AI反洗钱技术学术前沿洞察

AI技术在反洗钱领域的学术探索正呈现井喷态势。2024至2025年，众多顶级学术会议与预印本平台相继发布了大量高质量的AML主题论文，研究范围横跨可疑交易识别到调查全流程辅助。本文筛选出其中最具代表性的研究成果，旨在为业界人士呈现一幅完整的学术技术蓝图。

值得注意的是，本文集中探讨学术论文的创新贡献与方法论体系，关于监管架构的内容已在系列首篇中系统阐述，故不再赘述。

图1：交易网络中正常交易（蓝绿）与异常交易（橙红）的拓扑可视化

AMLNet（Huda等人，arXiv:2509.11595，2025年9月）[1]由澳大利亚格里菲斯大学研究团队开发，是当前最接近实际应用水平的AML合成数据解决方案之一。

核心方法：

AMLNet包含两个协同运作的多智能体模块：

主要贡献：

对业界的启发：合成数据技术虽不能根除AML领域长期存在的数据短缺困境，但即便无法彻底取代真实交易数据，却能为模型训练与算法验证提供可复现的评估基准。建议反洗钱团队持续追踪这类数据集的演进动态，并将其融入内部算法评测体系。

Truman（Kute等人，AAMAS 2025）[2]发表在国际自主智能体与多智能体系统会议（AAMAS 2025，第2594页），由新南威尔士大学（UNSW）团队完成，是2025年最受瞩目的AML相关论文之一。

核心突破：Truman利用大语言模型智能体模拟真实的金融交易生态。每个智能体代表一类市场参与者（普通用户、商户、洗钱者等），智能体之间通过LLM驱动的决策机制进行交互，生成高度仿真的交易网络。

与传统合成数据方法的本质差异：

对业界的启发：Truman攻克了合成数据"表面合理但行为失真"的核心痛点。对于验证交易监控系统的侦测能力具有直接价值——可借助Truman生成"熟知规则规避策略"的模拟洗钱者，进而检验系统是否依然能够有效识别。

Wang等人发表于Complex & Intelligent Systems（Springer，2025年5月）[3]，将洗钱检测建模为"猫鼠游戏"博弈——一个智能体扮演洗钱者（隐匿方），一个智能体扮演检测者（追踪方）。通过对抗式训练，双方策略持续演化升级。

核心发现：

对业界的启发：博弈论框架具备借鉴意义，但对抗训练的稳定性与生产部署的工程化复杂度仍是瓶颈。现阶段更适宜作为压力测试工具，而非直接投入生产环境使用。

图2：AI辅助调查工作场景——调查员与智能分析系统协同作业

Naik等人（arXiv:2509.08380，2025年9月）[4]提出了名为"Co-Investigator AI"的框架，探索AI在反洗钱调查环节中的功能定位。

区别于多数研究仅关注自动检测（即"识别可疑交易"），该工作聚焦于"发现可疑交易后的处置"——调查人员需逐笔研判、交叉核验、形成结论并撰写报告。AI能否在此过程中提供实质性辅助？

技术架构：

核心设计思想：

对业界的启发：此项研究标志着AML AI研究的关键转向——从"检测"迈向"调查"。当前AI资源大多集中于交易监控环节，但调查环节的效率优化同等重要，且技术挑战更为艰巨。

Ren等人（ICLR 2026）[5]来自上海交通大学与商汤科技，该论文发出重要预警——AI智能体本身可能演变为金融犯罪的实施工具。

研究构建了MultiAgentFinancialFraudBench基准，覆盖28类典型线上欺诈场景，贯穿欺诈全生命周期。核心发现：

对业界的启发：当AI智能体成为金融服务的参与者（而非辅助工具），其自身可能构成新型洗钱通道。这是AML行业必须开展前瞻性研判的方向。

图3：大语言模型从金融文本中提炼知识的概念可视化

2024-2025年，伴随大语言模型（LLM）能力的跃升，学术界与产业界开始密集探索其在AML领域的应用潜能。主要探索方向涵盖：

初期学术探索的成果：

尤为关键的是，绝大多数严谨的学术研究对LLM在AML中的直接应用保持审慎态度。主要顾虑包括：

AML检测领域长期受制于一个根本性难题：缺乏统一的评估标准与基准数据集。由于真实洗钱案例的高度敏感性与稀有性，多数研究依赖合成数据，但合成数据的真实性始终存疑。

Emerald旗下期刊2025年9月刊发的综述论文（Mousavian等人）[6]系统回顾了AI在洗钱检测中的应用，指出：

该综述重点提及的评测维度涵盖：

其中，"调查转化率"是衔接学术研究与产业实践的核心指标——它直接体现了模型输出对实际调查工作的赋能价值。

图4：AI反洗钱学术研究的六大前沿方向

综合2024-2025年的学术前沿动态，可观察到以下演进趋势：

下期预告：AI反洗钱（三）将从学术研究转向工程落地，探讨AI在反洗钱中的能力边界——哪些任务AI能够胜任，哪些任务仍需人类主导，以及如何判断这一边界。

[1] Huda et al., "AMLNet: A Knowledge-Based Multi-Agent Framework to Generate and Detect Realistic Money Laundering Transactions," arXiv:2509.11595, Sep 2025. https://arxiv.org/abs/2509.11595

[2] Kute et al., "Truman: A Large Language Model-based Multi-agent Simulator for Synthetic Money Laundering Data Generation," AAMAS 2025, Page 2594.

[3] Wang et al., "Hide and seek in transaction networks: a multi-agent framework for simulating and detecting money laundering activities," Complex & Intelligent Systems, Springer, May 2025. DOI:10.1007/s40747-025-01913-w

[4] Naik et al., "Co-Investigator AI: The Rise of Agentic AI for Smarter Trustworthy AML Compliance Narratives," arXiv:2509.08380, Sep 2025. https://arxiv.org/abs/2509.08380

[5] Ren et al., "When AI Agents Collude Online: Financial Fraud Risks by Collaborative LLM Agents on Social Platforms," ICLR 2026 Poster. OpenReview forum: a1d2smwmBS

[6] Mousavian et al., "Review of artificial intelligence-based applications for money laundering detection," Journal of Money Laundering Control (Emerald), Sep 2025. pii:S2667305325000985