AREX Feed Article
澳大利亚公司 Apate 创始人称已部署约 35 万个 AI 机器人拖住诈骗者，银行已在使用其平台
据 记者 Lily Hay Newman 与 Matt Burgess 10 月 10 日报道，澳大利亚公司 Apate 过去两年一直在搭建一套把诈骗电话转接给 AI（人工智能）机器人、借机采集骗术情报的系统。公司创始人兼 CEO Dali Kaafar 称，平台约有 350,000 个机器人，除接听电话外还会渗入线上诈骗聊天群、回复诈骗短信，已实时收集超过 250,000 条诈骗者信息；该平台正被银行使用，也获得电信公司支持。
这两位记者还在演示版里当了一回「骗子」：一人扮演受害者的朋友「Lucy」，一人扮演她的财务顾问「Mickey」，轮番向系统的「AI 受害者」推销一项加密货币投资，卖力劝说六分钟仍没能让机器人掏出一分钱。
「我们在为骗子打造完美的受害者」
Apate 的名字取自希腊神话中的欺骗女神。按 WIRED 的描述，这套系统的思路是把打来的诈骗电话转给 AI 机器人：机器人被训练得尽可能把对话延续下去、绝不真上当，目标是给骗子足够的希望让他别挂断，同时采集他所运营骗局的情报。
Kaafar 对 WIRED 表示：「我们真心乐于认为，我们是在为骗子打造完美的受害者。」他拿骗子普遍使用的自动拨号工具算了一笔账：「骗子与一个机器人通话的每一分钟，可能就是拯救了成百上千个潜在受害者的一分钟——否则这同一个骗子就会去联系他们。」
这些机器人并不共用一套人设。Kaafar 说，它们有不同的性格、语言能力和资料背景，以免对方察觉自己在跟 AI 说话；「有时（机器人）有 WhatsApp，有时没有。有时接起电话，有时干脆直接挂断，说『我晚点再打给你』。」
实测「AI 受害者」：适度怀疑，留有余地
WIRED 测试用的是演示版：使用者扮演骗子，对面是 Apate 的「AI 受害者」。这类角色被设计成带着适度的怀疑，但留出让骗子继续攻略的口子。两位作者称，这种节奏他们立刻就感受到了，而且觉得「极其令人沮丧」。
实测中，系统回应连贯、反应及时，对话节奏显得自然。两位记者轮番上阵、分别以朋友和财务顾问的身份施压，仍没能让这套系统把钱投进自己虚构的加密货币项目；两人还不忘补一句，这个项目的回报率「高得难以置信，我们发誓」。
Kaafar 称，Apate 接起的通话经常持续超过两小时。不过这只是对演示版的一次两人测试，说明不了线上真实环境中的拦截效果。
从诈骗网址到钱骡账户：情报收集的说法与边界
按 Kaafar 的说法，这些实时收集的诈骗者信息包括诈骗网址、钱骡（money mule，代为接收并转移赃款的账户）账户和银行账户信息。这些规模与效果数字目前均来自公司自述，WIRED 的报道没有附上独立于该公司的核验。
WIRED 把 Apate 放在更大的背景里：网络犯罪者每年发起数十亿次诈骗短信和电话，最成熟的团伙运营实体化的工业规模诈骗园区；执法与研究力量至今没能遏住数字诈骗的整体扩张。更早的另类尝试也已存在：职业「钓骗子」者（scambaiter）多年来渗透诈骗团伙、对骗子起了震慑作用；运营商 推出的 AI「老太太」Daisy 已与骗子通话数百小时，用来拖住对方并总结骗术新趋势。
更主动的思路也在出现。WIRED 提到，警方、社交平台与银行之间更顺畅的情报共享仍属刚需，AI 驱动的监测与数据分析可能帮上忙；一些新尝试则试图利用网络犯罪者的「心理弱点」进行反向干扰——文中把美国情报高级研究计划局（IARPA）的 ReSCIND 项目页列为其中一例，还有些「心理战」直接嘲弄勒索软件的幕后人员。
ETH Zurich 的实验：接上 LLM 的蜜罐让 AI 攻击代理停留更久、更难被识破
蜜罐（honeypot）是防御方的老工具：多年来，公司和安全研究者部署伪装成真实组件的虚拟机，用来吸引黑客、消耗时间、收集情报、摸清手法。苏黎世联邦理工学院（ETH Zurich）计算机系博士研究员 Mark Vero 告诉 WIRED，开源蜜罐供应商正越来越多地把大语言模型（LLM）接进蜜罐，让它们显得更真实。
Vero 及同事的近期研究发现，与行为更可预测的蜜罐相比，LLM 驱动的蜜罐能让攻击其系统的 AI 攻击代理（agentic attackers，可自主执行攻击步骤的 AI 代理）停留「明显更久」。「这类攻击代理更容易被 LLM 模拟的蜜罐说服，把它们标记为真蜜罐的比例也低得多。」他说：「如果这些系统造得足够好，那我认为这对防御者相当有利。」
WIRED 在文中链接了该研究的项目站 。对应的预印本论文已于 2026 年 5 月 28 日提交 ，第一作者即 Vero。摘要称，这套框架把蜜罐落在 16 个后端应用上、以 AI 攻击代理为对手进行评测；结果显示，LLM 蜜罐与基于规则的基线蜜罐相比，攻击者的交互时长显著更长，即便面对前沿模型也更少被识破。论文同时记录了一处权衡：更具反击性的蜜罐配置能换来更长的交互，代价是被识破的概率上升。
参考链接
- WIRED 报道原文（Lily Hay Newman、Matt Burgess，2026-10-10）：
- Honeyval 项目站（WIRED 文中链接）：
- Honeyval 预印本论文（arXiv，2026-05-28 提交）：
- Virgin Media O2 关于 AI「老太太」Daisy 的公告：
- 文中配图来源（WIRED 报道页面主图）：