DeepMind 聯手新加坡推端側 Gemma 防詐：本地研判話術，資料不上雲

現在騙子的手段早就不是發一條帶木馬連結的簡訊那麼簡單了，他們往往會花幾天甚至幾週陪你聊天，從拉家常、聊投資到冒充公職人員，一步步誘導轉賬。

在新加坡，這種靠多輪對話實施的複雜社交工程詐騙，佔到了 2019 年以來全部 40 億新元詐騙損失的 80%。

Google DeepMind 聯手新加坡政府科技局（GovTech Singapore）在新加坡國際網路周（SICW 2026）上公佈了一項新成果：他們微調了一個專門用於檢測對話詐騙的端側 Gemma 模型，既能在手機本地即時攔截騙局，又完全不洩露聊天隱私。

手機本地抓騙子：兩級流水線省電防誤報

傳統的反詐攔截大多依賴雲端伺服器掃描訊息，但在點對點加密的聊天軟體裡，這種做法根本走不通，使用者也不可能願意把私人聊天記錄上傳到雲端。

針對這個矛盾，DeepMind 把微調後的 Gemma 模型直接塞進了手機端側執行。為了解決手機跑大模型耗電太快的問題，他們設計了一套兩級流水線。

第一級是一個極輕量的分類器，它在後臺以極低功耗篩查接收到的訊息，專門捕捉潛在的異常訊號。

只有當第一級發現可疑跡象時，才會觸發第二級的微調 Gemma 模型。此時模型會對多輪對話的上下文切片進行深入分析，判斷是否存在操控意圖，從而確認威脅或排除誤報。

一旦模型判定對方正在試圖行騙，手機就會在本地直接彈窗發出即時警告，提醒使用者在轉賬或提供敏感資訊前暫停操作。

整個過程完全在端側本地執行，只有在獲得使用者明確同意後才會訪問對話內容，無論是新加坡政府還是 Google 都無法拿到使用者的聊天記錄。

針對本地化話術特訓，資料不出沙盒

通用的 AI 模型往往聽不懂特定地區的行話和套路，很難識別本地化的偽裝話術。

這次合作中，雙方針對新加坡本地常見的話術進行了定向微調，涵蓋假冒當地公共機構、銀行、知名人物，以及區域內流行的各種詐騙劇本，確保模型能分清正常社交閒聊與蓄意誘導。

在資料安全方面，雙方設定了嚴格的治理規則。

模型的微調工作完全在新加坡 GovTech 自主管理的 GCP 沙盒環境中進行，訓練資料徹底隔離。

訓練過程嚴格排除了任何公民的個人隱私資訊，全部使用來自詐騙舉報和情報源的匿名化資料集，並結合合成對話與本地語料進行了高強度壓力測試。

雙方表示，未來該模型在各類應用中的落地將分階段穩步推進。

為什麼重要

我們認為，這項合作切中了一個極其關鍵的行業痛點：在端到端加密普及的今天，平臺到底該怎麼保護使用者不上當受騙。

以往的安全審查往往要在隱私和安全之間二選一，如果把聊天內容傳到雲端分析，加密就名存實亡；如果不看內容，就只能眼睜睜看著騙子用話術把受害者掏空。DeepMind 和新加坡政府拿出的解法很聰明，把小模型搬到裝置本地，利用本地算力和兩級流水線架構，在不打破端到端加密的前提下實現了即時防禦。

對使用者來說，這項技術一旦整合進常用的通訊軟體，最大的價值在於防範沉沒成本極高的「殺豬盤」或投資騙局。它不是簡單過濾垃圾簡訊，而是在你被騙子聊得暈頭轉向時，從本地拉你一把，而且你完全不用擔心自己的私聊記錄被大公司或政府窺視。

但隱患同樣存在。本地模型的誤報率將直接決定這項功能的生死：如果正常談生意或朋友借錢頻繁被彈窗警告，使用者很快就會選擇關閉許可權；此外，騙子一旦獲取到端側模型，也很容易在本地進行對抗性測試，針對性地繞過關鍵詞和特定句式。這會逼著反詐模型像防毒軟體病毒庫一樣，必須具備頻繁且小巧的本地更新能力。