인공지능 모델이 현재 수준으로 발전함에 따라 대량 기능이 인공지능으로 대체될 수 있게 되었습니다. 예를 들어, 공정성 검증, 중재, 감사 와 같은 전통적인 기능들을 인공지능이 수행할 수 있습니다. 이는 최근 바이낸스의 입출금 처리 장애 사태로 인해 특히 주목받게 되었습니다. 이 문제는 계좌 동결과 같은 동결, 의심(FUD) 조장 행위와 관련이 있습니다. BIRDEYE는 대규모 AI 모델을 사용하여 상황을 체계적으로 분석하고 세분화하여 정확히 무슨 일이 일어나고 있는지 파악합니다. BIRDEYE의 MAS 프레임 핵심 아이디어는 누가 좋고 나쁜지를 미리 판단하는 대신, 계정을 다섯 가지 차원으로 나누어 점수를 매기는 것입니다. 그런 다음, 리스크 신호를 중첩하여 해석합니다. 다섯 가지 차원은 계정 신원 진위성, 행동 밀도 및 협업 콘텐츠의 독창성과 특징, 사회적 관계의 깊이, 그리고 동기 및 관심 변화입니다. 각 차원은 0점에서 2점까지 점수가 매겨지며, 총점은 0점에서 10점까지입니다. 마지막으로, 위험도는 리스크 수준으로 분류됩니다. 중요한 점은 샘플에 포함된 92개 계정 중 신뢰 구간에 0점이 포함되었다는 것입니다. 전체 평균 점수는 4.54점, 중앙값은 5.09점, 최고 점수는 8.07점이었습니다. 다시 말해, 가장 인간과 유사한 집단조차 9점이라는 기준점을 넘지 못했다는 것입니다. 점수만 보면 그저 의심스러울 뿐이지만, 진정으로 문제가 되는 것은 증거의 연결 고리가 무너져 내린 결과입니다. 1/ 이미지 지문 pHash는 직접 일치합니다. 15개의 계정이 서로 다른 지역과 기기에서 촬영한 것으로 추정되는 스크린샷을 게시하며 pHash 해밍 거리가 0이라고 주장했습니다. 동일한 상위 자재가 여러 계정에 배포되었습니다. 2/ 위조 흔적은 사용자 인터페이스 문자에서 드러납니다. 예를 들어, 라틴 문자 'o'를 그리스 문자 'ο'로 바꾸는 것은 거의 완벽한 모방입니다. 이러한 동음이의어는 육안으로는 거의 구별할 수 없지만, 코드 클레임 위조 사실을 밝혀낼 수 있습니다. 이러한 기법은 피싱이나 사칭에 더 가깝습니다. 3/ 해당 영상은 AI가 생성한 것으로 의심되었습니다. 다중 모델 AI 탐지 점수는 0.82에서 0.94 사이였습니다. 0.80 임계값을 초과하는 모든 항목은 태그 되었습니다. 묘사 내용과 조명의 불일치, 얼굴 특징점의 이상 현상 등을 종합해 볼 때, 최소한 원본 자료의 신빙성이 부족하다는 것을 알 수 있습니다. 4/ 행동적 차원에서는 시간적 동기화와 각본에 짜여진 듯한 공명이 나타나는데, 동일한 시간대에 유사한 콘텐츠가 고밀도로 게시됩니다. 이는 p < 1e-6의 포아송 분포 적합과 같은 통계적 판단은 물론, 단어 선택 오류, 오타, 그리고 매우 유사한 수사적 구조까지 포함합니다. 이러한 서술 방식은 개인이 무작위로 게시한 것이라기보다는 대량 생산된 것으로 보입니다. 5/ 계정 식별 측면에서, 이름 변경과 자산 재사용이 집중적으로 발생했습니다. 보고서에 따르면 2026년 1월에 약 42%의 계정이 이름이나 프로필을 변경했습니다. 이름 변경은 특정 시점에 집중되었는데, 이러한 동시성은 일반적인 사용자 유입에서는 거의 찾아볼 수 없습니다. 단일 광고 시스템을 사용하여 프로세스를 운영하고, 자료를 균일하게 배포하고, 일정한 속도를 유지하고, 통일된 언어를 사용합니다. 이러한 균일성은 지나치게 눈에 띄며, 작업이 세련된 방식으로 이루어지지 않았습니다. openai.study/html/report_en.ht...… openai.study/html/BIRDEYE_repo...…

BNB 가격도 하락했습니다.