هوش مصنوعی چین به جنگ پولشویی رمزارزی رفت؛ شناسایی تراکنشهای مشکوک با دقت ۹۰ درصد
روزنامه «ساوث چاینا مورنینگ پست» گزارش داده است پژوهشگران دانشگاه امنیت عمومی خلق چین، وابسته به وزارت امنیت عمومی این کشور، یک چارچوب هوش مصنوعی برای شناسایی تراکنشهای غیرقانونی ارز دیجیتال توسعه دادهاند. این مدل در آزمایشهای انجامشده به دقت کلی نزدیک به ۹۰ درصد دست یافته است. نتایج پژوهش در ماه مه در یک نشریه علمی چینی منتشر شده است.
این فناوری یک چارچوب پژوهشی است و انتشار مقاله بهتنهایی به معنای استقرار سراسری آن در سامانههای پلیس چین نیست. بااینحال، وابستگی دانشگاه محل توسعه به وزارت امنیت عمومی نشان میدهد نتایج آن میتواند برای تحقیقات مالی و قضایی چین اهمیت عملی داشته باشد.
بر اساس شرح منتشرشده، سامانه از ترکیب یک ماژول حافظه و مدل زبانی بزرگ استفاده میکند. هدف این معماری، تشخیص روابط میان تراکنشهایی است که در نگاه نخست مستقل به نظر میرسند، اما در کنار یکدیگر الگوی مشخصی از انتقال، تجمیع یا پنهانسازی پول تشکیل میدهند. پژوهشگران این روش را راهکاری قابل تعمیم و قابل تفسیر برای شناسایی فعالیتهای غیرقانونی در شبکههای رمزارزی توصیف کردهاند.
تفاوت هوش مصنوعی با سامانههای سنتی مبارزه با پولشویی
سامانههای سنتی مقابله با پولشویی عمدتاً بر مجموعهای از قوانین از پیش تعیینشده تکیه دارند؛ برای مثال، انتقال مبلغی بالاتر از یک حد مشخص، انجام تراکنشهای متعدد در مدت کوتاه یا ارسال پول به کیف پولهای قرارگرفته در فهرست سیاه میتواند هشدار ایجاد کند.
مشکل این روش آن است که مجرمان میتوانند پس از شناسایی قواعد نظارتی، رفتار خود را تغییر دهند. آنها ممکن است یک مبلغ بزرگ را میان دهها کیف پول تقسیم کنند، از چند شبکه بلاکچینی استفاده کنند یا دارایی را بارها میان رمزارزهای مختلف جابهجا کنند.
مدلهای هوش مصنوعی بهجای بررسی یک تراکنش منفرد، قادرند شکل کلی جریان پول را تحلیل کنند. زمان انتقال، تعداد کیف پولهای واسطه، اندازه تراکنشها، سرعت جابهجایی و ارتباط میان آدرسها میتواند در کنار یکدیگر الگویی بسازد که با فعالیت عادی کاربران تفاوت دارد.
مزیت مدل زبانی بزرگ نیز توانایی آن در تحلیل روابط پیچیده و تبدیل دادههای فنی به توضیحی قابل فهم برای بازرس است. بااینحال، کیفیت نتیجه همچنان به دادههای آموزشی، نحوه برچسبگذاری تراکنشهای مجرمانه و توانایی مدل در مواجهه با روشهای جدید پولشویی وابسته خواهد بود.
لایهبندی و خردکردن مبالغ چگونه انجام میشود؟
یکی از روشهای متداول پولشویی، «لایهبندی» است. در این شیوه، پول غیرقانونی از مسیر تعداد زیادی حساب، کیف پول، صرافی و شبکه عبور میکند تا ارتباط میان منبع اولیه و مقصد نهایی دشوار شود.
روش دیگر، تقسیم مبلغ بزرگ به تراکنشهای کوچکتر است؛ تکنیکی که در ادبیات مالی به ساختاردهی یا «اسمورفینگ» شهرت دارد. مجرمان امیدوارند تراکنشهای کوچک از آستانه هشدار سامانههای سنتی پایینتر بمانند.
تحقیقات شرکت تحلیل بلاکچین چینالیسیس نشان میدهد برخی شبکههای چینیزبان، مبالغ بزرگ را به تراکنشهای کوچک تقسیم میکنند؛ در مقابل، گروههایی دیگر مبالغ کوچک دریافتشده از منابع مختلف را تجمیع میکنند تا در مرحله نهایی وارد اقتصاد رسمی شوند. همین تفاوت رفتاری میتواند برای مدلهای تشخیص الگو به یک نشانه مهم تبدیل شود.
البته شناسایی خردشدن مبالغ بهتنهایی برای اثبات جرم کافی نیست. کاربران عادی، کسبوکارها و صرافیها نیز ممکن است به دلایل قانونی تعداد زیادی تراکنش کوچک انجام دهند. به همین دلیل هر هشدار باید همراه با اطلاعات تکمیلی و بررسی انسانی ارزیابی شود.
آمار ۳۲۵۹ نفر دقیقاً به چه معناست؟
دادستانی عالی خلق چین اعلام کرده است مقامهای قضایی این کشور در سال ۲۰۲۵، تعداد ۳۲۵۹ نفر را به اتهام پولشویی از طریق مسیرهایی مانند ارزهای مجازی و شبکههای بانکی زیرزمینی تحت تعقیب قرار دادهاند.
نکته مهم این است که نمیتوان تمام این ۳۲۵۹ پرونده را صرفاً به پولشویی رمزارزی نسبت داد. عبارت گزارش رسمی، ارزهای مجازی و بانکداری زیرزمینی را بهعنوان نمونه مسیرهای انتقال پول در کنار یکدیگر ذکر میکند و تفکیک دقیقی از تعداد پروندههای هر بخش ارائه نمیدهد.
دادستانی چین همچنین اعلام کرده است در مجموع ۱۳۷ هزار نفر در سال ۲۰۲۵ بهدلیل جرایم اقتصادی و مالی تحت پیگرد قرار گرفتهاند. از این تعداد، ۲۵ هزار نفر با اتهامهای مرتبط با جرایم مالی و ۴۱۸ نفر با پروندههایی مانند تقلب مالی، معاملات نهانی و دستکاری بازار سرمایه روبهرو شدهاند.
شبکههای چینیزبان روزانه ۴۴ میلیون دلار جابهجا کردند
گزارش چینالیسیس ابعاد بزرگتری از مسئله را نشان میدهد. برآورد این شرکت حاکی است شبکههای پولشویی چینیزبان در سال ۲۰۲۵ حدود ۱۶.۱ میلیارد دلار ورودی رمزارزی پردازش کردهاند؛ یعنی بهطور متوسط نزدیک به ۴۴ میلیون دلار در روز. این فعالیت میان بیش از ۱۷۹۹ کیف پول فعال شناساییشده توزیع شده است.
بر اساس همین بررسی، شبکههای چینیزبان حدود ۲۰ درصد پولشویی شناختهشده رمزارزی را در پنج سال گذشته به خود اختصاص دادهاند. این آمار یک برآورد مبتنی بر آدرسها و سرویسهای شناساییشده است و احتمالاً تمام فعالیتهای پنهان را پوشش نمیدهد.
این شبکهها از شیوههایی مانند استفاده از حسابهای اجارهای، صرافیهای غیررسمی خارج از بورس، پلتفرمهای قمار، خدمات تبدیل و اختلاط رمزارز و خرید داراییهای دیجیتال آلوده با تخفیف استفاده میکنند. بخشی از عملیات نیز از طریق کانالهای پیامرسان و بازارهای غیررسمی سازماندهی میشود.
تناقض ظاهری سیاست چین درباره رمزارزها
چین از یک سو محدودیتهای شدیدی بر معاملات و خدمات رمزارزی اعمال کرده و از سوی دیگر، در فناوری تحلیل بلاکچین، ردیابی کیف پولها و توقیف داراییهای دیجیتال سرمایهگذاری میکند.
این دو رویکرد در واقع مکمل یکدیگرند. ممنوعیت معاملات رسمی باعث حذف کامل فعالیت رمزارزی نشده و بخشی از معاملات را به شبکههای فرامرزی، بازارهای خارج از بورس و کانالهای زیرزمینی منتقل کرده است. مقامهای چینی برای اجرای محدودیتها و جلوگیری از خروج سرمایه ناچارند توان فنی ردیابی تراکنشها را افزایش دهند.
شفافیت عمومی بلاکچین نیز به کمک نهادهای نظارتی میآید. آدرس کیف پولها لزوماً نام واقعی اشخاص را آشکار نمیکنند، اما سوابق تراکنشها در بسیاری از شبکهها برای همیشه قابل مشاهده هستند. اتصال اطلاعات روی زنجیره به دادههای صرافیها، دستگاههای ضبطشده یا هویت صاحبان حسابها میتواند مسیر پول را مشخص کند.
آیا دقت ۹۰ درصدی برای تشکیل پرونده کافی است؟
دقت نزدیک به ۹۰ درصد به معنای بدون خطا بودن الگوریتم نیست. حتی در صورت عملکرد صحیح مدل در ۹ مورد از هر ۱۰ مورد، تعداد هشدارهای اشتباه در شبکهای با میلیونها تراکنش میتواند قابلتوجه باشد.
علاوه بر دقت کلی، معیارهایی مانند نرخ مثبت کاذب و نرخ منفی کاذب اهمیت دارند. مثبت کاذب زمانی رخ میدهد که یک تراکنش قانونی مشکوک تشخیص داده شود. منفی کاذب نیز به حالتی گفته میشود که سامانه نتواند یک تراکنش مجرمانه را شناسایی کند.
به همین دلیل خروجی الگوریتم نباید بهتنهایی مبنای محکومیت قضایی باشد. هوش مصنوعی میتواند تراکنشهای اولویتدار را برای بررسی مشخص کند، اما اثبات جرم به شناسایی مالک کیف پول، بررسی منبع وجوه، دریافت اطلاعات صرافیها و طیشدن فرایند قانونی نیاز دارد.
قیمت بیتکوین و ۱۰ رمزارز بزرگ امروز
همزمان با انتشار اخبار مربوط به ابزار ضدپولشویی چین، بازار رمزارزها در معاملات سهشنبه عمدتاً در محدوده مثبت قرار دارد. دادههای زنده بازار نشان میدهد بیتکوین در محدوده ۶۳ هزار و ۴۷۰ دلار معامله میشود و طی ۲۴ ساعت حدود ۱.۴۵ درصد رشد کرده است. ارزش کل بازار رمزارزها نیز به حدود ۲.۱۷ تریلیون دلار رسیده است.
| رمزارز | قیمت تقریبی | تغییر ۲۴ ساعته |
|---|---|---|
| بیتکوین | ۶۳ هزار و ۴۷۰ دلار | مثبت ۱.۴۵ درصد |
| اتریوم | ۱۸۵۳ دلار | مثبت ۰.۶۶ درصد |
| تتر | ۰.۹۹۸۹ دلار | مثبت ۰.۰۲ درصد |
| بایننسکوین | ۵۸۸ دلار | مثبت ۰.۶۸ درصد |
| یواسدیکوین | ۰.۹۹۹۷ دلار | مثبت ۰.۰۱ درصد |
| ریپل | ۱.۰۷ دلار | مثبت ۰.۵۷ درصد |
| سولانا | ۷۳.۱۶ دلار | مثبت ۱.۱۱ درصد |
| ترون | ۰.۳۲۹۷ دلار | مثبت ۰.۸۷ درصد |
| هایپرلیکویید | ۵۴.۶۲ دلار | مثبت ۳.۶۳ درصد |
| دوجکوین | ۰.۰۷۰۰۳ دلار | مثبت ۰.۹۸ درصد |
قیمتها لحظهای هستند و ممکن است در فاصله کوتاهی تغییر کنند. اختلاف محدود آنها با ارقام گزارش اولیه ایسنا نیز ناشی از تغییر زمان ثبت دادههاست. در میان ۱۰ رمزارز بزرگ، هایپرلیکویید با رشد بیش از ۳.۶ درصدی بهترین عملکرد روزانه را ثبت کرده است.
هوش مصنوعی نظارت بر رمزارزها را متحول میکند؟
چارچوب جدید چین نشان میدهد رقابت میان مجرمان مالی و نهادهای نظارتی وارد مرحله تازهای شده است. همانطور که شبکههای پولشویی برای پنهانکردن جریان دارایی از خودکارسازی، کیف پولهای متعدد و تراکنشهای سریع استفاده میکنند، مجریان قانون نیز به مدلهای هوش مصنوعی و تحلیل شبکه متوسل شدهاند.
مزیت اصلی این فناوری، کاهش حجم دادههایی است که باید بهصورت دستی بررسی شوند. یک الگوریتم میتواند از میان میلیونها انتقال، تعداد محدودی زنجیره مشکوک را برای بازرسان مشخص کند و روند تحقیقات را سرعت دهد.
بااینحال، موفقیت واقعی به دقت فنی محدود نیست. دسترسی قانونی به اطلاعات صرافیها، همکاری میان کشورها، حفظ حقوق کاربران و امکان اعتراض به تصمیمهای الگوریتمی نیز اهمیت دارد.
دستاورد پژوهشگران چینی میتواند الگویی برای سایر کشورها باشد، اما استفاده مسئولانه از آن مستلزم نظارت انسانی است. هوش مصنوعی احتمالاً جای بازرس، دادستان و قاضی را نخواهد گرفت؛ بلکه به ابزاری برای پیدا کردن سرنخهایی تبدیل میشود که در حجم عظیم تراکنشهای بلاکچینی از دید انسان پنهان میمانند.