YC點名創業方向：AI欺詐獵手，可能干掉整個反欺詐行業！

新智元報道

編輯：Aeneas

【新智元導讀】剛剛，YC最新創業清單點名「AI欺詐獵手」。當黑灰產開始用AI作案，防守方也在組建智能體軍團——反欺詐的終局，或許不是更強風控，而是一個自帶安全基因的智能體世界。

Y Combinator（YC）作為全球最有影響力的創業孵化器及投資機構之一，會在每季度發布一個創業需求清單（RFC, Requests for Startups），即是YC的最新投資方向，也逐漸成為行業的熱點風向標。

2026年春，YC發布了最新的RFC清單（完整清單見Reference 1），其中一項「政府欺詐獵手基礎設施」（Infra for Government Fraud Hunters）引起了我們的共鳴。

成立15年來，通付盾在能源、金融、政府等行業的反欺詐領域持續深耕，深知其工作的艱辛坎坷，而智能體時代的來臨讓我們相信，反欺詐領域的格局正在產生根本性的變化。

反欺詐領域的「非對稱競爭」

反欺詐本質上是一場攻防博弈。在過去相當長的時間里，這場博弈的主動權往往掌握在攻擊者手中。

核心原因在于一種深層次的「成本不對稱」——當防守方還在權衡合規風險與技術可行性時，攻擊者早已利用成本優勢發起了下一輪試探。

第一層不對稱，在于單次失敗的代價。對于黑灰產團伙而言，一次攻擊被攔截不過是浪費了若干IP、一批虛假賬號，或者一套自動化腳本。

這些資源的獲取成本極低，甚至可以規模化批量生產。

而對于銀行、政務平臺或大型企業來說，一次防御失敗意味著什么？可能是數百萬用戶的隱私泄露、直接的資金盜用損失，以及難以估量的品牌聲譽崩塌。

這種「攻擊者可以輸一百次，防守方一次都不能輸」的局面，構成了傳統反欺詐最沉重的枷鎖。

第二層不對稱，在于技術創新的「負擔」。黑灰產是新技術最激進、最不計后果的嘗鮮者。

當深度偽造（Deepfake）剛剛出現時，他們已經開始用于突破人臉核驗；當自動化流程工具流行時，他們迅速將其改造為「打碼」和「撞庫」的利器。

他們不需要考慮新技術的倫理邊界，不需要通過層層合規審批，更不用顧及是否會誤傷正常用戶。

反觀防守方，尤其是金融、政府等關鍵領域的機構，任何一項新技術的引入都必須經歷漫長的安全評估、數據隱私審查和業務流程適配。

當一個反欺詐模型歷經千辛萬苦終于上線時，攻擊者可能早已轉向了新的繞行路徑。

然而，人工智能，特別是智能體（Agent）技術的成熟，正在為防守方提供一次歷史性的翻盤機會。

智能體不是單一功能的算法模型，而是能夠自主感知、決策、執行任務的智能系統。當大型政企真正邁入智能化時代，它們將構建起由成千上萬個智能體協同工作的反欺詐體系。

這一體系的核心優勢在于「規模制勝」。

單個黑灰產團伙即便利用AI，其可調用的算力、數據和知識儲備也遠無法與一個國家級的金融網絡或大型政企平臺相比。

智能體可以7×24小時不間斷地學習新的欺詐模式，實時聯動全網的威脅情報，在毫秒級內調度數百個數據源進行交叉驗證。

它們能夠模擬攻擊者的思維，主動探測潛在風險，甚至自主生成防御策略并下發執行。

更重要的是，智能體網絡具有「群體智能」：一個智能體在某處識別出一種新型欺詐手法，整個網絡的所有節點都能瞬間同步防御能力。

這種進化速度將首次超過黑灰產的手動迭代。當防守方的智能體軍團能夠以前所未有的廣度和深度聚合資源、共享情報、協同響應時，非對稱競爭的天平便開始向防守方傾斜。

智能體時代，反欺詐將不再是「修補城墻」的被動游戲，而是一場「智能對抗智能」的體系化戰爭。擁有最龐大智能體網絡的一方，將成為戰場上真正的主導者。

AI原生業務模型：智能體網絡效應

智能體時代的反欺詐體系核心在于以「AI原生」思維構建基于多智能體的業務模型。傳統反欺詐往往是在既有系統上「打補丁」——新增一種欺詐就增加一條規則、升級一個模型。

這種被動響應模式注定無法追上黑灰產的迭代速度。智能體時代的反欺詐必須從根基上重構：將業務節點封裝為智能體，通過標準化協議編織成可協作的生態。

這并非單一智能體的局部優化，而是體系化多智能體框架帶來的全局重塑——當數以千計的智能體在同一框架下協同，將催生出獨特的智能體網絡效應，讓防守方首次獲得對攻擊方的結構性優勢：

智能優勢：從單點對抗到涌現式智能。

在反欺詐場景中，單一智能體難以應對復雜攻擊鏈。AI原生模型將任務逐層分解：身份核驗智能體驗證用戶真實性，行為分析智能體監測交易異常，威脅情報智能體掃描攻擊源，決策智能體綜合多方信息輸出判斷。

各智能體如同領域專家，其集體決策構成「專家會診」系統。更重要的是，群體具備自適應能力——當某個智能體識別出新型欺詐手法，知識會迅速被網絡吸收，整個「智商」同步進化。

黑灰產的單點突破，在涌現的群體智慧面前將失去優勢。

數據優勢：數據是反欺詐的燃料。

但傳統模式下數據孤島林立，機構間因隱私合規難以互通。AI原生模型通過智能體網絡實現范式突破：每個智能體擁有基于DID的數字賬戶，數據以「可用不可見」方式在智能體間流動。

例如銀行風控智能體向電信運營商號碼風險智能體發起查詢，后者在本地計算后返回評分，全程不泄露原始數據。基于隱私計算與區塊鏈存證，這種共享既符合監管，又打破壁壘。

隨著更多智能體接入，風險特征庫不斷豐富，新加入者立即獲得全網情報，數據飛輪加速旋轉。

時效優勢：從人工響應到毫秒級自適應協同。

反欺詐是與時間的賽跑。當交易監控智能體發現異常，它會自動觸發身份智能體加強認證、策略智能體調整權重、處置智能體凍結賬戶，全程毫秒級完成，無需人工干預。

統一通信協議（如MCP）使不同廠商的智能體「講同一種語言」，實現即插即用的協同。這種自適應聯動讓防守體系從被動響應進化為主動免疫系統。

安全與合規：數據隱私與AI安全邊界

智能體網絡賦予反欺詐體系前所未有的協同能力，但數據安全與隱私合規依然是其落地面臨的最大瓶頸。

與此同時，AI自身的安全隱患若被忽視，過度依賴智能體反而可能適得其反。唯有同時破解外部合規難題與內部算法風險，智能體網絡才能真正成為反欺詐的可靠基石。

數據容器+隱私計算是數據安全與隱私合規的破局利器。

反欺詐的本質是數據博弈——需要跨機構、跨行業的數據協同才能精準識別風險。然而，傳統集中式共享模式既違反合規要求，又將海量敏感數據匯聚成巨大的攻擊靶點。

我們可以為每個智能體配備基于分布式身份標識（DID）的數據容器。容器不僅是存儲單元，更是集動態訪問控制、隱私計算引擎與全生命周期審計于一體的主動防御載體。

數據以密態形式駐留于容器，遵循「數據不動算力動」原則：計算任務被調度至數據所在的容器或可信節點，通過全同態加密（FHE）、零知識證明（ZK）等隱私計算技術在加密狀態下完成分析，確保原始數據全程「可用不可見」。

AI自身安全是智能體時代下的反欺詐新課題。

智能體并非萬能，其固有缺陷可能放大風險。正如我們在「智能體不完備定理」中所揭示：不存在一種終極指令能完美約束智能體的所有行為，相同指令下可能產生矛盾輸出，且其行為在復雜環境中本質「不可判定」。

在反欺詐場景中，這意味著算法偏見、不可預測的「規避行為」可能誤傷用戶，或被黑灰產反向利用。若企業盲目信任智能體決策，取消人工復核，一旦出現系統性漏洞，后果不堪設想。

例如，OpenClaw、Moltbook等行動式智能體的流行已暴露了「提示注入」、插件供應鏈攻擊等新型威脅。因此，我們必須踐行「零信任」原則：永不默認任何智能體行為可信，關鍵決策需經多智能體交叉驗證或觸發人工審核。

同時，引入形式化驗證為關鍵邏輯劃定可證明的安全邊界，將模糊的安全需求轉化為數學規約，用定理證明器驗證其不會觸發歧視性規則或越權操作。只有對AI自身風險保持清醒認知，才能避免從「人防人」滑向「機防機」的失控局面。

從反欺詐到智能體安全

盡管全篇我們都在講反欺詐，反欺詐也是通付盾從業15年來的一個重要標簽，但在文章的最后我們還是想要提出一個「暴論」：AI時代下，反欺詐這個行業最終會退出歷史舞臺，取而代之的是「智能體安全」或者是「安全智能體」。

正如消滅小偷的不是警察，而是電子支付一樣，消滅欺詐的不會是傳統意義上的「反欺詐系統」，而是自帶內生安全的智能體網絡。

這一天很快就會到來。

a16z前合伙人Balaji在3月2日的萬字推文提出了「硅谷關燈，中國開機」的說法，認為在AI基礎大模型領域的競爭已經結束，中國將依靠開源路線將AI大模型變成水電一樣的廉價基建，徹底顛覆包括反欺詐在內的傳統軟件行業。

萬物智能的時代很快就會到來，當大部分業務流程都被智能體重構，安全就不再是某個模塊的責任，而是整個網絡的基因。

這正是通付盾「大群空間」（LegionSpace）的終極愿景：讓每一個智能體從誕生起就生活在信任優先的安全體系之中。

當信任成為默認配置，欺詐便失去了生存的土壤。那一天，反欺詐將不再是行業，而是所有智能體的呼吸與本能。

參考資料：

1.Y Combinator. "Requests for Startups." Y Combinator, 2026, https://www.ycombinator.com/rfs. Accessed 2026.

2.Cheon, Jung Hee, et al. "Bootstrapping in approximate fully homomorphic encryption: a research survey." Cybersecurity, vol. 8, no. 87, Springer, 2025, https://doi.org/10.1007/s42400-025-00384-3.

3.Pan, Zhuo, et al. "A Survey of Zero-Knowledge Proof Based Verifiable Machine Learning." arXiv preprint arXiv:2502.18535, 2025.

4.Shahriar, Asif, et al. "A Survey on Agentic Security: Applications, Threats and Defenses." arXiv preprint arXiv:2510.06445, 2025.

5.Tang, Yaxin, et al. "Security of LLM-based agents regarding attacks, defenses, and applications: A comprehensive survey." Information Fusion, Elsevier, 2025.

6.Veenman, Kealan, et al. "Verifiability for privacy-preserving computing on distributed data — a survey." International Journal of Information Security, vol. 24, no. 141, Springer, 2025, https://doi.org/10.1007/s10207-025-01047-7.