 AI 就安全」。更實際的解讀是：交易所正在嘗試更早攔下可疑行為，而詐騙者也在用 AI 讓假冒、釣魚與社交工程更像真的。 風險警示與地址黑名單能提供幫助，但最後一步仍常落在使用者身上：突然出現的客服訊息、要求立刻轉帳的壓力、深偽影片、陌生錢包指示，都應被視為高風險訊號。