如何防控網絡支付風險？尤其是在 “雙十一”零點這樣的尖峯時刻，電子支付平臺不僅要處理超過五十萬筆/秒的洪峯般交易，更要保障安全。要迅速辨識出躲在交易背後盜用他人賬號的“黑手”，可謂難上加難。

對此，中國工程院院士蔣昌俊在近日舉行的“上海人工智能大講堂”上接受澎湃新聞記者專訪時表示, 網絡交易中騙子的騙術各種各樣，而且會不斷更新，不過監管者如果能夠盯着正常用戶的正常行爲，抓住這個規律識別異常就能做到以不變應萬變。”

蔣昌俊在2021年當選信息與電子工程學部院士。蔣昌俊長期致力於網絡金融安全研究，是我國該領域帶頭人。他創建了併發系統行爲理論，攻克了交易風險防控瞬時精準辨識的重大技術難題，主持建立了我國首個網絡交易風險防控體系、系統及標準，併成功應用於網絡經濟、數字治理等多個領域。蔣昌俊現任同濟大學特聘教授，同時也是中國人工智能學會監事長、中國雲產業創新戰略聯盟副理事長。

現如今中國的互聯網交易規模龐大，中國市場已然成爲全球最大的數字支付市場，網絡金融對國民經濟發展具有重大意義，這使得網絡交易的風險防控也成爲國家金融安全的重要組成部分。近年來，金融欺詐、跨境洗錢、貿易逃稅等有組織、有規模的地下詐騙產業已然形成。據不完全統計，2020年我國金融詐騙犯案人數約160萬人，金額4687億元，網絡詐騙嚴重威脅網絡金融安全。

在巨大的交易流量中，如何把惡意交易“既快又準”地辨識出來？

“難點一方面在於，以前的風控以身份認證爲核心，很難甄別身份盜用和交易欺詐；另一方面，交易欺詐呈現高隱匿多變性增長趨勢，面向特定場景（比如支付）的風控技術，難以應對網絡交易跨行業組合欺詐，缺乏普適性和系統性。”蔣昌俊表示。

在上海人工智能大講堂上，蔣昌俊從如何解決網絡交易的高併發、高時效、高辨識三個特性角度，介紹了我國首個互聯網交易風控體系建立的全過程。蔣昌俊表示，核心思想即“以不變應萬變”。

首先是網絡交易的高併發性。“我們現在看到網絡交易系統有多用戶併發訪問、多業務併發操作、多進程併發處理等特點，可以概括爲網絡併發系統行爲，”蔣昌俊表示。而並行計算機是基於順序計算的經典計算機模型方法，像搭積木一樣搭成並行實時的過程，難以分析網絡併發的系統行爲，需要構建全新的併發系統行爲理論。

蔣昌俊談到，通過對併發系統行爲的一些性質，包括行爲相關性，一致相關，受控相關等的分析，即可爲後續併發調度和行爲認證建立理論依據。

蔣昌俊爲網絡併發系統的行爲分析奠定了理論基礎，填補了經典的喬姆斯基層級體系所不能刻畫系統併發行爲及其能級的空白。具體而言，他提出併發語言識別器的PN機模型與併發語言產生器的矢量文法，創立網絡併發系統的PN機理論，構建了刻畫併發系統行爲能力的層級譜系，闡明瞭併發系統交互協同中的行爲相關性關係。

同時，互聯網交易流量巨大，且瞬時突增。對此，蔣昌俊提出“以靜制動”策略，即以靜態業務橫切分解，制導動態數據的實時併發計算。在此基礎上，再對數據流業務網絡進行解耦，分解成最小不可分解的子網，以提高實施併發性。另外，在優化併發系統的計算環境方面，通過建立一系列雙匹配的BM算法，以及時間約束下的一些調度算法等，通過動態優化配置，進而實現“高時效”。

蔣昌俊發現了網絡併發系統數據傳輸容量的性能界限，提出非均衡網絡流量優化計算方法，採用計算任務全局導向的樹型編碼模式，突破了原有網絡計算方法局部傳遞負載所導致的平衡過程長、效率低、算法收斂速度較慢等瓶頸，實現互聯網大規模、非均衡、短時突發等的流量計算。

除了在高併發性、高時效性上解決網絡交易的安全問題，還有從用戶直接行爲分析得來的網絡交易行爲認證。

在網絡交易中，傳統交易認證採用單域管控的身份識別認證方式，即通過網絡安全的身份信息、銀行賬戶的數字密碼等進行認證。然而，這些信息極易被非法騙取，欺詐手段的多變、欺詐隱蔽性增強以及團伙跨域作案都使得這樣的方式效用有限。

如何以不變應萬變？

“以不變應萬變”：從變化的行爲數據中求解不變的行爲紋理

對於實現“以不變應萬變”，蔣昌俊的思路是：從變化的行爲數據中求解獲得不變的行爲紋理。

這也是國際上較早提出的網絡交易風險防控行爲認證方法，但當時普遍採用的是詐騙後總結規則，缺乏統一設計，規則之間缺乏一致性，效率低、準確性差，無法應對層出不窮的詐騙手段。

蔣昌俊帶領團隊另闢蹊徑，提出行爲認證基礎即“行爲認人”。他提出，“現實生活中，每個人的行爲習慣會體現在一言一行中。網絡上也一樣，任何一個細小行爲都會留下‘痕跡’，如使用的設備、時長、頻率……久而久之形成習慣。這種習慣如同指紋一樣難以複製，具有比密碼更復雜的特點，通過深入分析這些‘痕跡’，可以對網絡交易支付用戶進行瞬時精準識別。”

“行爲認人”通過整合普通消費者的資金鍊、消費方式、消費時間、消費地點等多要素、碎片化的信息完成消費規律建模，然後與詐騙者一次性轉移資金的異常分散規律進行比對分析，進而識別出詐騙行爲。在當時應用到網絡交易平臺後，這套方法就將交易識別率從44%提高到96.91%。

目前，該成果已在全球最大的第三方支付平臺支付寶獲得應用，服務於全球200多個國家和地區的9億多支付寶實名用戶。“Paypal的賠付率是千分之1.9，也就是做1000塊錢要賠付1.9元，而我們是百萬分之5，”蔣昌俊表示。

蔣昌俊的團隊也與中國工商銀行、上海自貿區等單位建立了合作關係，通過融e行、自貿區企業行爲風險防控技術等產品對金融系統進行安全監控管理。

到這裏可以思考一個更爲宏觀的問題，AI如何切實落地場景起到實效？

蔣昌俊對澎湃新聞（www.thepaper.cn）表示，“人工智能的發展是一個長期的過程，深度學習確實解決了一些問題，但不能期待其能一下解決所有問題。還沒有達到這個程度，如果期待過高，時間久了反而會起反作用。從我的經驗來看，不如找準問題，找準對策，紮紮實實解決問題。”

AI的未來：紮根真實場景，突破基礎研究短板

“目前，我國在智能交通、互聯網金融、智慧醫療等領域已經取得了初步的應用成果。國內互聯網企業也紛紛規劃人工智能藍圖，比如百度的自動駕駛，阿里的城市大腦智能交通，騰訊的醫療讀片和醫療影像資料處理，科大訊飛的語音識別；寒武紀、科大訊飛、商湯科技爲代表的初創企業在技術上不斷創新；海康威視佔據全球智能安防企業的第一名。這些都是我國在AI產業中取得的實際成就。”蔣昌俊曾表示。

蔣昌俊同時指出，當前我國人工智能產業尚未形成有影響力的生態圈和產業鏈，與美國、歐洲相比，更加集中於應用落地，但在基礎理論和原創算法方面發展薄弱，缺乏突破性、標誌性研究成果，在共性技術平臺、智能芯片等方面的發展也相對薄弱。

“從我國人工智能領域發展角度講，我們很注重應用方面，但基礎研究依然是短板，人工智能領域重大的理論和技術大都源自西方國家。基礎科學研究的特點是需要大量資源、投入週期長、不確定性大和風險高等，這決定了其難以在短期內見效，但只有長期投入，保持耐心才能實現真正持久的創新與源源不斷的技術發展。”蔣昌俊進一步說道。

值得注意的是，“對數據的理解非常重要，”蔣昌俊對澎湃新聞（www.thepaper.cn）提到，深度學習依賴於大量喂數據，那麼要判斷它合適不合適，光從模型、算法上考慮是不夠的。“我認爲讓AI能夠見效的一個很好切入點，即是對大數據有一些理論和分析方法。如果對大數據的結構特徵、邊界特徵和條件特徵等有結論，那麼自然就知道數據的形態如何。在對數據有了深刻理解以後，在算法設計時就能更好適應及貼近數據，起到更好效果。目前有圖譜學、函數逼近論、隨機分析等，但還是缺少的。”

那麼如何思考AI的未來？

蔣昌俊曾談到，傳統的AI注重從感知到認知的過程，實現從邏輯到計算的不斷提升；而當前的AI，則是由弱到強的智能，是從閉環到開環、從確定到非定的系統。

他進一步作了解釋，“目前的神經網絡模型大都側重對數據的計算層面。事實上，一個高級的智能機器應該具有環境感知與邏輯推理的能力。將AI的演算和計算進行融合，結合基於規則系統的推理能力和神經網絡的學習能力，即可構建一個更強大的AI模型，推理能力也可以幫助減少神經網絡學習新事物時所需的數據量。這樣的交互和融合將是當前AI由弱到強的主要突破口。”

蔣昌俊認爲，在構建類腦認知模型中，目前脈衝神經網絡的神經元以電脈衝的形式對信息進行編碼，更接近真實神經元對信息的編碼方式，能夠很好地編碼時間信息。而由於脈衝訓練缺乏高效的學習方法且需耗費大量算力，在性能上與深度網絡等模型還存在一定差距。“未來，兩類模型仍需要不斷從腦科學中吸取營養並不斷融合，發展性能更好、效能更高的新一代神經網絡模型。”

在被問及學會、研究機構等在AI未來發展中的角色，蔣昌俊對澎湃新聞表示，無論是學會還是研究機構，本質上都在賦能企業，要做好這件事就要深入具體問題，比如只有真正理解交易過程的場景、規律、業務特點，才能解決問題。

蔣昌俊曾談及30年科研歷程的體會，“回顧30年來的科研歷程，我深切感受到，基礎創新是破解科技難題的法寶。當今時代，科技發展日新月異，面對科技創新的挑戰，我們要更加重視基礎創新，要不斷回顧領域發展歷史，梳理演進脈絡，找準切入點，開闊思路、大膽創新、嚴謹求實，着力求解難題。”