每年，犯罪分子通过全球银行系统洗钱约 8000 亿至 2 万亿美元。这大约相当于全球 GDP 的 2% 到 5%。对于金融机构来说，停止这种流动是法律上的当务之急，但这也是一场后勤噩梦。 传统的方法已经失效，调查人员陷入误报之中，而老练的犯罪分子却从漏洞中溜走。1
研究人员进行的一项引人注目的新研究 聂传豪（佐治亚理工学院）、刘云波（杜克大学）和王超（莱斯大学） 探讨人工智能如何改变这一格局。他们的论文， ”人工智能在反洗钱中的应用，实现可持续和透明的金融体系,” 认为清洁货币的未来在于从严格的规则转向动态的智能网络。
“如果/那么”的问题
几十年来，银行一直依赖基于规则的监控。这些系统按照简单的逻辑运行： “如果客户存入的现金超过 10,000 美元，请标记出来。”
正如聂、刘和王指出的，问题在于犯罪分子了解规则。 他们“构建”略低于门槛的存款，或将资金分散到数十个账户中。2 与此同时，合法客户不断因无辜行为而被标记，造成大量“误报”，浪费了数百万个小时的运行时间。3 研究人员强调，传统数据库无法轻易“看到”犯罪分子、空壳公司和离岸账户之间的联系网络。
本研究提出的核心创新点是从分析 列表 来分析 网络。作者提出了一个系统，该系统结合了 生成式人工智能 和 知识图谱，一种称为 图 RAG（检索增强生成）。
要理解为什么这很重要，请想象一下侦探的软木塞板。
-
标准AI（矢量RAG）： 像搜索引擎一样工作。它在文档中查找关键字。它擅长发现事实，但不擅长连接点。
-
图 RAG（作者的方法）： 像侦探一样工作。它将实体（人、账户、地址）映射为“节点”，将它们的交互映射为“边”。据了解，A 人向 B 公司汇款，而 B 公司与受制裁人 C 共用一个地址。
在论文的最后部分，Nie、Liu 和 Wang 详细介绍了一项旨在实现“了解您的客户”(KYC) 协议现代化的尖端实验。
他们建立了一个包含 10,000 名客户和近 50 万笔交易的综合银行环境。然后他们将标准人工智能模型与他们的模型进行比较 图RAG代理。挑战？回答复杂的调查问题，例如识别通过共享地址或第三方帐户间接连接到受制裁实体的客户。
结果很明显。
-
标准人工智能 难以进行复杂的推理，经常出现幻觉答案或无法检索相关上下文（在复杂的“5 级”推理任务中得分几乎为零）。
-
图 RAG 代理 表现出色。它实现了高度的“可信度”和“答案相关性”，成功地追踪多跳关系以提供准确的、有证据支持的风险评估。
这项研究不仅仅是为了抓捕坏人，更是为了抓捕坏人。这是关于可持续性的。作者认为，当前的合规系统在运营上是浪费的。通过集成人工智能，减少误报并提供更清晰的解释，银行可以建立更加透明和资源优化的金融系统。
然而，作者警告说，挑战仍然存在。 隐私法（如 GDPR）使得银行之间的数据共享变得困难，而人工智能模型必须是“可解释的”——监管机构需要知道 为什么 人工智能标记了一笔交易，而不仅仅是它确实发生了。4
通过证明基于图的人工智能可以像调查员一样进行推理，而不仅仅是像电子表格一样进行计算，聂、刘和王绘制了一条通往更难利用、更容易信任的金融系统的道路。
