2026年10月14日，新加坡国际网络周期间，谷歌DeepMind与新加坡政府科技局联合宣布，双方已开发出一套基于Gemma模型微调的端侧诈骗检测系统，可在用户智能手机本地完成实时威胁识别，全程不将任何对话内容上传至云端服务器。这是谷歌与新加坡政府“国家AI合作伙伴计划”的组成部分，该框架于2026年5月20日正式启动。
问题根源：端到端加密制造了检测盲区
传统基于云端的威胁检测方案依赖将消息上传至服务器进行扫描，但WhatsApp、Signal等主流通讯平台已普遍采用端到端加密——这意味着即便是平台服务商自身，也无法在传输途中读取消息内容。安全检测和隐私保护在架构层面形成直接冲突。
据谷歌DeepMind官方博客披露，新加坡诈骗损失中社会工程学攻击占比已高达80%。自2019年以来，新加坡因诈骗造成的损失已超过40亿新元，诈骗案件占全国已报告犯罪数量的一半以上。诈骗手法高度个性化，通用模型难以识别其中的本地化欺骗话术。
端侧推理在技术层面切断了这个矛盾：分析运行在用户设备内部，对话数据既不经过云端，也不离开手机。加密通讯的隐私承诺得以保留，安全检测同步完成。
双阶段管线：功耗约束下的架构选择
在现代智能手机上持续运行大模型是不现实的。Google DeepMind与GovTech的工程答案是两阶段串联管线。
第一阶段，一个轻量级分类器以极低功耗持续监测新收到的消息，仅做初步筛查。第二阶段，被标记的消息才会触发经过微调的Gemma模型，结合更大范围的对话上下文进行深度研判。一旦检测到操纵性话语模式，设备会即时向用户发出警告。
这套架构给出了在有限算力条件下部署推理模型的工程模板：精度要求低的任务用轻量规则模型覆盖，只在必要时才调用容量更大的语言模型。
主权沙盒：三层治理框架的实质
双方确立了三项约束条件。
其一，“主权沙盒”：Gemma的微调工作在由GovTech管理和维护的谷歌云平台隔离环境中进行，训练数据与外部系统物理隔绝。
其二，“不使用公民数据”：训练数据严格限定为来自诈骗报告和情报信息源的匿名数据集，全程排除私人信息和可识别个人身份的信息。
其三，“压力测试”：模型在合成对话和涵盖多种诈骗类别的本地语料库上进行评估。
GovTech信任与安全总监Mark Chen在发布会上表示：“打击诈骗不应以牺牲个人隐私为代价。”
本地化微调：为何通用模型不够用
该项目选择对Gemma进行专项微调，而非直接部署通用语言模型。训练数据聚焦于冒充新加坡公共机构、银行和本地知名人士的诈骗对话，以及该地区特有的区域性骗局。用于监控本地银行App的骗局话术与英美市场的话术存在明显差异。
这证明了“政府提供领域数据、模型厂商提供基础能力”这一分工模式的可行性。数据提供方保留了对本地知识的控制权，模型厂商贡献了推理基础设施。
部署路径
截至发布之日，该系统尚无公布的部署时间表，也没有宣布任何已接入的合作应用程序。官方表示将通过与新加坡政府合作开发的应用程序进行分阶段推出，并且只有在用户明确同意的前提下才会访问对话内容。
据新加坡媒体Channel NewsAsia报道，新加坡数字发展部长Mrs Josephine Teo在SICW发言时指出，AI正在让反诈骗斗争更难打赢，因为诈骗链条已横跨社交媒体、通讯平台、电话和金融机构。
产业信号：一个可复制的政府AI范式
这个项目的战略价值在于它提供了一种模板。过去几年，各国政府在引入大模型能力时面临共同困境：要么接受云端处理带来的数据主权让渡，要么自建基础设施承担不现实的成本。GovTech与谷歌DeepMind的这次合作给出了第三条路：政府在隔离环境中掌控数据和微调过程，模型厂商提供基础架构和预训练能力，最终产物部署在用户端而非服务器端。
谷歌DeepMind已表示正在探索在其他国家推广类似部署模式。
独立判断
这个项目的技术设计是自洽的：端侧推理绕过了加密限制，双阶段管线解决了功耗约束，主权沙盒给出了数据治理答案。
社会工程学诈骗的核心难点不在于识别已知模板，而在于应对持续演变的话术。一个在历史诈骗报告上微调的模型，面对未来六个月出现的新型骗局，其泛化能力无法事先评估。真正的验证节点，是当这套系统在真实应用中运行足够长时间后，误报率与漏报率的实测数据。
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接