Artificial Intelligence in AML/CFT: A Criminological Evidence Map and Multilevel Governance Framework for Organised Financial Crime Control
本文将人工智能在反洗钱与反恐怖融资领域的角色，从单纯的效率工具重新定义为一种犯罪学意义上的双重用途挑战，通过综合证据揭示了人工智能在增强检测能力的同时也赋予了犯罪行为人权力的现象，从而论证了建立一个平衡机会削减、法律问责与权利保护的综合性多层级治理框架的必要性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
数字化的猫鼠游戏：为什么人工智能是打击犯罪的双刃剑
请将全球金融系统想象成一座繁忙的大型城市，资金流转就像交通流量一样。在这座城市中，有两类主要的驾驶者：一类是守法公民，他们需要为商业和慈善事业转移资金；另一类是“影子驾驶员”——即试图隐藏车辆、更换车牌或通过检查站运送非法货物的犯罪分子和恐怖分子。几十年来，城市的安保人员（银行和监管机构）一直使用规则手册来识别这些影子驾驶员。如果一辆车行驶过快、在可疑地点停留或看起来像已知的犯罪车辆，保安就会将其拦下。但影子驾驶员变得越来越聪明，他们利用复杂的地图和伪装来钻空子。
人工智能（AI）登场了。可以将 AI 想象成一个超强力的、高科技的雷达系统，能够识别肉眼无法察觉的模式。它可以瞬间连接成千上万辆汽车之间的关联，预测哪些车辆可能携带违禁品。但转折在于：影子驾驶员也在购买同样的超强雷达。他们利用它来设计更好的伪装、伪造假身份证件，并欺骗安保人员。这不仅仅是一个关于更快速计算机的故事，这是一个关于“猫鼠游戏”的高风险博弈，双方都在同时升级自己的“玩具”。核心问题不仅是“AI 能否抓住坏人？”，而是“我们能否在使用 AI 的同时，又不至于误伤无辜或让专业人士逃脱？”
论文的故事：数字战场的地图
在这篇研究论文中，作者 Raymond Tang 和 Bo Wen 扮演着绘制这一高科技战场地图的侦探角色。他们不仅仅是在观察 AI 计算金钱的速度有多快，他们还在探讨一个更深层的问题：AI 是如何改变犯罪本身的博弈规则的？ 他们将反洗钱（AML）和打击资助恐怖主义（CFT）视为不仅是一个数学问题，更是一个犯罪控制问题，其中犯罪分子和监管机构在不断地共同演化。
作者构建了一个“证据图谱”，就像一张藏宝图，展示了哪里有实金（真实证据），哪里只有传闻（想法）。他们查阅了数千份文件，从计算机科学论文到政府法律，以观察什么才是真正有效的，什么仅仅是炒作。
好消息：雷达发挥作用的地方
论文发现，我们对某些 AI 工具拥有较强的证据支持，但它们大多处于“辅助轮”或“模拟”阶段，尚未在现实世界中得到充分验证。
- 模式猎手（机器学习）： 想象一位读过所有犯罪小说的侦探。AI 可以通过学习过去的财务记录来识别人类会忽略的异常模式。论文指出，这对于优化预警优先级非常有效。与其让人类检查 1,000 笔可疑交易，AI 会说：“嘿，先检查这 10 笔！”然而，作者警告说，这主要基于二级证据（模拟和受控测试）。它尚未被完全证明能在每家真实的银行中完美运行。
- 网络连接者（图分析）： 洗钱往往看起来像一张蜘蛛网。犯罪分子通过数十个壳公司和虚假账户转移资金。图分析就像一种工具，可以画出所有这些点之间的连线，揭示整个网络。论文发现，这对于识别有组织犯罪网络非常有前景，但同样，大部分证据来自于二级（模拟）或三级（银行进行的试点测试）。我们还没有足够的四级（独立验证、现实世界成功案例）故事。
- 加密追踪器（区块链分析）： 由于数字货币（如比特币）留下了公开的痕迹，AI 可以跨越互联网追踪资金流向。论文指出这很有用，但也非常棘手。犯罪分子使用工具来掩盖踪迹，而 AI 并不总是能完美地揭开他们的真面目。
坏消息：犯罪分子也在使用 AI
这是故事中最关键的部分。论文认为 AI 是一种双用途工具，这意味着它对好人和坏人的帮助程度是相等的。
- 深度伪造的伪装： 犯罪分子正在使用“生成式 AI”（即那些编写故事和制作图像的 AI）来创建虚假身份证、用于视频通话的深度伪造视频以及逼真的假证件。这使得银行极难判断开户的人是否真实存在。论文指出，虽然我们认为 AI 可以识破这些伪装，但犯罪分子制造这些伪装的速度往往比我们捕捉它们的速度更快。
- “合成”谎言： 犯罪分子利用 AI 创建“合成身份”——由真实数据和虚假数据混合而成的假人。这就像犯罪分子在构建一个看起来足够真实以欺骗银行计算机的“幽灵”。
- 剧本编写者： AI 可以编写脚本来招募“钱骡”（为获取分成而搬运脏钱的人），或者为巨额转账编写虚假的商业理由。
棘手之处：当雷达出错时
论文揭示了一个危险的副作用：去风险化（De-risking）。因为 AI 系统有时过于害怕犯错，它们可能会决定直接封禁整个群体是更安全的做法。
- 人道主义问题： 作者警告说，AI 可能会因为某个群体来自特定国家或使用特定名称，就误将合法的慈善机构、难民或向家乡汇款的家庭标记为“恐怖分子”。如果 AI 看到一个看起来像“风险”的模式，它可能会关闭账户。论文认为这是一个巨大的问题，因为它伤害了无辜的人，并将资金推向了更难追踪的阴影地带。
- “黑箱”问题： 有时，AI 会说：“这是可疑的”，但它无法解释为什么。如果银行无法向客户解释为什么冻结了其账户，就会破坏公平和法律原则。
解决方案：多层级的行动计划
既然我们无法直接关掉 AI，作者提出了一个多层级治理框架。你可以将其理解为一套针对整个城市的规则，而不只是针对银行。
- 针对银行（守卫者）： 不要仅仅信任 AI。要保持“人在回路中”。如果 AI 标记了某项内容，必须由真人进行核查。此外，银行需要不断测试其 AI，以确保其不会对特定群体产生偏见。
- 针对加密货币公司（新驾驶员）： 他们需要遵循严格的规则，包括准入机制和资金追踪方式，特别是在涉及“稳定币”（价值保持不变的数字货币）时。
- 针对监管机构（城市规划者）： 他们需要理解这项技术。他们不能仅仅索要一份报告，他们需要具备亲自测试 AI 的能力，以观察它是真的在起作用，还是仅仅在做样子。
- 针对所有人： 我们需要保护人权。如果 AI 犯了错误，必须有渠道进行申诉并恢复账户。
总结
论文得出结论：AI 并不是能在一夜之间解决洗钱问题的魔杖。它是一个强大的工具，使这场博弈对所有人来说都变得更快、更复杂。作者认为我们正处于一个协同演化竞赛之中：当我们构建更好的 AI 来抓捕罪犯时，罪犯也在构建更好的 AI 来隐藏行踪。
最重要的启示是，我们必须保持谨慎。我们不能让 AI 主宰一切。我们需要人类问责制、公平性检查和明确的规则，以确保我们在抓捕坏人的同时，不会在无意中监禁好人，或者让犯罪分子利用我们的工具反过来战胜我们。该论文并未声称已经解决了这个问题，但它为我们目前所处的阶段以及下一步如何维护金融城市安全提供了清晰的地图。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。