Ricardo Amper，Incode 首席执行官兼创始人 – 访谈系列

Ricardo Amper，Incode 的首席执行官兼创始人，是一位连续创业者和技术高管，拥有超过二十年的经验，曾在技术、消费产品和工业领域创建并扩张公司。他于 2015 年创立 Incode，旨在改变人们在数字世界中验证和认证身份的方式。此前，Amper 曾担任拉美领先的香精化学品和精油业务 Grupo Amco 的首席执行官，在公司被 Brenntag Group 收购前，他开发了基于机器学习的预测数据平台 OneView。他还共同创立并领导了被 Grupo Bimbo 收购的 Amco Foods，早期创办了 La Burbuja Networks。他的职业生涯融合了创业、人工智能、数据驱动系统以及通过收购成功构建公司的经验。

Incode 是一个由 AI 驱动的身份平台，旨在帮助组织在与个人、企业乃至日益增多的 AI 代理的交互中建立信任。其技术融合了文件验证、生物特征认证、人脸识别、活体检测、深度伪造检测以及对政府记录系统的直接核查，同时支持包括了解您的客户 (KYC)、反洗钱 (AML) 合规、了解您的业务 (KYB)、年龄验证、员工验证以及账户接管防护等领域。Incode 在内部研发 AI 技术，并已扩展平台以应对合成身份和生成式 AI 引发的欺诈等新兴威胁，以及用于验证 AI 代理所有者并追踪其行为的自主身份工具。

您在 2015 年创立 Incode，之前在截然不同的行业创建公司，并且您认为以全新、第一性原理的思维方式来解决问题，比依赖既有行业假设更有价值。您在身份验证中发现了哪些传统供应商忽视的方面，这一最初的洞见又是如何塑造 Incode 的发展？

2015 年之前，业界把身份视为合规问题和事后考虑：扫描文件，由后台人员审查，然后打勾。我没有带着这种先入为主的观念，而是看到行业在身份处理上的 AI 问题。

于是，我在第一天就做出了三项其他人未曾采取的决定：

AI 负责验证，而不是让人工审视您的数据；我们自行开发技术的每一层，而不是拼装他人的组件；隐私是架构，而非政策。十年后，生成式 AI 使这些决定成为唯一仍然有效的选择。

这一选择塑造了我们成为的公司。

1. 我们首先是建设者：即使在今天，我们的员工中从事工程和产品的比例也高于典型的 B2B 软件公司，这正是让我们保持足够灵活，以跟上威胁变化速度的原因。
2. 我们还特意在全球最严峻的欺诈环境之一——拉丁美洲起步，并基本为该地区最大的银行和企业解决了欺诈问题。当您的技术在此生存下来后，欺诈虽仍存在但不那么凶猛的市场就会成为更容易的测试场景。

我们从未只关注修补问题或让公司仅仅满足当下的合规要求。我们乐于挑战这一难题的高难度版本：以尽可能低的摩擦和最高的隐私水平验证真实个人，并为不断变化的未来提供解决方案。

Incode 已经连续三年在 Gartner® Magic Quadrant™ 身份验证领域 被评为 领袖。您认为这种持续性说明了公司怎样的演进，以及在威胁格局变化时，哪些能力对保持这一地位最为关键？

任何公司都可能有好的一年。连续三年体现了持续性，而企业购买的正是这种持续性。这三年覆盖了整个生成式 AI 欺诈浪潮，帮助我们在此期间保持行业领袖地位的关键在于我们拥有完整的技术栈。当出现新的攻击类别或向量时，我们可以在几天内重新训练自己的模型，而无需等待他人的产品路线图或更新。其他不变的因素是我们与权威身份源的直接连接，以及将转化率与欺诈同等严肃对待的纪律，因为企业两者皆需。

Incode 描述了一代新的自主欺诈攻击，其中 AI 代理能够生成合成文件、制作针对性的深度伪造、在验证系统中进行测试，并在每次被拒后进行适应。我们离这些全自动攻击工作流大规模运行还有多远？

大规模欺诈始终需要大规模的人力。瓶颈在于人工，而 AI 刚好消除了这一瓶颈。我们寻找证据并公布了我们的发现：在美国公开报道、独立来源的 AI 驱动欺诈事件，其中大部分已在法院文件或监管行动中得到确认。当我们评估每个方案中自主代理能够自行执行的程度时，几乎所有方案都可以端到端运行，且没有一个例外。旧模式受限于你能招聘到的熟练人员数量，而新模式仅受计算能力的限制。

Incode 表示，它持续对自身防御运行一个具备代理性的攻击者。这个对抗性测试过程是如何运作的？AI 攻击者能够发现哪些传统渗透测试或静态欺诈基准可能遗漏的内容？ 

思路很简单：防御这些攻击的唯一办法是先对自己进行攻击。因此我们运行一个与犯罪分子完全相同的攻击者。它生成深度伪造、合成文档和注入尝试，将它们提交到我们自己的实时防御系统，从每一次拒绝中学习，并返回更好的变体。传统的渗透测试只检查一次已知的攻击列表，然后结束。自适应攻击者从不停止创新，它会在犯罪分子之前发现弱点以及尚未出现的攻击方式。

随着生成模型让合成文档和生物特征媒体越来越逼真，哪些信号仍然是攻击者难以可靠伪造的？

如果只看像素，那就是一场输棋，因为生成模型每月都在进步。攻击者仍然无法可靠伪造的是图像之外的一切：设备及媒体传输路径的完整性、跨会话保持一致的行为，以及发放身份的来源所持有的记录。这就是我们深度伪造检测技术 Deepsight 的原理。它从不单独判断图像，而是对媒体、硬件、软件路径和用户行为进行单次实时决策，并能够识别出是哪种生成模型制造了伪造。普渡大学对其进行了独立测试，比较了 24 种其他政府、学术和商业系统，验证其为最准确的方案。

Incode 强调通过权威政府记录来验证身份，而不仅仅依赖用户提供的文件。这会如何改变身份验证的准确性？在不同国家部署此方法时会面临哪些技术或监管挑战？

文件只能告诉你呈现了什么，而权威记录则告诉你真实情况。随着生成式 AI 的进步，所有判断工件是否真实的检查都在失效，但政府记录不会，因为它是欺诈者无法控制的真实数据。挑战是客观存在的：每个国家都有不同的权威来源、不同的访问规则以及不同的隐私法律，因此我们需要在各个市场逐一建立直接连接，并在“隐私即设计”原则下处理所有数据。

身份验证系统必须在阻止高级欺诈的同时，不给合法用户造成不必要的摩擦。你们如何评估安全性、误拒率、入网速度和转化率之间的权衡？

每个身份提供商都在这四个因素之间进行权衡。真正的问题是你掌握了哪些杠杆。行业中大多数采用的是从他人授权的技术，因此在欺诈激增时，他们无法查看模型内部或进行再训练，唯一能调节的只能是摩擦：增加步骤、更多人工审查、更多好用户被拒。我们走了相反的路线，所有 AI 模型均自行研发，包括活体检测、深度伪造检测、文件验证等，因此我们的杠杆是准确性。我们可以在数天内完成再训练，将欺诈压制在模型内部，同时保持用户体验不变。这也是为什么我们能够让每位好用户顺利通过，同时阻止每一次攻击，这对我们而言不是权衡，而是唯一的任务。

Incode 的信任网络旨在识别重复欺诈并在组织之间识别可信历史，而无需汇聚原始个人数据。哪些技术使这种隐私保护的情报共享成为可能？

密码学是实现手段，但核心在于概念本身：在不暴露的前提下协作。网络中的组织可以了解某个身份信号是否在其他地方与欺诈关联，而无需任何一方看到对方的数据，因此不存在汇聚数据库、无可被攻击的目标，也没有数据经纪。这也是我们收购 Identiq 的原因，其团队多年致力于构建这种提升隐私的密码技术；同时我们今年投入超过 1 亿美元用于隐私保护的身份基础设施。网络在每一次验证中变得更智能，而每位用户的数据始终保持封闭，已完成超过 70 亿次信任检查和 4 亿个档案。我们始终相信隐私与欺诈防范并非对立，而是同一问题，要么共同解决，要么无法解决。

随着 AI 代理开始代替人们进行购买、访问账户、签署协议和沟通，组织应如何验证不仅是代理本身，还包括其所有者、权限以及执行特定操作的授权？

首先从所有者开始，因为如果代理的权限无法追溯到经过验证的真实人类，则毫无意义。这正是我们构建 Agentic Identity 的初衷：我们通过高保障的身份验证和防深度伪造的活体检测来验证所有者，为代理颁发安全令牌，将每一次操作都关联到该负责的人，并验证其权限范围，确保获得单一任务授权的代理不会悄然扩展到其他任务。随后我们进行持续监控，因为代理的行为变化速度快于任何季度访问审查。我们使用与人类相同的生物识别技术、相同的欺诈情报、相同的网络，将这些延伸至代表他们行动的系统。

展望未来，身份验证会继续作为入职时的独立检查点，还是会演变为贯穿人、企业和自主 AI 代理之间所有数字交互的持续信任层？

在一段时间内仍会保留，但最终持续的方式将占优势。入职仍是身份以最高保障建立的锚点，但信任不能停留在某一时刻，因为攻击会在会话之间适应，代理也会全天候交易。目标是构建持久的信任层：在真实风险时进行重新验证，持续关联行为和网络信号，并将相同的问责延伸至代表人们行动的 AI 代理。身份不再是检查点，而是基础设施，我们正为这样的世界进行构建。

感谢这次精彩的访谈，想了解更多的读者请访问 Incode。