Google DeepMind与新加坡政府科技局合作微调了一款端侧诈骗识别模型。它以轻量级Gemma为基础，学习本地常见的冒充政府机构、银行和公众人物等诈骗对话，并计划在用户同意后，由手机直接分析会话、发出实时提醒。这个方案想解决一组长期冲突：诈骗越来越依赖长时间的社会工程，而端到端加密又不允许平台随意读取消息。把判断放到设备上，既可能缩短预警时间，也把权限、误报和设备性能问题带到每一部手机里。

诈骗早已不只是一条可疑链接

官方材料指出，诈骗占新加坡已报告犯罪的一半以上，2019年以来造成的损失超过40亿新元。攻击方式也从简单钓鱼转向更有耐心的对话操纵：假客服先建立信任，假投资顾问不断解释收益，冒充官员的人则用紧迫感迫使受害者转账。此类社会工程造成的损失可占全部诈骗损失的八成。

传统规则擅长识别网址、电话号码和关键词，却很难理解一段对话如何逐步改变人的判断。同一句“把钱转到安全账户”，单独看可能只是普通讨论，放在连续的身份冒充、威胁和催促之后才显出危险。端侧模型要做的不是查找一个禁词，而是从较长的上下文中识别操纵模式。这也是它必须学习本地机构名称、语言习惯和近期骗局的原因。

两阶段识别是为了省电，也为了减少误报

在手机上持续运行复杂模型会消耗电量和算力。DeepMind介绍的方案采用两阶段流程：前一阶段用较轻的检测方法筛选可疑信号，后一阶段再调用微调后的Gemma分析更大的对话片段，确认威胁或排除误报。只有出现足够强的迹象时，系统才进行更深入的判断。

这种设计同时服务于性能和准确率。若每条消息都触发完整推理，用户可能因为耗电、延迟或频繁提醒而关闭功能；若筛选过于激进，又会漏掉缓慢推进的骗局。反诈系统真正的难点不是在实验室里识别一段典型诈骗，而是在真实手机上长期运行，并让提醒数量保持在用户愿意相信的范围内。

端侧处理改变了“谁能看见消息”

项目强调，对话在设备本地处理，Google和新加坡政府不会因为模型部署而获得用户聊天内容。模型进入应用后，也只能在用户同意并遵守该应用使用条款的情况下访问设备上的会话。训练数据不包含公民私人信息或可识别个人身份的信息，而是使用来自诈骗报告和情报材料的匿名化数据；微调在新加坡政府管理的云环境中完成。

这些安排减少了把私人消息集中上传到云端的风险，但“本地运行”并不自动等于没有隐私问题。应用仍需明确说明读取哪些会话、保存什么日志、警报是否会回传，以及用户如何撤回授权。设备被他人控制、系统组件存在漏洞，或应用把风险标签用于其他目的，也可能产生新的伤害。隐私保护是一套持续的权限设计，不是一句“数据不上云”就结束。

误报和漏报都会影响真实决定

当模型把正常对话标成诈骗，用户可能错过合法的银行通知、工作机会或家庭汇款；当模型没有报警，用户又可能把沉默理解成安全保证。反诈提醒因此必须说明自己的角色：它是暂停并核对的信号，不是替用户或执法机构给出最终定性。最有用的提醒应提供可执行动作，例如停止转账、通过官方渠道回拨、不要共享验证码，并保留让用户查看原因和反馈错误的入口。

本地化数据也会随时间失效。诈骗团伙会更换话术、混用语言，甚至反过来研究提示规则。模型需要持续更新，但每次更新都可能改变误报分布。政府与平台应公开测试范围、主要限制和申诉渠道，并按不同语言、年龄群体和设备性能评估效果，避免平均准确率掩盖特定人群受到的误伤。

反诈技术最终要与金融流程接上

手机在转账前发出警告，只能争取几分钟。若银行、支付平台和警方没有快速冻结、核实和报案流程，用户仍可能在对方催促下继续操作。有效的防线需要把端侧识别与交易限额、异常收款账户、可信联系人和官方查询工具结合起来。模型可以理解对话，金融系统则能看到资金路径，两者承担不同责任。

这项合作目前仍计划分阶段进入应用，官方没有把它描述为已经覆盖所有手机的成熟服务。它提供了一条值得观察的路线：在不集中读取私人消息的前提下，让设备理解诈骗叙事。不过，真正的成功标准不是模型在演示中识别了多少案例，而是用户是否愿意开启、提醒是否足够可信、受害金额是否下降，以及错误判断能否被及时纠正。隐私与安全并不是二选一，但两者都需要接受长期检验。