Des chercheurs de l'université de police chinoise développent un modèle d'IA détectant les transactions Bitcoin illicites avec une précision de 89,4 %
Points clés
- •Le système d'IA développé par la principale académie de police de Chine détecte les transactions Bitcoin illicites avec une précision globale de 89,4 % et une précision de 89,1 %, surpassant les modèles de référence existants.
- •Le framework combine des réseaux de neurones sur graphes dynamiques, un module de mémoire pour stocker les schémas d'activité illicite historiques, et de grands modèles de langage qui gèrent le raisonnement et la classification.
- •Avec un taux de rappel de 64,5 % pour les transactions illicites, le système laisse environ un tiers des flux de fonds criminels non détectés, limitant sa fiabilité en tant qu'outil d'enquête autonome.
- •Le système produit des explications en langage naturel pour chaque évaluation, une fonctionnalité qui pourrait aider les procureurs nécessitant des preuves transparentes et auditables pour les procédures judiciaires.
- •La Chine a inculpé 3 259 personnes pour blanchiment d'argent lié aux monnaies virtuelles en mars 2025, soulignant la demande soutenue en matière de détection avancée de la criminalité cryptographique malgré l'interdiction de trading et de minage de 2021.
Des chercheurs de l'Université de sécurité publique du peuple chinois, la principale académie de police du pays, ont développé un système d'intelligence artificielle capable d'identifier les transactions Bitcoin illicites avec une précision globale de 89,4 %. Cette avancée pourrait influencer la manière dont les organismes d'application de la loi du monde entier enquêtent sur la criminalité financière liée aux cryptomonnaies, un domaine dans lequel des sociétés d'analyse blockchain telles que Chainalysis, Elliptic et TRM Labs fournissent déjà des outils de surveillance des transactions à des agences gouvernementales dans de multiples juridictions.
L'équipe a publié ses résultats en mai dans le Journal of Intelligence. Le South China Morning Post a rendu compte de ces travaux, notant que le framework surpassait les modèles de référence existants pour la détection des fonds illicites circulant dans les réseaux blockchain.
Architecture et méthodologie
Le framework intègre trois technologies : des réseaux de neurones sur graphes dynamiques qui cartographient l'évolution des relations entre les nœuds de transaction, un module de mémoire qui stocke les schémas historiques d'activité illicite, et de grands modèles de langage qui gèrent la couche de raisonnement et de classification.
Les chercheurs ont évalué le système à l'aide du jeu de données Elliptic Bitcoin, un référentiel académique public créé par la société d'analyse blockchain britannique Elliptic, comprenant 203 769 nœuds de transaction et 234 355 arêtes les reliant. Le jeu de données étiquette les transactions comme illicites, licites ou inconnues sur la base de données issues de cas réels et est largement utilisé dans la recherche sur la criminalité liée aux cryptomonnaies depuis sa publication en 2019.
Le modèle a atteint une précision de 89,1 % et un taux de rappel de 64,5 % spécifiquement pour les transactions illicites. En termes pratiques, lorsque le modèle signale une transaction comme suspecte, il a raison environ 89 % du temps. Cependant, il ne capture qu'environ 65 % de l'ensemble des transactions illicites du jeu de données, laissant environ un tiers non détecté. Cet écart de rappel signifie qu'une part significative des flux de fonds criminels pourrait encore passer inaperçue, ce qui importe pour les enquêteurs qui ne peuvent se fier à un seul outil pour identifier toute activité suspecte.
Explicabilité et valeur probatoire
Le Dr Sun Jingchao, auteur correspondant de l'étude, a identifié les capacités de correspondance de schémas historiques du système comme un avantage clé. Le module de mémoire permet à l'IA de faire référence aux schémas de transactions illicites passés, d'appliquer des chaînes de raisonnement et de générer des scores de risque parallèlement à ses classifications.
Le framework produit également des explications en langage naturel pour ses décisions. Plutôt que de se contenter de produire un score de probabilité, le système peut articuler le raisonnement derrière chaque évaluation. Pour les régulateurs et les procureurs qui exigent des preuves recevables devant un tribunal, cela représente une amélioration significative par rapport à un simple intervalle de confiance. Cette fonctionnalité d'explicabilité s'inscrit dans une tendance plus large des cadres de gouvernance de l'IA, notamment l'AI Act de l'Union européenne adopté en 2024, qui met l'accent sur les exigences de transparence et d'auditabilité pour les systèmes utilisés dans les contextes d'application de la loi.
Contexte de l'application de la loi en Chine
Ces travaux de recherche interviennent dans un contexte d'intensification de la répression de la criminalité liée aux cryptomonnaies en Chine, qui a interdit le trading et le minage de cryptomonnaies sur son territoire en 2021. Malgré cette interdiction, le blanchiment d'argent transfrontalier lié aux cryptomonnaies a persisté, alimentant la demande de capacités de détection plus sophistiquées.
En mars 2025, des procureurs chinois ont inculpé 3 259 personnes impliquées dans des activités de blanchiment d'argent liées aux monnaies virtuelles et aux opérations bancaires clandestines.
Le 25 juillet 2026, un tribunal chinois a traité une affaire portant sur près de 3 milliards de yuans, soit environ 444 millions de dollars, liée à des dettes de jeux d'argent en ligne.
L'exclusivité de l'attention portée au Bitcoin par ce framework d'IA est notable. La recherche ne fait référence à aucun protocole, entreprise ou autre actif numérique spécifique, ce qui souligne le rôle persistant du Bitcoin comme principal conduit pour les transactions illicites sur les marchés des cryptomonnaies.