#293.Stripe 的支付基础模型：数据与基础设施如何创造复合优势

episode

跨国串门儿计划 not yet transcribed

▲ 0

Transcript

This episode hasn't been transcribed yet Upvotes decide what gets transcribed next — 0 so far. Sign in to upvote

More from 跨国串门儿计划

#365.风险共担与非对称性：塔勒布对话纳瓦尔，拆解真实世界的运行逻辑 1h 9m · 20 Dec 2025

All episodes from 跨国串门儿计划 →

Report any issue

Source

Recorded04 Nov 2025

Publisherfeed.xyzfm.space ↗

Handlerec:3930763

Show notes

📝 本期播客简介本期克隆了 Cognitive Revolution "How AI Changes Everything"邀请到 Stripe 数据与 AI 负责人 Emily Sands，深入探讨了 Stripe 在 AI 领域的创新，特别是其独创的“支付基础模型”。该模型并非传统语言模型，而是将支付视为一种独特模态，通过整合海量的上下文信息（买家、卡片、设备、商家等近期活动），实现了超人水平的欺诈检测能力，例如将“盗刷测试”检测率从 59% 提升至 97%。Emily 解释了 Stripe 如何通过开放基础模型的“表征”（embeddings），让工程师能将其作为额外输入，大幅加速机器学习系统的开发，将数月工作量缩短为“周末项目”，从而形成强大的数据飞轮效应。节目还讨论了 Stripe 如何通过快速迭代领先于欺诈者，利用大语言模型充当“裁判”处理“友好欺诈”等无真实标签的复杂问题，以及他们对未来“Agent 商务”的展望。这期节目不仅为 AI 工程师提供了实用经验，也为 AI 战略家带来了宏观层面的深刻启示，揭示了 AI 如何改造全球最关键的金融基础设施之一。原播客为 Stripe's Payments Foundation Model: How Data & Infra Create Compounding Advantage, w/ Emily Sands文字版精华：见微信公众号（点击跳转）👨‍⚕️ 本期嘉宾Emily Sands，Stripe 的数据与 AI 负责人。⏱️ 时间戳开场 & 播客简介00:00 播客简介与嘉宾介绍01:48 Stripe 的核心业务与 AI 战略支付基础模型的诞生09:06 支付基础模型：将每笔交易转化为向量11:13 支付数据：一种独特的“语言”与大规模训练12:51 人类难以处理的复杂序列信息15:59 基础模型带来的效率提升与“周末项目”18:57 网络密度与欺诈检测的挑战22:03 模块化 AI 部署与嵌入式应用对抗欺诈：迭代与创新24:06 盗刷测试：基础模型在欺诈检测上的突破26:45 商家智能：横向层面的数据洞察28:11 欺诈检测的“真实标签”挑战与快速迭代30:06 动态风险阈值与自适应 3D Secure33:20 决策中间地带：模型与规则的结合37:34 LLM 作为“裁判”处理无标签数据41:08 AI 的对抗鲁棒性与 Stripe 的多层防御数据洞察与未来展望44:11 多模态 AI 在商家欺诈评估中的应用46:22 “与数据对话”：Stripe Sigma 的准确性与可解释性52:25 Stripe 作为记录系统：简化创业者的数据管理57:06 成功案例：Lovable 和 Reetail.ai 如何依赖 Stripe 快速增长00:58:53 Agent 商务：从消费者到开发者场景01:03:08 Stripe 的 AI 战略：构建经济基础设施，而非模型商店结束语01:07:58 总结与感谢🌟 精彩内容💡 支付基础模型：独创的金融智能Stripe 的支付基础模型将每笔支付转化为一个紧凑的向量，如同为交易赋予“经纬度”。它通过学习海量结构化支付数据中的“语法”和“语义”，特别是买家、卡片、设备和商家等实体的历史行为序列，实现了对欺诈的超人检测能力，例如将“盗刷测试”的检测率从 59% 提升至 97%。这种模型超越了人类处理复杂多维信息的能力。“支付数据在很多方面，虽然不是所有方面，但确实开始看起来像一种语言。”🛠️ “周末项目”：加速 AI 开发的飞轮效应Stripe 不直接让基础模型处理所有应用，而是开放其生成的“表征”（embeddings）。工程师可以轻松地将这些高质量的 embeddings 作为额外输入，添加到现有的机器学习系统中，将原本需要数月的工作量缩短为“周末项目”。这种模块化部署极大地提高了开发效率，形成了数据规模、模型优化、产品价值和业务增长的良性循环。“一旦有了共享的 embedding，启动一个新模型就成了周末项目，而不是季度项目。”🚀 对抗欺诈：领先一步的迭代策略面对不断进化的欺诈者，Stripe 采取了多层次的防御策略和快速迭代机制。除了基础模型，他们还结合了动态风险阈值、自适应 3D Secure 等“软拦截”手段，以及规则与模型的灵活结合。在缺乏明确“真实标签”的情况下，Stripe 创新性地使用大语言模型充当“裁判”，评估和生成标签，从而加速了对“友好欺诈”等复杂问题的响应。“攻击者在迭代，所以他们的模型也在迭代。我们的工作就是迭代得更快。”💻 Stripe 的 AI 战略：构建经济基础设施Stripe 并非直接与大型 AI 模型公司竞争，而是专注于为 AI 时代构建经济基础设施。这包括成为 AI 公司最好的合作伙伴、赋能 Agent 商务、将 Stripe 原生内置于开发者 AI 工具中，以及在整个网络中部署其基础模型以提升智能层。Stripe 认为其核心优势在于通过数据规模和模型能力，为用户创造更大的价值，从而实现更有利可图的增长。“我们真的非常专注于为 AI 构建经济基础设施，而不是直接成为一个 AI 模型商店。”🌐 播客信息补充本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的使用 AI 进行翻译，因此可能会有一些地方不通顺；如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

Ask this episode

“What did the council decide on item 42?” — answered with the speaker and the moment.