反洗钱风控系统的进化史，是一部从确定性规则到概率模型的演进史。早期的规则引擎简单直接——金额超阈值、频次超限制、命中名单，每条规则都可解释、可审计，但面对不断翻新的洗钱手法，规则的滞后性日益凸显。
规则引擎的优势在于透明与可控：每条规则都能追溯到明确的业务逻辑，监管审计时易于解释。其劣势同样明显：规则由人工编写，覆盖范围有限，新手法出现后才能事后补丁；且规则的刚性容易产生大量误报，人工复核不堪重负。
机器学习模型的引入解决了部分问题。基于历史已确认案件的标注数据，模型可以学习复杂的风险组合特征——单看每项都不异常，但组合出现的概率极低，这正是规则难以捕捉的维度。模型把海量特征整合为一个风险分，排序能力远超人工规则。
模型化的关键挑战是可解释性。风控决策涉及用户资金与账户状态，监管与用户都有权知道「为什么」。实践中普遍采用双轨制：模型负责初筛排序，规则负责最终决策兜底；模型输出附带的特征归因（哪些维度贡献了风险分）作为解释依据。
数据闭环是模型持续进化的燃料。已确认案件的处置结果、人工复核的标注、监管反馈的立案信息，都回流为训练数据；模型以周为周期重新训练，确保对新手法保持敏感。同时，对抗样本研究帮助模型抵御恶意逃逸——洗钱团伙也会研究模型的弱点。
从规则引擎到机器学习，并非简单的替代关系，而是互补融合。规则守住确定性底线，模型捕捉不确定性风险，人工复核处理边界案例。三层协同，构成了现代反洗钱风控系统的完整架构。