隐秘的角落里，数亿场AI战争正在发生

"科技领域不做安全风控，就等于造汽车的时候没有做刹车。”蚂蚁集团首席AI科学家漆远这样形容安全风控的地位。

有安全作锚，大船方能当风御浪。失去安全感，信任与共识的建设也就成了无根之木。事实上，许多高精尖技术是首先在安全领域落地和发展，再在其他行业发光发热。

但如今的金融安全之险，或许完全超出你的想象。

当黑天鹅事件频发，当黑产演化日新月异，风险不会只出现在支付或是贷前环节，也不光冲着消费者而去。交易全链路的每一环、每一方都像蓄满电荷的积雨云，在黑夜里等待一个爆发的契机。

可是消费者和商户、金融机构最想要的那根“避雷针”是什么样子？细细摸索这构造极为复杂的交易网络之后，我们和支付宝聊了聊他们的“秘密武器”。

一通电话背后的风控升级：技术与温度的结合

未雨绸缪，可以说是安全风控的最理想境界。但常见的业内风控方案往往是被动响应式的，在交易开始前一筹莫展，白白浪费最佳风控“身位”。

不做主动风控的原因有二，一是不敢，二是不会——在不少支付平台看来，自己只负责保证交易正常完成，只要资金没有被盗就算功德圆满。

但支付宝选择为用户主动承担更多责任，主动风控也早已成为安全阵型里的常规配置。

此前他们曾为C端用户遭遇的网络诈骗风险，调教出一套全链路交互式的主动风控体系，例如通过智能弹窗唤醒用户，又或是延迟到账或资金截留，尽量阻止欺诈交易的发生。

但他们很快就意识到，用弹窗中断交易、进行风险拦截，确实直接了当，也确实不够温柔。

如果用户因此而对风险提示无视或者反感，可能就错失了一次阻止欺诈发生的机会。

于是去年7月，这套主动风控体系架上了一把“重机枪”：反诈骗叫醒热线。

当识别到交易存在诈骗风险时，系统会通过数据解析和智能派单，帮助客服快速定位超过一定金额的疑似诈骗交易行为，并由人工客服和AI客服致电用户提醒，防止消费者在其他渠道被骗。

此前叫醒热线优先服务50岁以上的老年人，上线以来，诈骗资损率已下降8成；现在热线已覆盖全年龄段的高风险人群。

比起风险拦截，语音方式的提醒和交流相对不显生硬，也更具有交互感。目前，AI客服可以做到和人工客服一样和用户对话，在交互中判断用户遭遇的骗局类型，进行针对性地提醒。

漆远告诉AI金融评论，这是一种“更兼顾体验的柔性手段”，能让用户理解系统所看见的风险点和来电的出发点。

“如果客户明确表示，自己没有被骗，我们也能通过交流，确保他后续的支付是顺畅的。”他补充道。

支付宝首席AI科学家 达摩院金融智能负责人漆远

这种安全感的关键来源之一，是支付宝持续默默深耕的知识图谱技术，在复杂结构的关系网络中摸清犯罪团伙的踪迹。

在此基础上，支付宝的智能风控引擎能在0.1秒之内，通过近500条量化策略、100个风控模型，7*24小时实时风险检测扫描及保护交易支付，于数亿交易中精准识别账户异常行为，对每笔交易进行用户行为、交易环境、关联关系等8个维度的风险检测。

「AI判官」养成记

交易链条的下游，藏着另一个致命难点：事后举报和调解。

风控系统和用户的关系，有时像一对母子：系统明示了交易风险，但用户实在“叛逆”——数据显示，有60%的用户被骗就是因为不听系统一句劝，这种追悔莫及自然也让用户对交易后的风控效果怀有更大的期望。

识别诈骗是一个世界性难题，如果不是造成实际损失，很多人在过程中都无法意识到自己被骗了。事后在和疑似骗子的对方发生纠纷时，也同样很难向平台说明自己真的是被骗了。

第三方支付机构一样有苦衷：人工介入的成本太高耗时太长，做一个审理系统又不知从何教起……

这样一个无数用户急需的功能，支付宝并没有置之不理，贴合用户诉求，快速推出了智能审理服务，用于欺诈场景的用户投诉纠纷处理。

系统能整合各平台商家客服、AI电话、法律援助、在线视频等能力，通过文字、聊天记录截图、客观数据等证据来提供调解，但最“硬核”的，还数支付宝全球首创的交互式举报流程。

这种交互式与传统问卷式区别在哪儿？

以前要投诉，用户得填一大张表格，时间地点投诉对象，交易过程请在规定字数内描述完成，再一次性提交一堆不知道派不派得上用场的截图。

交互式就像有一位小姐姐专门服务你，挑要紧的事儿先问，再根据用户的回答，提取出下一步有针对性的提问，从而大幅节省用户的时间精力。

支付宝安全实验室就是通过多模态模型来理解用户，并根据去黑盒化的实时抗辩能力来判断风险、类案、缺失要素，从而定制交互信息。

这表面是客服，实际要做的是一个机器“判官”，要看得懂证据，听得懂吵架，能明辨是非正确判决，最后还要给出用户可以接受的调解结果。

漆远也坦言，抗辩性和司法层面的AI可解释性是当中最难跨的两道坎。

抗辩性，顾名思义，如果双方掐起架来，AI必须要能理解两边吵架的逻辑。比起“解语花”式的智能客服，“老娘舅”式智能审理客服的升级之处就在于系统对抗辩性的自洽和更大容纳。

可解释性，是指在每一轮智能交互中，AI都基于当前所掌握的信息，给出具有解释性的识别结果或决策。

漆远对AI的可解释性格外重视，在他看来，机器学习算法之所以在业务安全落地时，对可解释性要求非常高，是因为完全黑盒的模型可能造成无法预料的后果，这在业务安全上有较大的危险，需要有人可以理解的逻辑和介入修正。

尤其是在处理投诉和纠纷，或人机交互的过程中，直接反馈给用户的处理决定，对解释性的要求更高，需要用人可以理解的语言和逻辑去表述。

也就是说，AI的发言得让人听懂，并且有理有据令人信服。

“从法律层面出发，这项功能要做到全要素审核，采用的必须是与司法知识相结合的AI，不光能理解法律，更要能把法律的核心要点用人可以理解的语言和逻辑顺利解释出来。所以要在技术层面下功夫，还要联合运营、司法实务的同学去共建。”漆远补充道。

据支付宝安全实验室透露，目前智能审理可以实时1秒内定性，可定性的风险涵盖盗用，欺诈，赌博，非法投融资等20余种，定性准确率已经超过95%。

梳开KYB的「死结」

如果说主动为C端消费者的交易安全“负重前行”已属不易，迅速让广大商户复工复产、恢复经营任务则是难上加难。

以商户入网为例，核查常以线下人工操作为主；如今在防疫要求下，推广无接触式的线上申请和审核，优化商户入驻体验、简化签约流程成为当务之急。

但线上模式仍然存在缺陷：在审核商户的门头照、营业执照、网站及APP等凭证时，机器还是很难替代人工，审核时效慢、成本高、易积压，人工还很难识别出伪冒及冲突等风险。

利楚扫呗就是面临商户入驻核查难的企业之一，支付宝针对这些痛点，为这家聚合支付服务商打造了专属入网审查方案：

采取证照OCR自动识别技术，商户或业务BD用入网工具拍摄上传，系统即可自动上传、自动识别、快速入网，自动查询商户的法人身份证和执照信息是否真实。

这一方案的成功实施，让利楚扫呗现在的日均新入网商户数达到了1500多家。

（编辑：ASP站长网）