在这期播客中，Stripe（几乎所有出海产品都在用的全球性支付平台）的数据与 AI 负责人 Emily 深入探讨了 AI 如何从根本上重塑经济基础设施。AI 不仅在创造新的商业模式（如 Agent 服务商），也带来全新的经济挑战，特别是高昂的边际成本和新型欺诈。Stripe 正在通过扩展其反欺诈系统 (Radar)、推出 Token Billing（按推理时 token 计费） 等创新支付工具，以及与 OpenAI 联合发布 ACP (Agentic Commerce Protocol，代理式电商协议) 来应对这些挑战，旨在为即将到来的 AI Agent 经济建立一个开放、高效且安全的商业标准。
欢迎订阅合集 AI 播客捕手：专门面向文字内容爱好者分享 AI 领域优质播客，其他合集：
- AI 冷思考：个人在 AI 狂欢下的冷思考，聚焦 AI 工程化、Agent Infra 产品、效率型 AI 工具和人机协作话题，寻找可持续的产业价值。AI 博客精选：精心编译海外技术厂商发布的高质量 AI 领域博客文章。
目录
- Stripe 的 AI 演进：从反欺诈到支付基础模型AI 时代的经济挑战：高昂的边际成本与新型欺诈为 AI 经济构建基础设施：从 Radar 扩展到支付创新ACP：定义 AI Agent 的商业未来AI 经济分析：泡沫还是繁荣？个人思考
Stripe 的 AI 演进：从反欺诈到支付基础模型
Stripe 的使命是构建互联网的金融基础设施，作为数据与 AI 负责人，Emily 的职责是帮助 Stripe 有效利用其庞大的数据——每年处理约 1.4 万亿美元（占全球 GDP 约 1.3%）的交易量，这些数据不仅用于理解经济动态，更被反馈到产品中，以优化支付体验、减少欺诈、提高授权率。
Emily 领导的组织涵盖了从数据平台、机器学习基础设施到应用层的整个技术栈。其中一个特色是实验项目团队，这个小而精的团队专注于探索那些跨越单一产品线的、由用户需求拉动的从 0 到 1 的机会，近期的 ACP 和 Token Billing 项目均源于此团队。（编注：这个小团队约 20 多人，由数据部门主导，具备跨部门的数据获取权限，高效挖掘业务数据价值，将 AI 深度融入到企业业务模式和工作流程中，大企业试验性探索 AI 原生组织模式的有效思路）
谈到 AI 在 Stripe 的演进，Emily 指出，Stripe 使用 ML 的历史已超过十年，远早于当下的 AI 浪潮。最初，ML 被用于核心产品 Radar（Stripe 的欺诈检测系统）以及内部运营。Stripe 每天需要审核数千名新用户，确保他们的可支持性、信用价值和非欺诈性，这从一开始就离不开 ML。
真正的转变发生在 GPT-3.5 出现时，Stripe 意识到需要为所有人提供高质量、安全、易用的 LLM 访问权限，不仅是为日常工作，更是为了构建生产级的 AI 体验。在过去一年半中，Stripe 的策略从使用多个单任务、点解决方案的 ML 模型，转向构建自己特定领域的支付基础模型 (Foundation Model, FM) 。
这个基础模型在 Stripe 的支付处理中扮演着至关重要的角色，每分钟处理高达 50,000 笔交易，并且每一笔交易都会流经这个 FM 进行实时评估，延迟必须控制在 100 毫秒以内。FM 的强大之处在于它能处理所有事情——它被输入了数百亿笔交易的全部细节，而不像传统 ML 模型那样依赖人类工程师的手工特征工程。
更关键的是，FM 引入了序列的概念，将支付数据类比为语言数据。一个支付行为就像一个词，其意义取决于上下文（即周围的词）。FM 能够捕捉到复杂的序列模式，例如某个 IP 在某个特定时间、使用某种卡在特定商家进行交易。 这好比观看一部电影，FM 能够识别出哪些场景组合起来构成了异常。
这种能力在盗刷测试监测上取得了显著成果。传统的盗刷者会隐藏在大型电商的巨大流量中，进行大量 1 美分、2 美分的小额测试。传统 ML 很难捕捉到这种撒胡椒面式的攻击。而 FM 通过分析嵌入向量，能实时发现这些异常簇，并将大型用户的盗刷检测率从 59% 提升到了 97%。
FM 的另一个优势是快速适应性。一些 AI 公司向 Stripe 反映，他们面临大量可疑交易，这些交易虽然最终没有导致欺诈性争议（商家能收到钱），但它们来自机器人，会干扰数据，属于不良流量。Stripe 利用 FM 快速识别并聚类了这些新型可疑行为（例如，枚举登录流程中的某些组件），并在几天内就为 AI 公司提供了标记这些流量的能力，允许它们自行决定是否阻止这些交易。
AI 时代的经济挑战：高昂的边际成本与新型欺诈
在 AI 时代，欺诈的形态发生了根本性的变化。Emily 指出，一种被称为友好欺诈的问题正变得尤为突出。这并非指盗用他人信用卡，而是用户使用自己的凭证进行“非支付滥用”，例如免费试用滥用 、退款滥用或“先用后不付”。
在传统的 SaaS 时代，这个问题并不致命。因为 SaaS 产品的边际成本几乎为零。即使用户滥用了免费试用，SaaS 公司损失的也只是潜在的收入，而没有产生实际的、高昂的交付成本。
在 AI 时代，情况完全不同。GPU 非常昂贵，推理成本很高。当一个用户滥用 AI 产品的免费试用时，他们是在消耗实实在在的算力资源。这种高昂的边际成本使得欺诈变为对 AI 企业生死存亡的威胁。
Emily 分享了一个案例：她与一位小型 AI 创始人交流，对方称欺诈不是问题。Emily 追问后发现，这位创始人为了解决欺诈问题，不得不完全关闭了免费试用，并且在新用户证明其支付能力之前，极大地限制了他们的积分或使用额度。Emily 犀利地指出：“你不是解决了欺诈问题，你是在扼杀你自己的收入。”
这种痛苦是真实存在的，它迫使企业在增长和风险之间做出艰难的权衡。这个问题不仅限于 AI 公司，也存在于广告平台（广告商投放了广告却不付钱，占用了本可以付费的广告位）等领域。
Emily 甚至提到，她的朋友最近获得了 Robin Hood 信用卡，该卡甚至在营销中提供“免费试用卡”——这种卡 24 小时后即过期，专门用于注册免费试用。这对善意的消费者来说很方便，但对欺诈者而言，这是对 AI 经济极具破坏性的工具。
Stripe 正在构建一套 Radar 扩展套件，专门针对这些新型欺诈。例如，Stripe 的免费试用产品声称可以在源头捕获大多数免费试用滥用。对于退款滥用，Stripe 也正在开发类似的解决方案。退款滥用在企业级套餐（如每月 10,000 美元购买数十万积分）中尤为严重。Stripe 的系统可以看到这些用户在使用服务（例如，在极短时间内用完所有积分），并能验证使用者身份，从而帮助商家识别并阻止这种滥用。
.... 更多内容
欢迎订阅合集 AI 播客捕手：专门面向文字内容爱好者分享 AI 领域优质播客，其他合集：
