Google DeepMind 與新加坡政府科技局（GovTech Singapore）合作，以輕量開源模型 Gemma 微調出一套裝置端詐騙偵測模型，能在手機本地分析對話並即時提醒使用者，過程中新加坡政府與 Google 都無法讀取用戶訊息。這項成果於 2026 年 10 月在新加坡國際網絡安全週（SICW 2026）發表，屬於雙方國家級人工智慧合作的一部分。詐騙在新加坡已占當地超過一半的通報犯罪案件，自 2019 年以來累計損失超過 40 億新元，其中以社交工程手法造成的損失占比可達八成。

Google DeepMind 這款防詐模型是什麼？

這是一套以輕量模型 Gemma 為基礎、與新加坡政府科技局共同微調的裝置端防詐模型，用來辨識冒充政府機關、銀行與本地人物的詐騙對話，運算全程留在使用者的手機之內。

官方將其定位為兼顧隱私的裝置端詐騙偵測模型，做法是以 Google 的輕量模型 Gemma 為基礎，針對本地的詐騙對話進行微調。訓練素材涵蓋冒充政府機構、銀行與本地知名人物的話術，以及區域內正在流行的詐騙手法。與傳統依賴伺服器端掃描訊息的威脅偵測不同，這套模型直接在裝置上處理對話資料，因此不需要把對話內容上傳到雲端。

為什麼詐騙偵測要改在裝置端進行？

因為詐騙已由大量釣魚轉向社交工程，雲端掃描既會觸及私人訊息，也難以辨識本地話術；裝置端處理可即時分析對話模式，並讓資料不必離開手機。

新加坡的詐騙型態已從大量、粗糙的釣魚訊息，轉向針對個人的社交工程。攻擊者會用有說服力的對話逐步操縱受害者，這類案件目前占當地詐騙損失的八成，使偵測難度明顯上升。通用模型往往難以掌握本地化的欺騙手法，令辨識更加困難。把模型放在裝置端，既能即時分析對話模式、在使用者轉帳或交出憑證之前先行預警，也避免私人訊息離開手機。

這套模型的兩階段管線如何運作？

第一階段以低耗能分類器快速篩檢訊息，第二階段再用微調後的 Gemma 分析較完整的對話脈絡，藉此確認威脅或排除誤報，同時兼顧準確度與手機續航。

要在現代手機上長時間運行複雜的分類模型並不容易，電池續航是關鍵考量。為此團隊採用兩階段流程：第一階段由一個輕量、省電的分類器負責初步篩檢收到的訊息，第二階段則以微調後的 Gemma 進行脈絡分析，檢視較完整的對話片段，用來確認威脅或排除誤報。當模型偵測到具操縱性的對話模式時，會在使用者裝置上即時跳出警示，建議暫停並提高警覺後再分享敏感資料或資金。

訓練與部署如何處理隱私與治理問題？

微調在新加坡政府科技局管理的雲端環境內完成，訓練資料排除個人資訊、僅用匿名化的詐騙通報與情報；模型部署後只在使用者同意下讀取本機對話。

團隊表示微調過程在嚴格治理下完成。訓練是在新加坡政府科技局管理與維護的雲端環境內進行，讓訓練資料保持隔離，形成所謂的主權沙箱。資料來源排除私人或可識別個人的資訊，僅使用由詐騙通報與情報管道衍生的匿名化資料集。模型另外以合成對話與本地語料進行壓力測試，以覆蓋多樣的詐騙類型與不斷演變的冒充手法。

這項技術對訊息平台與使用者有什麼影響？

對訊息平台而言，這提供了在端到端加密下仍能保護用戶的路徑；對使用者來說，則可能在轉帳或交出憑證之前先收到暫停與警示。

對於在用戶保護與端到端加密之間取捨的訊息平台，這項合作提供了一個可參考的模式。模型在部署後只會在使用者同意的情況下讀取裝置內對話，並依應用程式的使用條款運作。由於運算完全在裝置上完成，新加坡政府與 Google 都無法透過部署取得用戶對話。新加坡政府科技局信任與安全總監 Mark Chen 指出，這讓系統能即時攔截高度針對性的本地詐騙，同時保持通訊內容私密。

常見問題有哪些？

以下整理這套防詐模型的推出進度、為何選用 Gemma 而非更大模型，以及裝置端運算對手機效能的影響等常見疑問。

這套模型目前是否已經推出？

官方說明，模型在應用程式內的推出會審慎分階段進行，並與新加坡政府合作開發。部署時，模型只會在使用者同意的情況下存取裝置內對話，並依該應用程式的使用條款運作。

為什麼選擇 Gemma 而非更大的模型？

裝置端運行要求兼顧準確度與耗電，因此選擇體積輕巧的 Gemma 作為基礎。團隊針對本地詐騙對話微調，讓小型模型也能辨識區域性的欺騙話術，同時維持手機可接受的運算與電池負擔。

裝置端運算會否影響手機效能？

團隊以兩階段管線降低負擔，先由輕量分類器做便宜初篩，只有疑似訊息才進入 Gemma 的脈絡分析。這種做法避免每個訊息都觸發完整模型，藉此控制電力消耗，回應電池續航這項關鍵顧慮。

出處連結有哪些？

本文資訊整理自 Google DeepMind 官方部落格於 2026 年 10 月 14 日發布的公告，內容涵蓋技術架構、治理原則與合作背景。

原始公告可於 Google DeepMind 官方部落格查閱：On-Device AI Against Scams: Google DeepMind & MDDI。該文由 JJ Geewax 與 Miguel de Andrés 撰寫，並收錄新加坡政府科技局信任與安全總監 Mark Chen 的說明。

總結：這項合作對防詐技術代表什麼？

這項合作示範了政府與模型供應商如何在保護隱私的前提下把前沿人工智慧用於公共安全，也再次驗證裝置端小型模型的實用價值。

這項合作顯示，防詐不必在隱私與保護之間二選一。透過在裝置端運行微調後的輕量模型，系統得以在對話發生的當下即時預警，而訊息內容始終留在使用者手中。對其他國家與訊息平台而言，此模式提供了一條在端到端加密環境下導入人工智慧防護的可行路徑，也讓裝置端小型模型的實用價值再次受到驗證。