Google DeepMind 与新加坡政府发布端侧反诈检测模型

2026年10月14日责任与安全

JJ Geewax 和 Miguel de Andrés

此次合作交付了一个端侧诈骗检测模型，在不损害隐私的前提下帮助保护公民。

诈骗占新加坡已报案犯罪的半数以上，自2019年以来造成的损失超过40亿新元。与此同时，诈骗手法已从简单的网络钓鱼转向复杂的社会工程学，攻击者通过令人信服的对话操纵受害者，然后索要钱财。此类诈骗目前占全部损失的80%。

为解决这一问题，Google DeepMind 与新加坡政府科技局（GovTech）作为我们与新加坡政府国家人工智能合作伙伴关系的一部分展开了合作。这使我们得以交付一个端侧诈骗检测模型——针对新加坡典型智能手机进行了优化——在应对紧迫安全挑战的同时保护公民隐私。

不损害隐私的端侧AI保护

通用模型往往难以应对本地化的欺骗手法，使诈骗检测更加困难。为解决这一问题，Google DeepMind 的轻量级 Gemma 模型在本地诈骗对话上进行了微调。这些对话涵盖冒充公共机构、银行和本地人物，以及区域性热门骗局，确保模型能够区分正常的社交闲聊与真正的操纵行为。

这一新模型还在设备上处理对话数据。传统上，威胁检测依赖于在云端对消息进行服务器端扫描，但许多消息平台采用端到端加密——这意味着它们无法检查私密对话。人们需要一种既能防范欺诈又能保持对话私密的方式，而我们的解决方案是将威胁分析带到设备上。这可以更快地分析对话模式以检测操纵意图，让公民在发生财务或凭证泄露之前采取行动。

底层揭秘：本地语境与边缘效率

当模型检测到操纵性对话模式时，它会直接在用户设备上触发实时警告，建议他们暂停并谨慎行事，然后再分享敏感信息或资金。

在现代智能手机上运行复杂的诈骗分类器模型并非易事，电池效率是一个关键问题。为此，我们采用两阶段流水线：

阶段1：一个轻量、高效的分类型筛查入站消息，功耗极低，专注于捕捉潜在威胁。
阶段2：使用我们微调后的 Gemma 模型进行语境评估，分析更大范围的对话快照，以确认威胁或排除误报。

建立在严格治理之上

这一合作在新加坡国际网络周（SICW 2026）上展示，为消息平台在用户保护与端到端加密之间取得平衡提供了一个范本。整个开发过程始终保持严格治理：

主权沙盒：微调在 GovTech 管理和维护的 GCP 环境中进行，确保训练数据隔离。

无公民数据：训练严格排除私人或可识别个人身份的信息，仅使用源自诈骗报告和情报源的匿名数据集。

压力测试：模型针对合成对话和本地语料库进行了测试，以覆盖各类诈骗类别和不断演变的冒充手法。

端侧安全的未来

该项目展示了 AI 如何帮助消息服务打击犯罪，并表明在设备端直接运行保护性 AI 无需牺牲安全性或隐私。它还展示了政府与模型提供商如何携手打造服务于公共利益的科技。消息平台和操作系统供应商可以直接集成这些轻量级模型，在本地保护用户，确保聊天交互安全无虞，而无需暴露私人数据。