返回列表
美军士兵涉嫌利用机密信息在预测市场牟利被起诉:涉及马杜罗抓捕行动
行业新闻法律监管预测市场国家安全

美军士兵涉嫌利用机密信息在预测市场牟利被起诉:涉及马杜罗抓捕行动

2026年4月23日,美国纽约南区检察官办公室宣布起诉美国陆军士兵甘农·肯·范戴克(GANNON KEN VAN DYKE)。范戴克被指控利用其参与美国军事行动“绝对决心行动”(Operation Absolute Resolve)期间获取的机密信息,在预测市场Polymarket上进行违规投注并从中获利。他面临非法使用政府机密信息、盗窃非公开政府信息、商品欺诈、电汇欺诈及非法货币交易等多项指控。

Hacker News

核心要点

  • 被告身份:美国陆军士兵甘农·肯·范戴克(GANNON KEN VAN DYKE)。
  • 核心指控:利用有关抓捕尼古拉斯·马杜罗的军事行动“绝对决心行动”的机密信息,在Polymarket预测市场进行投注获利。
  • 法律罪名:包括非法使用机密政府信息、盗窃非公开政府信息、商品欺诈、电汇欺诈及非法货币交易。
  • 官方态度:美国司法部强调预测市场并非利用挪用机密信息牟利的避风港,此类行为属于内幕交易。

详细分析

军事机密与预测市场的违规交集

根据起诉书显示,范戴克直接参与了名为“绝对决心行动”(Operation Absolute Resolve)的美国军事行动的规划与执行,该行动的目标是抓捕尼古拉斯·马杜罗。在履行职责期间,范戴克获得了关于该行动的时间安排和预期结果的敏感机密信息。他并未遵守保密义务,而是利用这些内部消息在去中心化预测平台Polymarket上进行下注,试图通过预知军事行动的进展来获取个人经济利益。

司法机关的严厉指控

美国纽约南区检察官杰伊·克莱顿(Jay Clayton)指出,范戴克违背了美国政府对其的信任。起诉书详细列明了其多项罪名,认为这种行为本质上是利用军事机密进行的“内幕交易”。此案由联邦调查局(FBI)负责调查,反映了监管机构对于新兴预测市场中利用非公开信息获利行为的高度关注。范戴克将在北卡罗来纳州东区地方法院出庭,案件后续将由纽约南区地方法院审理。

行业影响

该事件对预测市场和信息安全领域具有深远意义。首先,它明确了法律界限,即即便是在基于区块链或去中心化的预测平台上,利用非法获取的政府机密信息进行交易仍受联邦法律管辖,并被视为严重的内幕交易行为。其次,这可能会促使预测平台加强合规性审查,并引发政府对涉及国家安全信息的非公开传播进行更严格的监控。对于AI和大数据分析行业而言,这也提醒了在处理敏感预测数据时,数据来源的合法性与合规性至关重要。

常见问题

问题 1:什么是Polymarket?

Polymarket是一个去中心化的预测市场平台,用户可以在该平台上对现实世界事件的结果(如政治选举、军事行动或体育赛事)进行投注。

问题 2:范戴克面临的主要指控有哪些?

他面临非法使用机密政府信息谋取私利、盗窃非公开政府信息、商品欺诈、电汇欺诈以及进行非法货币交易的指控。

问题 3:此案为何被定义为内幕交易?

因为被告利用了公众无法获知的、因其职务身份才掌握的军事行动机密信息,并利用这些信息在金融性质的预测市场上进行投注获利,这符合内幕交易的核心特征。

相关新闻

美团LongCat团队发布WBench:首个交互式视频世界模型多轮评测基准
行业新闻

美团LongCat团队发布WBench:首个交互式视频世界模型多轮评测基准

美团LongCat团队正式开源了WBench,这是全球首个针对交互式视频世界模型设计的系统性多轮评测基准。WBench被形象地比作“CT扫描仪”,旨在精准识别和定位世界模型在从传统的“被动观看”模式向“主动交互”模式转型过程中遇到的技术瓶颈,为世界模型的发展提供了关键的评估工具。

美团AI科研爆发:32篇顶会论文精讲,含ACL 2026杰出论文深度解析
行业新闻

美团AI科研爆发:32篇顶会论文精讲,含ACL 2026杰出论文深度解析

美团技术团队在2026年AI学术领域取得重大突破,数十篇论文被ACL、SIGIR、ICML、KDD等国际顶级会议收录。团队精选32篇核心论文,通过5大专场直播形式进行深度技术精讲,其中包括备受瞩目的ACL 2026杰出论文。此次大规模的技术成果分享,不仅展示了美团在自然语言处理、机器学习及搜索推荐等领域的前沿探索,也为行业提供了宝贵的实战经验与理论参考。

美团发布LongCat-2.0:首个五万卡国产算力集群训练的1.6T万亿参数模型
行业新闻

美团发布LongCat-2.0:首个五万卡国产算力集群训练的1.6T万亿参数模型

美团技术团队正式发布LongCat-2.0模型。该模型是业界首个在五万卡国产算力集群上完成全流程训练与推理的万亿参数大模型,总参数量达1.6T。LongCat-2.0采用从零预训练模式,原生支持1M超长上下文,其核心设计目标聚焦于Agentic Coding任务,旨在提升代码理解、生成与执行的效率与稳定性。