機器學習不主導錢包分群 Chainalysis劃出紅線

鏈上分析公司Chainalysis出面劃清界線,強調機器學習在區塊鏈情報分析中只能扮演輔助角色,不能成為判斷主體。公司主張,錢包地址分群與實體歸屬應採用可重現、可稽核的證據標準,而非仰賴預測模型。

根據Chainalysis於14日發布的文章《Machine Learning Has a Specific Role in Blockchain Intelligence》,若不經驗證就把自動化工具產出的結果當成事實接受,可能導致錯誤的地址分群,進而引發後續損害。公司說明,機器學習不會用於錢包區段的辨識,而是選擇性地用在容許機率式訊號存在的領域,例如商機篩選、異常偵測、模式辨識與詐騙偵測。

問題的核心在於如何劃分分群判斷的意涵。Chainalysis在另一份報告《Defining the Cluster》中,將區塊鏈地址分析拆成三類:△結構性判斷 △屬性歸屬 △營運者辨識。公司指出,判斷多個地址是否受同一方控制的結構性主張,需要決定論式、可重現且可稽核的標準。

依照這套標準,機器學習不屬於結構性主張的範疇。預測模型可用來找出可疑模式或縮小調查線索範圍,但無法取代「多個地址由同一主體控制」這項結論本身。Chainalysis在文中強調的「負責任的機器學習」,重點不在於擴大自動化範圍,而是先劃定哪些領域不該用自動化。

這項論點也牽動南韓虛擬資產市場。當地交易所、偵查機關與法遵部門,普遍把鏈上地址分析用於可疑交易偵測與資金追蹤。一旦地址分群與實體歸屬出現誤差,正常用戶可能被誤歸為高風險對象,調查線索也可能因此偏離方向。本刊此前曾報導地址誤判與高風險地址分類最終演變成實際損失推估的案例。

一份獨立研究也成為這場爭論的參考基準。USENIX Security 25論文《Ghost Clusters》,將Chainalysis的分析結果與三個遭查扣非法服務的實際地址資料進行比對。研究團隊指出,Chainalysis在特定服務歸屬上的準確度下限落在24.54%至94.85%之間,誤判率則低於0.5%。

Chainalysis引用同一份研究,強調自家資料的準確性與偏低的誤判率。不過研究原文將準確度區間定義為「各服務的下限值」,公司後續的文章則把「最高達94.85%」與更低的誤判率說法放在最前面。在轉載報導時,有必要把研究原文的數字與公司的宣傳用語區分開來看。

Chainalysis的方法論爭議,也牽涉到法庭上的可信度問題。公司援引2024年「United States v. Sterlingov」案的相關判斷指出,可驗證的啟發式方法與可重現的流程,能提升區塊鏈分析在法庭上的辯護力。這篇文章同樣延續同一套邏輯,主張證據標準應優先於技術效能本身。

目前公開的反應仍屬有限。LinkedIn上有業界人士呼應,認為不該把「分群結果」直接等同於「真實組織」,也不該把「行為模式」直接等同於「犯罪意圖」。至於這篇文章本身是否引發更廣泛的公開討論,目前尚未獲得證實。

Chainalysis這次表態,發生在區塊鏈情報市場AI應用競爭日益激烈之際。公司表示會導入機器學習,但必須把地址結構判斷與證據導向的歸屬區分開來處理。自動化或許能加快分析速度,但公司強調,法庭與法遵現場真正需要的,是一套說得清楚、經得起檢驗的判斷標準。