مجموعه ابزارهای امنیتی مبتنی بر هوش مصنوعی بایننس از اوایل سال 2025 تا مارس 2026 مجموعاً از 10.53 میلیارد دلار ضرر کاربران جلوگیری کرد، چنانکه این صرافی در این هفته اعلام کرد. در این بازه زمانی بیش از 5 میلیون کاربر تحت حفاظت قرار گرفتند. تنها در سه ماهه اول 2026، این سیستمها نزدیک به 23 میلیون تلاش کلاهبرداری و فیشینگ را مسدود کرده و حدود 1.98 میلیارد دلار خسارت احتمالی را متوقف کردند.
داخل لایه دفاعی هوش مصنوعی
بایننس بیش از دوجین طرح امنیتی مبتنی بر هوش مصنوعی و بیش از 100 مدل یادگیری ماشین را برای مبارزه با تقلب به کار گرفته است. اکنون هوش مصنوعی نزدیک به 60٪ از کنترلهای تقلب این صرافی را هدایت میکند. این ابزارها تکبعدی نیستند. آنها شامل سیستمهای بینایی کامپیوتری هستند که اسکرینشاتهای جعلی پرداخت را شناسایی میکنند و تحلیل زبان بلادرنگ که الگوهای مکالمه مشکوک را علامتگذاری میکند. همان هوش مصنوعی همچنین درخواستهای تأیید هویت را برای شناسایی دیپفیکها و هویتهای مصنوعی غربال میکند - که سردردی رو به رشد برای پلتفرمهای ارز دیجیتال است.
نرخ تقلب کارت به شدت کاهش یافته
اعداد نتایج واقعی را نشان میدهند. بایننس میگوید ابزارهای هوش مصنوعی آن نرخ تقلب کارت را در مقایسه با میانگین صنعت 60٪ تا 70٪ کاهش داده است. این برای هر صرافی که سعی در تمیز نگه داشتن مسیرهای پرداخت دارد، موضوع مهمی است. اما تصویر کلیتر هشداردهنده است. افبیآی گزارش داد که آمریکاییها در سال 2025 حدود 11 میلیارد دلار را به دلیل کلاهبرداریهای ارز دیجیتال از دست دادند، که در این میان جعلکنندگان هویت مقامات دولتی و شرکتهای ارز دیجیتال بیشترین آسیب را وارد کردند.
ماشین کلاهبرداری ارزانتر میشود
بایننس همچنین اشاره کرد که هزینه اجرای حملات کلاهبرداری ارز دیجیتال - دیپفیکها، رباتهای فیشینگ، شبیهسازی صدا، پلتفرمهای جعلی - به شدت کاهش یافته است. این بدان معناست که بازیگران بد کوچکتر اکنون میتوانند ابزارهایی را بخرند که زمانی متعلق به باندهای سازمانیافته بود. در پاسخ، بایننس 36,000 آدرس مخرب را به عنوان بخشی از لیست سیاه مبتنی بر هوش مصنوعی خود در لیست سیاه قرار داده است. این صرافی میگوید سیستمهای آن تنها در سهماهه اول 2026 نزدیک به 23 میلیون تلاش کلاهبرداری را مسدود کرده است.
آنچه در تصویر گم شده است
بایننس ضررهای جلوگیریشده را بر اساس نوع کلاهبرداری تفکیک نکرده است - هیچ نمودار دایرهای نشان نمیدهد که چه مقدار از فیشینگ در مقابل کلاهبرداریهای عاشقانه در مقابل کلاهبرداری سرمایهگذاری بوده است. این یک شکاف ایجاد میکند. بدون آن جزئیات، تشخیص اینکه خطر باقیمانده در کجا متمرکز است دشوار است، به ویژه با ارزانتر شدن حملات مبتنی بر هوش مصنوعی. اعداد این صرافی چشمگیر است، اما سوالات بیپاسخ در مورد بردارهای تهدید خاص با تطبیق کلاهبرداران اهمیت خواهند داشت.
