تیم پلیس و دانشگاه چین: ابزار AI+LLM، شناسایی پولشویی ۹۰%…
تحقیقات نشان میدهد که دادستانها اعلام کردهاند ۳۲۵۹ نفر با ۲۰۲۵ پرونده مرتبط با پولشویی داراییهای مجازی و مالیات زیرزمینی مواجه هستند.
محققان دانشگاه پلیس ملی چین میگویند که یک سیستم هوش مصنوعی ساختهاند که از مدلهای زبانی بزرگ برای شناسایی پولشویی مشکوک در ارزهای دیجیتال با دقت "تقریباً 90 درصد" استفاده میکند. این ادعا همراه با آمار پیگرد قانونی در سال 2025 ارائه شده است که نشان میدهد موارد پولشویی داراییهای مجازی در مقیاس وسیع در حال پیگیری است، با وجود ممنوعیتهای تجارت و استخراج در چین.
پلیس چین و محققان دانشگاه ادعا میکنند که پرچمهای شستشوی پول کریپتو با دقت ~90% توسط AI و LLM شناسایی میشوند.
محققان دانشگاه پلیس ملی چین، نهادی که تحت وزارت امنیت عمومی فعالیت میکند، به عنوان توسعهدهندگان یک چارچوب تشخیص جرمشناسی بلاکچین توصیف شدهاند که هدف آن شناسایی پولشویی و سایر جرایم اقتصادی مرتبط با ارزهای مجازی است.داراییهامانندبیتکوینمعیار اصلی مرتبط با این کار نرخ موفقیت گزارش شده است: “سیستم به طور تقریبی 90% دقت در شناسایی تراکنشهای مشکوک دارد.”
این رقم دقت به عنوان گزارشی از روزنامه South China Morning Post ارائه شده است، اما بسته هیچ متدولوژی، توصیف دادهها یا تعریفی از آنچه که "دقت" در عمل به معنای آن است، ندارد. همان نوشته همچنین هشدار عملیاتی را که برای معاملهگران و دپارتمانهای انطباق مهم است، علامتگذاری میکند: مدلی که "90% دقت" دارد هنوز میتواند مثبتهای کاذب تولید کند و اجرای قانون هنوز باید پرچمهای الگوریتمی را از طریق بررسی دستی و فرآیند قانونی تأیید کند.
زمینه اجرای قانون در چین نظری نیست. دادستانی کل مردم چین گزارش داد که تنها در سال 2025، "3,259 نفر به ظن پولشویی مرتبط با داراییهای مجازی و مالی زیرزمینی تحت پیگرد قانونی قرار گرفتند." حتی اگر چارچوب جدید تنها ابزاری برای تولید سرنخ باشد، این تعداد پیگرد قانونی نشان میدهد که حجم پروندهها به اندازهای است که اتوماسیون میتواند از نظر عملیاتی مرتبط باشد اگر مورد پذیرش قرار گیرد.
چگونه چارچوب AI+LLM قرار است لایهگذاری و ساختاردهی را شناسایی کند
از نظر مکانیکی، چارچوب به عنوان ترکیبی از شناسایی الگوهای مبتنی بر هوش مصنوعی با قابلیتهای مدل زبان بزرگ (LLM) برای تحلیل جریانهای تراکنش در شبکههای بلاکچین توصیف شده است. مؤلفه هوش مصنوعی به عنوان موتور الگو قرار داده شده است که حجم زیادی از دادههای زنجیرهای را برای ناهنجاریهای رفتاری که نظارت مبتنی بر قوانین ممکن است از دست بدهد، اسکن میکند.
هدفها رفتارهای کلاسیک پولشویی هستند. "لایهبندی" تاکتیک جابجایی وجوه از طریق بسیاری از مراحل، کیف پولها و تراکنشها برای سختتر کردن ردیابی منبع است. "ساختاردهی" تقسیم فعالیت به قطعات کوچکتر یا الگوهای عجیب برای اجتناب از آستانهها و پنهان کردن نیت است. سیستم به عنوان جستجوی ناهنجاریهایی توصیف میشود که با آن رفتارها در گرافهای تراکنش سازگار است، به جای اینکه فقط به قوانین ثابت تکیه کند.
قطعه LLM به عنوان لایه زمینه توصیف شده است. مدل زبان بزرگ یک مدل آموزشدیده بر روی متن است که میتواند زبان را تفسیر و تولید کند و در اینجا به عنوان کمک به تفسیر اطلاعات غیرساختاری مرتبط با فعالیت تراکنش، مانند یادداشتهای تراکنش یا الگوهای ارتباطی، توصیف شده است تا به محققان کمک کند داستانی حول جریانها بسازند. این مهم است زیرا نتایج اجرایی بر اساس تعداد آدرسهایی که علامتگذاری میشوند، ارزیابی نمیشوند. آنها بر اساس اینکه آیا یک پرونده میتواند جمعآوری، نسبت داده و پیگرد قانونی شود، ارزیابی میشوند.
این نوشتار همچنین بیان میکندتجارت ارزهای دیجیتال و استخراج در چین ممنوع است، در حالی که نگهداری داراییهای دیجیتال جرمانگاری نشده است. موضع توصیف شده یک تقسیم است: محدود کردن دسترسی به بازار عمومی، اما ادامه ساخت ظرفیت تحقیقاتی در اطراف جریانهای دارایی مجازی.
آنچه معاملهگران باید در نظر داشته باشند در حالی که ابزار نظارت زنجیرهای چین پیشرفت میکند
اولین سیگنالی که پروفایل ریسک را تغییر میدهد، استقرار است. بسته نمیگوید که آیا این چارچوب در مرحله تحقیق، آزمایشی یا در حال حاضر در تحقیقات زنده استفاده میشود و نام نمیبرد که کدام واحدهای تحقیقاتی آن را اجرا خواهند کرد. هرگونه افشای اینکه این سیستم عملیاتی است و کجا، از یک تیتر دقت دیگر مهمتر خواهد بود.
سیگنال دوم خاص بودن فنی پشت ادعای "تقریباً 90%" است. معاملهگران باید به دنبال یک معیار اصلی باشند.لینکبه گزارشهای زیرین یا هر انتشاری که مجموعه دادهها، استاندارد برچسبگذاری برای "مشکوک" و نرخهای مثبت کاذب و منفی کاذب را تعریف میکند. بدون آن، این عدد از نظر جهتگیری جالب است اما تضمینی برای عملکرد نیست.
سیگنال سوم شدت اجرای قانون است. مجموع پیگرد قانونی در سال 2025 یک پایه برای مقیاس ارائه میدهد، بنابراین آمار سالانه بعدی یا اعلام موارد بزرگ که بهطور صریح به تحلیلهای زنجیرهای اشاره میکنند، میتواند کمک کند تا تأیید شود که آیا ابزارهایی مانند این برای اولویتبندی سرنخها استفاده میشود یا خیر.
سیگنال چهارم رفتار انطباق در پاییندست است. اگر صرافیها و طرفهای مقابل شروع به سختگیری در معرض خطر مرتبط با چین کنند، معمولاً به صورت اطلاعیههای بررسی دقیقتر، مسدود شدن حسابها یا قوانین ریسک جدیدی که به ردیابی مبتنی بر هوش مصنوعی و نرخهای بالاتر پرچمگذاری اشاره دارند، ظاهر میشود.
نظر من: فناوری اجرای قانون سریعتر از شواهد عمومی برای «دقت» این مدل در حال رشد است.
بخشی که در اینجا اهمیت دارد، تیتر "90%" نیست، بلکه جهتگیری نهادی است. تیم پلیس و دانشگاه تحت وزارت امنیت عمومی در حال ساخت ابزارهای AI+LLM برای ردیابی تراکنشها است که با دنیایی سازگار است که در آن چین تجارت عمومی را محدود نگه میدارد در حالی که همچنان جریانهای دارایی مجازی را به عنوان یک سطح تحقیقاتی در نظر میگیرد، و رقم 3,259 پروسه قضایی نشان میدهد که در حال حاضر حجم کافی برای اتوماسیون وجود دارد تا مفید باشد.
آستانهای که اهمیت دارد، افشاگری است: اگر این چارچوب به عنوان پیادهسازی شده در کارهای واقعی تأیید شود و ادعای دقت با یک مجموعه داده تعریفشده و نرخ خطا پشتیبانی شود، ریسک انطباق در مورد جریانهای مرتبط با چین دیگر یک روایت نخواهد بود و به عملیاتی تبدیل میشود. تا آن زمان، تأثیر عملی احتمال بالاتری از پرچمها و اصطکاک برای طرفهای مقابل که با ریسکهای مرتبط با چین در تماس هستند، خواهد بود، نه یک تغییر اثباتشده در کیفیت شناسایی.
