比特币是非法交易天堂吗？比特币真的多半是用于洗钱？根据 MIT-IBM Watson 人工智能实验室研究人员一份最新研究结果给出不一样的结论。该研究分析超过 20 万笔比特币交易数据后，仅判定其中 2％ 是非法交易。这显示加密货币的非法活动如今已经大量被合法交易所取代，问题是在仍缺乏有效的监管技术来管理这些合规经营业务。
加密货币一直以来难以撕去非法交易的标签，但不可否认的是，加密货币行业正在快速发展出广大多样的正规业务，如今比特币交易中的非法活动占比已大幅下降。但由于加密货币的匿名、去中心化等特性，监管机构很难有效监控其在不法犯罪活动中的使用，连累了绝大多数的合法交易也无法取得合规许可，难以正常开展业务。
不过，研究人员现在希望通过机器学习（machine learning）分析比对，来找出不法交易的规律。
（来源：Pixabay）
由麻省理工学院和 IBM 于 2017 年联手成立的 MIT-IBM 沃森人工智能实验室（MIT-IBM Watson AI Lab），近日与区块链研究分析公司 Elliptic 合作，用机器学习软件对 203,769 个、总价值约 60 亿美元的比特币节点交易进行分析，探索人工智能是否可以协助进行反洗钱（anti-money laundering, AML）措施。
根据这一研究的初步结果，发现在这 20 万笔比特币交易数据中，只有大约 2％ 交易被判定是非法的。
虽然这仅是 MIT 研究人员的初步研究结果，但 2％ 非法交易比重，与之前另一家区块链研究公司 Chainalysis 所做的同类研究结果，是大致符合的。Chainalysis 估计，2019 年的比特币交易中有 1％ 已知与非法活动有关。
MIT-IBM Watson 人工智能实验室这项研究的负责人韦伯也撰写一篇博文指出，这是反洗钱议题中截至目前为止公开发布的最大规模标记交易数据集。他并将该实验室相关研究贡献总结为三点：
比特币反洗钱中运用图形卷积网络（Graph Convolutional Networks）实验执行金融取证（Financial Forensics）
动态图形卷积网络（EvolveGCN）的演变
反洗钱的可扩展式图形学习（Graph Learning）
但值得注意的是，MIT 研究人员也仅能将此次研究中的 21％ 交易判定为合法，而大约占 77％ 的大多数交易，都属于无法分类。另外，自比特币网络于 2009 年启动以来，截至目前为止已累积了估计 4.4 亿笔交易。此次研究人员是分析来自于 Elliptic 公司所搜集的数据集，此前未曾公开。
这项研究的负责人，麻省理工学院研究员马克 韦伯（Mark Weber）与 Elliptic 联合创始人汤姆 罗宾森（Tom Robinson），双双接受 CoinDesk 采访。
“总的来讲，虚假肯定（false positives）是合规方面的一个大问题”，罗宾森（Tom Robinson）告诉 CoinDesk，“本次的重要发现是，将机器学习技巧用于找寻非法交易，是非常有效的。” 他补充，有些时候，通过软件可以找出一些很难描述的模式，但却可以符合于某些基于暗网市尝勒赎攻击或其它的犯罪调查等历史数据中的已知实体。
韦伯（Mark Weber）则说，“在反洗钱这方面，我们正在自己的早期实验成果与领域专家共同分享，并寻求反溃”他并补充，“我们也希望，释出 Elliptic 数据集可以激励其他人一同加入，致力于发展反洗钱的新技术与新模型，让我们的金融体系变得更安全。”
Elliptic 是一家位于伦敦的区块链分析与追踪公司，经常与监管执法机构合作，在全世界监控侦测加密货币非法活动。本次研究的目标是找出非法交易的规律模式，以便更容易地找出比特币交易中的非法行为，尤其是在一些无银行帐户（unbanked）的个人或未知的实体之间。
加密货币交易用于非法活动是长期存在的问题，但愈来愈多迹象显示，如今比特币交易中的非法活动占比已大幅下降，也是不可否认的事实。
根据《彭博社》去年一篇报道，美国缉毒局（DEA）特工、网络调查工作组成员因凡特（Lilita Infante）指出，5、6 年前比特币非法交易比重大约高达 90％ 之多，但目前比重已经下降到大约 10％。2014 年时 特币非法交易约仅 4,500 万美元，就占了总量的 90％，今日比重仅约 10％，但交易金额高达近 5 亿美元。
管比特币非法交易金额有巨额增长，但因为合法正规交易成长更多，因此前者的整体占比是下降的。而这凸显出我们应该做的是发展有效监管技术，而非杜绝所有加密货币交易。
对此韦伯在其博文中指出，研究人员对于图形卷积网络（Graph Convolutional Networks, GCN）的潜力感到兴奋，GCN 是一种可以捕获关系信息的新兴方法，这对复杂犯罪网络使用的复杂分层（layer）与混淆格式（obfuscation schemes）非常重要。他也说，“反洗钱（Anti-money laundering, AML）是一个复杂的问题，我们并不会妄想成为拯救世界的超级英雄，但我们相信 AI 技术可以发挥强大作用，我们作为研究人员尽所能来研究这项技术。”
图｜韦伯于 2018 NeurIPS 研讨会简报内容（来源：Youtube）
穷人成反洗钱受害者，而非坏人
韦伯指出，全球 AML 合规的成本高达数百亿美元，且自 2004 年以来年增长率达 15%。尽管如此，我们在防范洗钱的议题上仍无效。欧洲刑警组织估计只有 1% 的非法资金被没收。为了了解原因，我们考量技术与行为挑战，和现有的方式来解决这个难题。
路透社近期对 2,373 家大型全球机构的高阶管理人进行调查，为这些挑战对利益相关者造成的影响提供轮廓。大约有 5% 的交易审核是作为可疑活动报告（Suspicious Activities Reports, SARs）向上提交的，其中只有 10% 的人接受接受执法机关的调查。因此只有 0.5% 的犯罪活动警报会有所行动。
不过，愈来愈严格的反洗钱法规造成了一个意外结果，就是这已严重限制低收入者使用金融服务的权利，由于银行不愿意为低价值客户承担风险，反而使穷人需要付出更多的手续费、更高的成本，才能使用到一般中产阶级所使用的基本金融服务。
“当穷人是很昂贵的”，韦伯表示，“虽然这对保护金融体系的保护至关重要，但对低收入户者、移民者与难民却造成不成比例的负面影响。”
然而，AML 亦不能仅因规则繁琐而被取消。因为，如今全球规模以数十亿美元计的非法产业，像是毒品集团、人口买卖与恐怖组织在全球对人类造成巨大的痛苦。墨西哥毒品集团自 2006 年以来，已杀害 15 万人；每年有高达 70 万的人口“出口”自人口贩运产业中，估计有 4000 万人遭到奴役。这些邪恶的产业都仰赖复杂的洗钱方案来运营。
图｜韦伯于 2018 NeurIPS 研讨会简报内容（来源：Youtube）
从技术上来说，在反洗钱方面有一系列大海捞针（needle-in-a-haystack）的问题，包含实体的分类与大规模、动态、高度的、由高噪音信号比（high noise-to-signal ratios）设置的时间序列交易数据、组合复杂性与非线性的隐藏模式的发现。数据集无论是在组织内部或外部之间，通常是分散的、不正确的、不完整的和/或不一致的。
然而，从多模态（multimodal）数据流中合成的信息很难实现自动化，所以这一工作就落到资源有限的人类分析师身上。但大力要求合规（例如，虚假肯定（false positive）与虚假否定（false negative）的成本不对称）会激发人员过度报告，导致资源有限的政府在执法过程中又出现第二度大海捞针的问题。
图形卷积网络，加密货币反洗钱的正解？
而沃森实验室研究人员的发现是，近期，图形卷积网络（GCN）的研究正在急速加快发展，尤其是在扩展性（scalability）的方面。通过图形卷积网络，研究人员就能开始确定描述出交易节点的特性，并描绘出其中隐藏的特质和模式。而如何找到方式能够有效率的建立模式，却又不需要牺牲正确性，是扩展性的最大挑战。
图｜韦伯于 2018 NeurIPS 研讨会简报内容，图形卷积网络（GCN）用于反洗钱监控（来源：Youtube）
韦伯指出，我们已经见识了深度学习在欧基里德数据（Euclidean data）的非凡成就──音频、图像、视频。直到最近，图形数据仍未普遍。图形数据在结构上是不同的；这与数据间的关系有关。试想一下，社群网络（social networks）、基因表达网络（gene expression networks）、知识图表（knowledge graphs）等称呼，图形就在我们的周围。
在金融领域中，我们可以设想一下交易、对冲与资产管理、供应链金融与优化、贷款与证券化。上述的项目都能使用图表来捕捉不同类型公司间的关系与互动，通常是具有时间序列的组件，且在动态的设置中。问题是，由于图形中任何有意义的大小或密度中的组合复杂性和非线性，让图形的深度学习极度困难。正是这些复杂的隐藏数据让图形数据如此的有趣与重要。
尽管截至目前为止各国监管机构耗费了大量的资源在反洗钱、反资恐等议题上，但事实证明仅有一小部分的非法活动被阻止。而韦伯认为，“这意味着我们所需的不是更多资源；而是更有效的工具。”
本文版权属于 CoinDesk中文
未经授权禁止转载
