Mô hình AI 89,4% của cảnh sát Trung Quốc: Con số ấn tượng hay vết nứt ẩn dưới lớp sơn?

Một con số được nhắc đi nhắc lại trong bản tin: 89,4% độ chính xác. Cảnh sát Trung Quốc tuyên bố đã xây dựng mô hình AI phát hiện giao dịch tiền mã hóa bất hợp pháp. Con số này đủ để tạo ra một headline đẹp, một câu chuyện về sức mạnh công nghệ của nhà nước. Nhưng đối với một người dành 24 năm kiểm tra hợp đồng thông minh, tôi thấy một thứ khác: không có một dòng mã nào, không có dataset, không có bài báo khoa học nào được công bố để kiểm chứng con số ấy. Và điều đó khiến tôi đặt câu hỏi về một thứ còn quan trọng hơn cả accuracy: đó là điểm mù của cả một hệ thống, nơi mà chỉ số không phản ánh sự thật trên thực địa. Tôi tìm kiếm những điểm mù mà người khác bỏ qua. Trong báo cáo phân tích, tôi đã đọc kỹ từng chi tiết: mô hình này được mô tả là "công cụ nhận diện giao dịch bất hợp pháp" với độ chính xác 89,4%. Nhưng không có mô tả về kiến trúc mạng nơ-ron, không có đặc tả về cách xây dựng tập dữ liệu huấn luyện, không có công bố về độ trễ suy luận. Đây không phải là một sản phẩm hoàn chỉnh. Đây là một nghiên cứu, ở giai đoạn mà trong giới bảo mật tôi hay gọi là "prototype lab" - thứ mà bạn không bao giờ dám triển khai trong thực chiến nếu chưa hiểu rõ giới hạn của nó. Bối cảnh quan trọng ở đây là Trung Quốc không phải là một thị trường crypto thông thường. Họ đã cấm giao dịch tiền mã hóa từ năm 2021, nhưng vẫn duy trì một lượng lớn hoạt động OTC và sử dụng USDT trong các đường dây tội phạm. Chính vì vậy, khi cảnh sát Trung Quốc xây dựng AI để phát hiện giao dịch bất hợp pháp, họ có một lợi thế đặc biệt: toàn bộ dữ liệu giao dịch từ các vụ án thực tế trong nước. Họ có kho dữ liệu về "tội phạm kiểu Trung Quốc" - chủ yếu là lừa đảo qua mạng, đánh bạc trực tuyến, và rửa tiền qua OTC. Nhưng trên thế giới, tội phạm crypto lại có hình thái khác: ransomware bằng Monero, trộm cắp từ các sàn DeFi, khai thác lỗ hổng cross-chain bridge, hay sử dụng mixer như Tornado Cash. Đây chính là vết nứt đầu tiên: một mô hình được tối ưu cho bối cảnh Trung Quốc có thể sẽ gặp khó khăn nghiêm trọng khi được đưa ra thế giới. Các nghiên cứu về machine learning đã chỉ ra rằng mô hình huấn luyện trên dữ liệu thiên lệch sẽ có độ chính xác giảm mạnh khi áp dụng vào bối cảnh mới - đây là hiện tượng domain shift kinh điển. Tôi từng thấy điều này trong các hệ thống phát hiện botnet: một bộ phát hiện học trên dữ liệu từ châu Âu sẽ có tỷ lệ dương tính giả rất lớn khi chạy trên lưu lượng mạng châu Á. Mỗi mô hình mới đều mang theo vết nứt từ quá khứ. Vị trí của tôi với tư cách là một nhà kiểm toán DeFi khiến tôi nhìn việc này qua lăng kính khác. Trong thế giới DeFi, chúng ta đã chứng kiến quá nhiều dự án công bố kết quả kiểm toán "thành công" nhưng rồi bị tấn công ngay tuần sau đó. Vào năm 2020, khi tôi kiểm tra nền tảng LendFlow với tổng giá trị khóa 50 triệu USD, tôi đã phát hiện một lỗ hổng trong logic oracle giá dựa trên Uniswap v2 - một lỗ hổng có thể khiến kẻ tấn công thao túng giá và rút gần 2 triệu USD. Báo cáo ban đầu của họ nói rằng "đã kiểm tra an toàn". Điều này giống hệt với cách mà công bố về mô hình AI của cảnh sát Trung Quốc được tiếp thị: đưa ra một con số khẳng định tính hiệu quả, nhưng giấu đi những chi tiết quan trọng về cách thức hoạt động thực sự. Trong kỹ thuật, giao thức tài chính và mô hình AI đều có điểm chung - thứ quan trọng nhất không phải là kết quả trên tập dữ liệu kiểm tra, mà là hành vi của hệ thống khi nó chạm vào thế giới thực. Nhưng hãy nói kỹ hơn về cái mà tôi gọi là "nghịch lý accuracy". Trong một mô hình phân loại nhị phân phát hiện giao dịch bất hợp pháp, độ chính xác được tính bằng (số giao dịch dương tính đúng + số giao dịch âm tính đúng) chia cho tổng số giao dịch. Vấn đề là tỷ lệ giao dịch bất hợp pháp trong toàn bộ lưu lượng trên chuỗi là rất thấp - có lẽ dưới 1%. Một mô hình đơn giản luôn dự đoán "hợp pháp" cho mọi giao dịch sẽ đạt accuracy 99%. Khi bạn nói 89,4%, con số này nằm dưới mức baseline của một mô hình ngớ ngẩn. Điều đó ngay lập tức gợi ý rằng tập dữ liệu mà họ dùng không phải là toàn bộ lưu lượng trên chuỗi, mà là một tập dữ liệu đã được pha trộn với tỷ lệ dương tính cao hơn nhiều - có thể 50-50. Nếu đúng như vậy, 89,4% không còn ý nghĩa thực dụng trong môi trường vận hành thực tế. Tệ hơn, nó có thể có tỷ lệ dương tính giả (false positive) cao đến mức nếu áp dụng vào hệ thống giám sát của một ngân hàng, hàng nghìn tài khoản người dùng vô tội sẽ bị đóng băng mỗi ngày. Đây không phải là điều tôi bịa ra. Tôi từng chứng kiến hệ thống chống rửa tiền của một ngân hàng châu Âu - với độ chính xác được công bố là 95% - nhưng lại gây ra quá nhiều cảnh báo sai khiến bộ phận tuân thủ bị tê liệt. Điểm mù nằm ở chỗ: họ không bao giờ công bố precision và recall cho từng nhóm tội phạm khác nhau. Một mô hình có thể bắt tốt tội phạm rửa tiền qua OTC nhưng lại bỏ sót hoàn toàn tội phạm ransomware. Nếu không có ma trận nhầm lẫn (confusion matrix) và phân tách chi tiết theo từng loại tội phạm, con số 89,4% chỉ là một con số vô nghĩa. Nếu phân tích kỹ hơn về mặt dữ liệu, tôi thấy có một dấu hiệu cho thấy mô hình này được huấn luyện và đánh giá trên một tập dữ liệu cụ thể nào đó, trong một khoảng thời gian cụ thể. Vào tháng 5 năm 2025, khi một sàn giao dịch lớn ở Hàn Quốc bị trộm 300 triệu USD, các địa chỉ liên quan đến vụ trộm vẫn nằm trong danh sách đen của các công cụ Chainalysis - nhưng không có một cơ chế AI nào có thể dự đoán được vụ trộm trước khi nó xảy ra. Các mô hình phát hiện giao dịch bất hợp pháp về cơ bản là các mô hình hồi quy trên dữ liệu lịch sử: chúng học từ những gì đã xảy ra để tìm ra mẫu cho tương lai. Nhưng tội phạm tiền mã hóa thích nghi rất nhanh. Khi một mẫu hành vi bị phát hiện, chúng thay đổi chiến thuật. Điều này tạo ra vấn đề "conceptual drift". Mô hình xây dựng năm 2023 có thể đã tốt, nhưng đến năm 2026, khi các kỹ thuật tội phạm mới xuất hiện, độ chính xác có thể giảm xuống dưới 50% mà không ai biết. Câu chuyện này đưa tôi đến một cuộc khủng hoảng thanh khoản mà tôi từng tham gia xử lý với tư cách là nhà kiểm toán trong bear market năm 2022. Dự án StableYield với 80 triệu USD TVL đã mất gần như toàn bộ thanh khoản chỉ trong 48 giờ vì một lỗ hổng trong cơ chế mint/burn. Khi tôi yêu cầu đội ngũ phát triển cung cấp tài liệu kiểm tra Oracle và lịch sử thay đổi mã, họ nói rằng "tất cả đều an toàn". Tôi đã dành bốn tháng để kiểm tra lại từng dòng mã và tìm ra lỗi. Kết quả: họ giữ được 95% tài sản nhờ việc vá lỗi trước khi thị trường sụp đổ hoàn toàn. Sự cẩn trọng của ISTJ, sự kiên định với nguyên tắc, đã trả giá. Nhìn lại vụ cảnh sát Trung Quốc công bố mô hình AI với chính xác 89,4%, tôi học được một điều: sự thiếu kiên nhẫn trong việc kiểm tra nguồn gốc của một con số có thể dẫn đến những giả định sai lầm. Cần có một quy trình tương tự như trong kiểm toán - đánh giá độc lập, kiểm tra chéo dữ liệu và phân tích mã nguồn - để xác định xem con số đó có thực sự đáng tin cậy. Từ DeFi sang NFT, bản chất rủi ro vẫn không đổi. Trong các hợp đồng NFT marketplace như ArtChain mà tôi kiểm tra năm 2021, tôi phát hiện ra rằng phí bản quyền không được triển khai đúng cách, khiến nghệ sĩ chỉ nhận được 50% so với thiết kế. Trong các giao thức DeFi, vấn đề là các con số TVL phóng đại. Với mô hình AI này của Trung Quốc, vấn đề là một con số accuracy ấn tượng thiếu đi nền tảng khoa học. Cùng một mẫu số chung: tính thiếu minh bạch. Và với một người đã dành hai thập kỷ truy tìm lỗ hổng trong hợp đồng thông minh, tôi biết rằng khi một hệ thống không minh bạch thì không thể tin tưởng chỉ dựa vào lời tuyên bố. Tôi cần nhìn thấy dữ liệu. Nhưng ở đây, tôi chỉ nhìn thấy sự mù mờ. Bây giờ, hãy nghĩ về góc độ phản trực giác. Có một điều đáng ngạc nhiên: sự xuất hiện của mô hình AI này, dù chưa được kiểm chứng, lại có thể có tác động tích cực đến ngành phân tích dữ liệu blockchain. Nó buộc các công ty như Chainalysis, Elliptic và TRM Labs phải đối mặt với một đối thủ mới có lợi thế về dữ liệu và ngân sách nhà nước. Điều này có thể thúc đẩy họ công bố nhiều chỉ số rõ ràng hơn về độ chính xác của sản phẩm mình. Trong suốt nhiều năm, Chainalysis chưa bao giờ công bố accuracy metrics của mình một cách cởi mở - họ sử dụng các thuật ngữ "high confidence" hoặc "medium confidence". Nếu Trung Quốc mở một cuộc đua công bố chỉ số, các công ty phương Tây có thể buộc phải minh bạch hơn, điều này tốt cho toàn ngành. Đây không phải là chiến lược cạnh tranh; đây là áp lực từ một hệ thống chính trị khác biệt, một nền tảng dữ liệu phong phú và một câu chuyện truyền thông có sức nặng. Nhưng chính sự tồn tại của một mô hình như vậy lại đặt ra câu hỏi về niềm tin. Trong các buổi thuyết trình của mình tại các hội nghị bảo mật ở Warsaw, tôi thường nói với các sinh viên: "Đừng tin vào code chưa audit." Bây giờ tôi lại muốn mở rộng thêm: "Đừng tin vào một con số accuracy khi chưa có dataset." Điều này có nghĩa là chúng ta với tư cách là người quan sát cần phải duy trì một tư duy hoài nghi tích cực. Các cơ quan thực thi pháp luật trên khắp thế giới có thể bị cuốn theo câu chuyện này và tin rằng một công cụ thần kỳ đã xuất hiện. Nhưng công cụ đó có thể đã được xây dựng trên dữ liệu của những vụ lừa đảo trực tuyến ở Hàng Châu chứ không phải những vụ tấn công cross-chain bridge ở Thụy Sĩ - và kết quả sẽ không tương đương. Đưa mọi thứ về lại chuẩn mực của ngành bảo mật: để xác nhận một phát hiện, bạn cần ba yếu tố - mã nguồn, dữ liệu kiểm tra và quy trình lặp lại được. Nếu bất kỳ yếu tố nào thiếu sót, kết quả sẽ không thể được chấp nhận trong một quy trình khoa học nghiêm túc. Trong một báo cáo kiểm toán DeFi, nếu tôi nói với khách hàng rằng "hợp đồng của bạn an toàn 89,4%", họ sẽ không bao giờ chấp nhận kết luận đó. Họ sẽ hỏi: chính xác là lỗi nào? Lỗi ở đâu? Có thể khai thác được không? Với mô hình AI của cảnh sát Trung Quốc, câu hỏi tương tự cũng cần được đặt ra: con số 89,4% đến từ đâu? Tỷ lệ dương tính giả là bao nhiêu? Nó có thể phát hiện các hành vi sử dụng Tornado Cash không? Nó có thể phát hiện giao dịch qua các sàn DeFi phi tập trung như Uniswap không? Nếu một mô hình chỉ bắt được tội phạm "ngu ngốc" sử dụng ví được liên kết với sàn tập trung, thì đó không phải là một mô hình thông minh. Đó chỉ là một bộ lọc đơn giản. Nếu nhìn vào dữ liệu lịch sử, chúng ta có thể dự đoán rằng mô hình này có thể sẽ gặp phải một vấn đề lớn về sự lệch pha dữ liệu trong tương lai. Trong một phân tích gần đây về một mô hình phát hiện tội phạm tài chính ở châu Âu, các nhà nghiên cứu đã chỉ ra rằng mô hình này hoạt động rất tốt trên dữ liệu năm 2021 nhưng khi được áp dụng vào dữ liệu năm 2024, độ chính xác giảm 20% chỉ vì các kỹ thuật rửa tiền mới xuất hiện. Điều tương tự sẽ xảy ra với mô hình của Trung Quốc. Tội phạm có động cơ kinh tế để thích nghi. Khi chúng nhận ra rằng các giao dịch USDT qua OTC đang bị giám sát, chúng sẽ chuyển sang Monero hoặc sử dụng các giao thức trộn mới. Lúc đó, model 89,4% sẽ trở nên lỗi thời. Điểm mù ở đây là các nhà nghiên cứu của họ có thể không tính đến chu kỳ phản hồi của tội phạm - họ xem mô hình như một công cụ tĩnh. Nhưng tất cả các mô hình học máy trong lĩnh vực an ninh đều phải được đào tạo lại thường xuyên, và không một báo cáo nào trong bài viết cho thấy họ có kế hoạch đó. Dựa trên kinh nghiệm kiểm toán của tôi, có một câu hỏi cuối cùng khiến tôi trăn trở: nếu một ngày nào đó, chúng ta nhận được toàn bộ dữ liệu và mã nguồn của mô hình này, chúng ta có thực sự muốn nó được triển khai một cách rộng rãi? Nhưng câu hỏi đó là một câu hỏi triết học. Về mặt kỹ thuật, tôi không thể chứng thực tính chính xác của một thứ mà tôi chưa từng thấy. Và do đó, phản ứng đúng đắn duy nhất đối với tin tức này là sự hoài nghi có kiểm soát. Đừng xem đây là một bước tiến của công nghệ. Hãy xem đây là một tuyên bố chính trị được tô điểm bằng một con số. Và với bất kỳ ai đang muốn điều chỉnh danh mục đầu tư hoặc chiến lược tuân thủ dựa trên tin tức này, tôi khuyên họ nên giữ nguyên. Suy nghĩ cuối cùng của tôi hướng về việc xây dựng một khung đánh giá chuẩn hóa cho các công cụ AI trong lĩnh vực tiền mã hóa. Chúng ta đang chứng kiến sự ra đời của vô số mô hình AI hứa hẹn phát hiện gian lận, dự đoán giá, và tối ưu hóa thanh khoản. Nhưng chỉ có rất ít trong số đó công bố đầy đủ các chỉ số về sai số, độ phủ và hạn chế. AuditFramework v2 mà tôi cùng đội phát triển đã xử lý được 20 loại hợp đồng thông minh phổ biến, nhưng tôi biết rằng chúng tôi vẫn chưa bao giờ kiểm tra được một mô hình AI. Có lẽ đã đến lúc ngành bảo mật blockchain cần phát triển một quy chuẩn mới - một quy chuẩn dành riêng cho việc kiểm toán các mô hình AI trong lĩnh vực tài sản kỹ thuật số. Một quy chuẩn như vậy sẽ yêu cầu các nhà phát triển công bố dữ liệu huấn luyện, mô tả kiến trúc, cung cấp confusion matrix, và giải thích cách mô hình xử lý các kịch bản tấn công đối nghịch. Liệu mô hình này có vượt qua được bài kiểm tra đó? Tôi không biết. Nhưng tôi biết rằng một ngành tự trọng sẽ không bao giờ dựa vào những lời hứa không thể kiểm chứng để đưa ra kết luận. Trong thế giới mã hóa vẫn còn quá nhiều điều chưa được biết đến để chúng ta có thể dễ dàng tin vào một con số duy nhất.