Gemma 轻量模型这次被装进新加坡人的手机里做反诈。2026 年 10 月 14 日，Google DeepMind 在官方博客宣布，已与新加坡政府科技局（GovTech）交付一套端侧诈骗检测模型：它直接在手机上分析对话，发现操纵性话术时实时弹出警告，聊天内容全程不离开设备。这项合作属于 DeepMind 与新加坡政府的国家 AI 伙伴计划，成果在新加坡国际网络周（SICW 2026）上对外展示。
为什么新加坡要把检测搬到端侧
诈骗在新加坡不是小众风险。DeepMind 给出的数字是：诈骗占该国已报告犯罪的一半以上，2019 年以来造成的损失超过 40 亿新元；而且手法已经从简单钓鱼链接转向长对话式的社会工程——骗子先花时间建立可信人设，最后才开口要钱，这类骗局占到全部损失的八成。问题在于，这类对话大多发生在端到端加密的聊天应用里，服务器根本看不到内容，传统的云端扫描无从下手。把检测搬到端侧，等于在不破坏加密的前提下，把判断环节挪到唯一能看见对话的地方。
两段式管线，先省电再细看
手机上常驻一个检测模型，最现实的约束是电量。DeepMind 的做法是两段式：第一段是一个极轻量的分类器，用很低的功耗筛查每条新消息，只负责圈出可疑对象；第二段才调用微调过的 Gemma 模型，读取更大范围的对话上下文，确认这是操纵性骗局还是误报。训练数据同样讲究本地化：模型用新加坡本地的诈骗对话样本微调，覆盖冒充公共机构、银行和本地名人，以及当地正在流行的骗局套路，目的是让它分得清正常寒暄和真正的操纵话术。
训练侧的治理，决定这套方案能不能被信任
官方特别交代了开发过程的约束：微调在 GovTech 管理的云环境里完成，训练数据保持隔离；所用数据来自诈骗举报和情报来源的匿名化数据集，不含任何可识别个人身份的信息；上线前还用合成对话和本地语料做过压力测试。对政府主导的安全项目来说，这些细节不是装饰——一个要读市民聊天的系统，先得证明自己的训练过程没碰过市民的聊天。
值得留意的是交付形态：这次发布的不是一款让用户下载的 App，而是一个可供消息平台和操作系统厂商集成的模型。真正的考验因此在后面：有多少平台愿意接入、警告弹出后用户会不会照做、误报率在真实流量下能不能稳住，这些都要等铺开之后才有答案。但方向本身已经清楚——当诈骗藏进加密对话，防御也只能跟着搬到端侧，而 Gemma 这类小模型的价值，第一次不体现在跑分上，而体现在它能不能在普通手机上长期待机、随叫随到。
