比特幣是非法交易天堂？麻省理工大規模研究結果顯示：僅有 2％

比特幣是非法交易天堂嗎？比特幣真的多半是用於洗錢？根據 MIT-IBM Watson 人工智慧實驗室研究人員一份最新研究結果給出不一樣的結論。該研究分析超過 20 萬筆比特幣交易數據後，僅判定其中 2％ 是非法交易。這顯示加密貨幣的非法活動如今已經大量被合法交易所取代，問題是在仍缺乏有效的監管技術來管理這些合規經營業務。

加密貨幣一直以來難以撕去非法交易的標籤，但不可否認的是，加密貨幣行業正在快速發展出廣大多樣的正規業務，如今比特幣交易中的非法活動佔比已大幅下降。但由於加密貨幣的匿名、去中心化等特性，監管機構很難有效監控其在不法犯罪活動中的使用，連累了絕大多數的合法交易也無法取得合規許可，難以正常開展業務。

不過，研究人員現在希望通過機器學習（machine learning）分析比對，來找出不法交易的規律。

（來源：Pixabay）

由麻省理工學院和 IBM 於 2017 年聯手成立的 MIT-IBM 沃森人工智慧實驗室（MIT-IBM Watson AI Lab），近日與區塊鏈研究分析公司 Elliptic 合作，用機器學習軟體對 203,769 個、總價值約 60 億美元的比特幣節點交易進行分析，探索人工智慧是否可以協助進行反洗錢（anti-money laundering, AML）措施。

根據這一研究的初步結果，發現在這 20 萬筆比特幣交易數據中，只有大約 2％ 交易被判定是非法的。

雖然這僅是 MIT 研究人員的初步研究結果，但 2％ 非法交易比重，與之前另一家區塊鏈研究公司 Chainalysis 所做的同類研究結果，是大致符合的。Chainalysis 估計，2019 年的比特幣交易中有 1％ 已知與非法活動有關。

MIT-IBM Watson 人工智慧實驗室這項研究的負責人韋伯也撰寫一篇博文指出，這是反洗錢議題中截至目前為止公開發布的最大規模標記交易數據集。他並將該實驗室相關研究貢獻總結為三點：

比特幣反洗錢中運用圖形卷積網路（Graph Convolutional Networks）實驗執行金融取證（Financial Forensics）

動態圖形卷積網路（EvolveGCN）的演變

反洗錢的可擴展式圖形學習（Graph Learning）

但值得注意的是，MIT 研究人員也僅能將此次研究中的 21％ 交易判定為合法，而大約佔 77％ 的大多數交易，都屬於無法分類。另外，自比特幣網路於 2009 年啟動以來，截至目前為止已累積了估計 4.4 億筆交易。此次研究人員是分析來自於 Elliptic 公司所搜集的數據集，此前未曾公開。

這項研究的負責人，麻省理工學院研究員馬克?韋伯（Mark Weber）與 Elliptic 聯合創始人湯姆?羅賓森（Tom Robinson），雙雙接受 CoinDesk 採訪。

「總的來講，虛假肯定（false positives）是合規方面的一個大問題」，羅賓森（Tom Robinson）告訴 CoinDesk，「本次的重要發現是，將機器學習技巧用於找尋非法交易，是非常有效的。」?他補充，有些時候，通過軟體可以找出一些很難描述的模式，但卻可以符合於某些基於暗網市場、勒贖攻擊或其它的犯罪調查等歷史數據中的已知實體。

韋伯（Mark Weber）則說，「在反洗錢這方面，我們正在自己的早期實驗成果與領域專家共同分享，並尋求反饋。」他並補充，「我們也希望，釋出 Elliptic 數據集可以激勵其他人一同加入，致力於發展反洗錢的新技術與新模型，讓我們的金融體系變得更安全。」

Elliptic 是一家位於倫敦的區塊鏈分析與追蹤公司，經常與監管執法機構合作，在全世界監控偵測加密貨幣非法活動。本次研究的目標是找出非法交易的規律模式，以便更容易地找出比特幣交易中的非法行為，尤其是在一些無銀行帳戶（unbanked）的個人或未知的實體之間。

加密貨幣交易用於非法活動是長期存在的問題，但愈來愈多跡象顯示，如今比特幣交易中的非法活動佔比已大幅下降，也是不可否認的事實。

根據《彭博社》去年一篇報道，美國緝毒局（DEA）特工、網路調查工作組成員因凡特（Lilita Infante）指出，5、6 年前比特幣非法交易比重大約高達 90％ 之多，但目前比重已經下降到大約 10％。2014 年時 特幣非法交易約僅 4,500 萬美元，就佔了總量的 90％，今日比重僅約 10％，但交易金額高達近 5 億美元。

管比特幣非法交易金額有巨額增長，但因為合法正規交易成長更多，因此前者的整體佔比是下降的。而這凸顯出我們應該做的是發展有效監管技術，而非杜絕所有加密貨幣交易。

對此韋伯在其博文中指出，研究人員對於圖形卷積網路（Graph Convolutional Networks, GCN）的潛力感到興奮，GCN 是一種可以捕獲關係信息的新興方法，這對複雜犯罪網路使用的複雜分層（layer）與混淆格式（obfuscation schemes）非常重要。他也說，「反洗錢（Anti-money laundering, AML）是一個複雜的問題，我們並不會妄想成為拯救世界的超級英雄，但我們相信 AI 技術可以發揮強大作用，我們作為研究人員盡所能來研究這項技術。」

圖｜韋伯於 2018 NeurIPS 研討會簡報內容（來源：Youtube）

窮人成反洗錢受害者，而非壞人

韋伯指出，全球 AML 合規的成本高達數百億美元，且自 2004 年以來年增長率達 15%。儘管如此，我們在防範洗錢的議題上仍無效。歐洲刑警組織估計只有 1% 的非法資金被沒收。為了了解原因，我們考量技術與行為挑戰，和現有的方式來解決這個難題。

路透社近期對 2,373 家大型全球機構的高階管理人進行調查，為這些挑戰對利益相關者造成的影響提供輪廓。大約有 5% 的交易審核是作為可疑活動報告（Suspicious Activities Reports, SARs）向上提交的，其中只有 10% 的人接受接受執法機關的調查。因此只有 0.5% 的犯罪活動警報會有所行動。

不過，愈來愈嚴格的反洗錢法規造成了一個意外結果，就是這已嚴重限制低收入者使用金融服務的權利，由於銀行不願意為低價值客戶承擔風險，反而使窮人需要付出更多的手續費、更高的成本，才能使用到一般中產階級所使用的基本金融服務。

「當窮人是很昂貴的」，韋伯表示，「雖然這對保護金融體系的保護至關重要，但對低收入戶者、移民者與難民卻造成不成比例的負面影響。」

然而，AML 亦不能僅因規則繁瑣而被取消。因為，如今全球規模以數十億美元計的非法產業，像是毒品集團、人口買賣與恐怖組織在全球對人類造成巨大的痛苦。墨西哥毒品集團自 2006 年以來，已殺害 15 萬人；每年有高達 70 萬的人口「出口」自人口販運產業中，估計有 4000 萬人遭到奴役。這些邪惡的產業都仰賴複雜的洗錢方案來運營。

圖｜韋伯於 2018 NeurIPS 研討會簡報內容（來源：Youtube）

從技術上來說，在反洗錢方面有一系列大海撈針（needle-in-a-haystack）的問題，包含實體的分類與大規模、動態、高度的、由高噪音信號比（high noise-to-signal ratios）設置的時間序列交易數據、組合複雜性與非線性的隱藏模式的發現。數據集無論是在組織內部或外部之間，通常是分散的、不正確的、不完整的和/或不一致的。

然而，從多模態（multimodal）數據流中合成的信息很難實現自動化，所以這一工作就落到資源有限的人類分析師身上。但大力要求合規（例如，虛假肯定（false positive）與虛假否定（false negative）的成本不對稱）會激發人員過度報告，導致資源有限的政府在執法過程中又出現第二度大海撈針的問題。

圖形卷積網路，加密貨幣反洗錢的正解？

而沃森實驗室研究人員的發現是，近期，圖形卷積網路（GCN）的研究正在急速加快發展，尤其是在擴展性（scalability）的方面。通過圖形卷積網路，研究人員就能開始確定描述出交易節點的特性，並描繪出其中隱藏的特質和模式。而如何找到方式能夠有效率的建立模式，卻又不需要犧牲正確性，是擴展性的最大挑戰。

圖｜韋伯於 2018 NeurIPS 研討會簡報內容，圖形卷積網路（GCN）用於反洗錢監控（來源：Youtube）

韋伯指出，我們已經見識了深度學習在歐基里德數據（Euclidean data）的非凡成就──音頻、圖像、視頻。直到最近，圖形數據仍未普遍。圖形數據在結構上是不同的；這與數據間的關係有關。試想一下，社群網路（social networks）、基因表達網路（gene expression networks）、知識圖表（knowledge graphs）等稱呼，圖形就在我們的周圍。

在金融領域中，我們可以設想一下交易、對沖與資產管理、供應鏈金融與優化、貸款與證券化。上述的項目都能使用圖表來捕捉不同類型公司間的關係與互動，通常是具有時間序列的組件，且在動態的設置中。問題是，由於圖形中任何有意義的大小或密度中的組合複雜性和非線性，讓圖形的深度學習極度困難。正是這些複雜的隱藏數據讓圖形數據如此的有趣與重要。

儘管截至目前為止各國監管機構耗費了大量的資源在反洗錢、反資恐等議題上，但事實證明僅有一小部分的非法活動被阻止。而韋伯認為，「這意味著我們所需的不是更多資源；而是更有效的工具。」

本文版權屬於 CoinDesk 中文

未經授權禁止轉載

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！