DeepMind 和新加坡政府共建微调模型
Google DeepMind 与新加坡政府科技局合作，把轻量模型微调成手机上离线运行的诈骗检测器，训练环境由政府隔离维护，双方都读不到用户对话。政府用模型的定制边界，这篇博客给了个可参考的样板。
收到一条「银行客服」的消息，语气挑不出毛病，但你总觉得不对劲。在新加坡，这种对话可能很快会被手机里一个离线运行的模型当场提醒。10 月 14 日，Google DeepMind 在新加坡国际网络周上公布了与新加坡政府科技局（GovTech）的合作成果。
一、发生了什么
背景先看数字：按 DeepMind 博客口径，诈骗已占新加坡报案量的一半以上，2019 年以来损失超过 40 亿新元，其中社会工程类话术占损失的高达八成。传统关键词拦截对这种「慢慢取得信任」的对话套路效果有限。
这次的方案是基于 Google 的轻量开源模型 Gemma 微调，训练数据是本地的诈骗对话样本，包括冒充公共机构、银行和本地人物的各类骗术。部署完全在手机端：不需要把对话上传云端，模型直接在设备上分析，需要用户同意才能读取应用内对话，且新加坡政府和 Google 双方都无法访问用户的聊天内容。
技术上分两步：先用一个极低功耗的快速分类器初筛每条入站消息，再由微调后的 Gemma 对整段对话做多轮上下文分析，确认威胁或排除误报——这是为了不把手机电池拖垮。治理上，微调全程在 GovTech 维护的隔离云环境里进行，训练只用匿名的诈骗报告和情报数据，不碰公民个人数据。应用内的分阶段上线将与政府协同推进。
二、跟你有什么关系
反诈产品开发者：两段式管线是个省钱样板——小模型当守门员，大模型只处理存疑片段。国内做端侧反诈可以参考这个架构。
普通用户：政府级的模型合作开始以「数据不出设备」为前提，这是好信号。但也要留意：能读你对话的本地模型，权限授予要留心看。上线分阶段推进，早期版本识别不到的骗术仍然要靠自己的判断兜底。
出海企业：新加坡模式可能被推广到其他国家。如果你的产品涉及通信场景，这类端侧安全能力以后可能是准入项。
三、怎么判断
读到这儿，可以顺路看 安全厂商称 Jev 比 LLM 更容易被攻击 安全公司 HiddenLayer 称 TypeSafe 决策模型 Jev 缺少传统 LLM 的内部制衡，TokenBreak 等攻击开箱即中。第三方分析师意见分歧，选购前先看这四条判断。- 看数据流向：判断一个「保护你」的 AI 是否可信，第一件事是确认分析发生在本地还是云端，承诺了什么、日志存不存。
- 看训练数据来源：这个项目的做法是只用匿名诈骗样本、不用公民数据。政府 AI 项目如果反着来，警惕性就该拉满。
- 别神化效果：官方案例都是理想演示。话术骗术每周在变，模型能不能跟得上，要看上线后的真实拦截率和误报率。
四、三个别信的说法
「端侧模型等于绝对隐私。」 数据不离开手机是重要一步，但模型本身、更新通道、权限授予都可能是信息出口，「本地跑」不自动等于「完全安全」。
「政府合作模型肯定更准。」 合作解决的是治理和信任问题，不是准确率问题。反诈效果最终由真实数据说话。
「AI 反诈上线，诈骗就完了。」 话术会针对检测器进化，这是持续的攻防，不是一次性胜利。
五、一句话结论
数据不出手机、双方都读不到对话——政府用 AI 的边界画在这里，才谈得上让人放心。
信息来源
功能与价格以官方公告为准。本文写于 2026 年 10 月 20 日。
本文为编辑整理的行业动态，未附官方原文链接。涉及价格、参数、发布时间的，请以厂商官方页面为准；发现错误可来信指出，会在「本次更新」里注明。
每周一封，只发新教程和可复制模板。不发广告，随时退订。