你的 AI 定价工具可能正在运作一个卡特尔——而你或许对此一无所知
去年秋天，我在与一家中型物业管理公司通话时，他们的营收副总裁说了一句让我心里一沉的话。
“我们没问题，”她说。“我们不用 RealPage。我们自己造了定价工具。”停顿了一下。“嗯——它会带着我们的数据和我们抓取来的竞争对手房源信息去调用 GPT-4。但它是我们自己的。”
它并不是他们自己的。在任何有意义的层面上都不是。他们把具有竞争敏感性的租赁数据——出租率、租约条款、按户型划分的价格——发送给一个第三方 API，而这个 API 是用天知道什么数据训练出来的，靠天知道是谁的交互调优出来的，返回的建议，则被它从整个市场的海量同类查询中吸收到的模式所塑造。他们在毫无察觉之间，恰恰搭建起了美国司法部刚刚花两年时间拆解的那种算法协同机制。
那次通话改变了我对我们在 Veriprajna 所构建之物的看法。因为问题不在于某一家公司因用软件操纵租金而被抓。问题在于，默认架构——大多数公司在 AI 上采用的那一套：把你的数据发给别人的模型，再拿回一条建议——在结构上与司法部刚刚称之为数字卡特尔的东西毫无区别。
RealPage 到底发生了什么？
让我说得具体一点，因为细节比新闻头条更重要。
RealPage 开发了名为 YieldStar 和 AIRM 的软件，它们会摄取来自相互竞争的房东的非公开、细颗粒度交易数据——实时租金、租约条款、未来出租率预测——并据此生成每日定价建议。司法部指控这构成了一个“轴辐式”卡特尔：RealPage 是轴心，房东们是辐条，而算法就是那间烟雾缭绕的密室。
政府法庭文件中有一句关键表述，我反复想起：这款软件确保房东们“很可能步调一致，而不是彼此对立。”
当你的算法的明确设计目标就是阻止竞争者去竞争时，你根本不需要在密室里握手。你已经把握手自动化了。
2025 年 11 月 24 日，司法部达成了一项里程碑式的和解。而在 2025 年 9 月，FPI Management 就已以 280 万美元和解。Yardi Systems 仍面临持续的诉讼。突然之间，每一家在运行算法定价的公司——无论在房地产、酒店、零售还是物流——都不得不问一个他们从未考虑过的问题：我的软件是不是共谋者？
如果你不在房地产行业，这为什么依然重要？
关于 RealPage 案，大多数报道都在这一点上出了错。评论者把它当成一个房地产故事。它不是。它是一个架构故事。
司法部的最终判决划出了一条技术界线，任何企业 AI 团队看到都应该心生恐惧。它区分了模型训练与运行时操作。模型仍然可以从历史性的、聚合的趋势中学习——那些至少已有十二个月历史、且与活跃交易无关的数据。但如果把竞争对手的当前状态——他们的出租率、他们的库存、他们的实时价格——用作实时建议的输入呢？那如今会被视为《谢尔曼法》第 1 条下的一种数字合谋。
请再读一遍。这与意图无关。这关乎数据流架构。
我在我们研究的交互版中完整拆解了技术与法律层面的细节，但核心洞见是这样的：如果你的 AI 系统摄取了非公开的竞争对手数据，并输出了影响市场行为的建议，那你就有反垄断问题。你身处哪个行业无关紧要。《谢尔曼法》不在乎你的垂直领域。
而如果你用的是多租户 API——它既处理你的数据，也处理你竞争对手的数据——那么数据混同的风险就是结构性的。架构问题，是没法靠制度政策绕过去的。
我意识到“套壳”已死的那个夜晚
我得往回倒一段，说说 RealPage 和解之前的一个时刻，因为正是在那时，这个论点在我心里成形了。
我们当时在为一家酒店业客户压力测试一个定价原型。系统是相当标准的搭法——把他们的预订数据接入一个 LLM API，结合抓取来的市场价格，产出动态定价建议。界面清爽。响应飞快。客户很喜欢。
然后我的一位工程师 Priya 做了一次溯源审计。她追踪了推理时接触到模型的每一个输入的数据血缘。某个周二晚上 11 点，她在我们的 Slack 频道里发来一句话：“我们无法证明这个模型知道些什么。”
她说得对。当你把数据送进一个公共 API，你就失去了保证究竟是什么影响了输出的能力。这个模型可能是用其他酒店企业的交互微调过的。它可能吸收了上周使用同一个 API 的某个竞争对手的定价模式。你是真的无从知晓。而在后 RealPage 时代，“我们真的无从知晓”不是抗辩理由——那等于是承认了。
就是在那天晚上，我告诉团队，我们要把整个项目转向私有化部署。客户提出了反对——这会耗时更久、前期成本更高，还需要他们并不具备的基础设施。我记得凌晨 1 点坐在自己的公寓里起草那封邮件，解释为什么凭良心我们无法交付已经做出来的东西。那是我作为创始人经历过的最艰难的一次客户对话。也是最重要的一次。
问题不在于你的 AI 是否给出了好建议。问题在于，你能否在宣誓之下向一位联邦法官证明，究竟是哪些数据塑造了那些建议。
各州如何回应？比所有人预想的都快
联邦层面的和解只是开场。加州和纽约州出手之快，让整个法律科技界措手不及。
加州的 AB 325，自 2026 年 1 月 1 日起生效，禁止将使用竞争对手数据来推荐或影响价格的共用定价算法，用作限制贸易共谋的一部分。关键的细微之处在于：它只适用于被两个或两个以上主体使用的工具。为单一公司专属使用而自建的专有算法不在此列。
仔细读一读这条豁免。加州实质上创造了一种法律激励：自己造 AI，而不是去订阅共用的 SaaS 工具。
纽约州的 S. 7882，自 2025 年 12 月 15 日起生效，在住宅物业管理领域走得更远。它针对任何执行“协调职能”的算法工具——其定义为收集并分析来自多个业主的数据。即便没有直接采纳其建议，责任也可能成立。其责任标准是：只要使用此类工具，本身即构成“罔顾后果”（reckless disregard）。
我曾和曼哈顿的一位房地产律师聊过，他说得很直白：“如果你是纽约的物业管理方，还在用多租户定价工具，那你不是在管理风险。你是在制造风险。”
“主权 AI”在实践中到底意味着什么？
我是刻意使用“主权”这个词的，我也知道这个词听上去很浮夸。但这个概念是精确的：你的 AI 系统应当在架构上就不可能访问、摄取你并不拥有的数据，也不可能受其影响。
在 Veriprajna，我们把自己的方法称为“Deep AI”——它建立在一条听上去理所当然、实践起来却相当激进的原则之上：把声音与大脑分开。
“声音”就是神经语言模型——理解自然语言并生成流畅回应的那一部分。我们把 Llama 3 或 Mistral 这类开放模型私有化部署在客户自己的虚拟私有云内部。数据从不离开他们的边界。
“大脑”则是一个确定性的符号求解器——知识图谱、规则引擎、基于 SQL 的逻辑——它强制执行政策、进行计算，并保证输出符合特定的监管约束。大脑不会产生幻觉。它不做近似。它进行计算。
这正是认知科学家所说的“系统 2”思维——缓慢、审慎、可审计的推理——叠加在“系统 1”的模式识别之上。神经模型处理歧义与语言。符号系统处理真实性与合规。
安全不能是概率性的。它必须是架构性的。
当司法部要求定价“调节器”必须对称——对降价与涨价给予同等权重——这不是你用一句系统提示词就能强制执行的政策。这是你要编码进符号层的约束，在那里它是数学上被保证的，而不是统计上大概率成立的。
你还能在不违法的前提下使用市场数据吗？
这是我最常被问到的问题，而且问得对。答案是肯定的——但怎么做至关重要。
技术机制是差分隐私。不深入数学细节（我在我们的技术深度解析中对此做了详尽阐述），其核心思想很优雅：你向数据中加入经过精心校准的噪声，使得任何单一参与方的信息被纳入或被剔除，都不会实质性地改变算法的输出。
这意味着定价引擎可以从宏观市场趋势中学习——“这个邮编区域的需求正在上升”——而从不“看到”某个具体竞争对手的出租率或租约条款。你获得了分析效用，却不必承担反垄断的风险敞口。
我们把这一点与合成数据生成搭配使用。有预测称，到 2024 年，60% 的 AI 训练数据将是合成的。到了 2026 年，合成数据已经成为我所说的“合规即设计”的主要机制。我们用生成式模型创建市场数据的高保真合成版本，它们保留统计特性，却不含任何真实的竞争敏感信息。
这不是绕行方案。这是一种更好的架构。而且它提供了再多法律免责声明也给不了的东西：一份数学证明，证明你的系统没有在与竞争对手协同。
我一再重复的那场争论：“自动接受”
RealPage 和解案中有一个细节没有得到足够的重视：对自动接受功能的禁止。
RealPage 的软件可以在没有人工复核的情况下自动执行定价建议。司法部把这视为一项重要的加重情节。和解协议现在要求，自动接受功能必须可配置，并由用户手动设置。
我曾为此和一位潜在客户的 CTO 争论过。他想要一个完全自主的定价智能体——没有人在回路中，对市场状况即时响应，效率最大化。“这才是 AI 的全部意义所在，”他说。
我告诉他，AI 的全部意义在于做出更好的决策，而不是快到没人来得及复核就把决策做完。他不太喜欢这个回答。
但现实是这样的：我们在 Veriprajna 构建的每一个系统，都包含我称之为“人类作为捕获者”的回路。在每一个关键层级，人的意图都统辖机器的执行。这并不是因为人比算法更聪明——很多时候并非如此——而是因为 2026 年的法律与伦理框架要求，必须有一个人对每一项面向市场的决策负责。覆盖机制、强制签核流程、为监管复核而留存的审计日志。
有人有时会问我，这种人在回路中的要求是不是让 AI 定价工具变得毫无意义。并没有。它让它们成为工具，而不是替代品。AI 在几秒钟内完成人类团队要花几天才能做完的分析。由人来做决定。这不是限制——这是负责任地参与市场的架构。
“套壳陷阱”的真实代价
让我来谈钱，因为最终推动这场对话的正是钱。
使用第一梯队 API 模型——GPT-5、Claude 4——的公司，每百万输入 token 要付 1.25 到 15.00 美元，每百万输出 token 要付 10.00 到 75.00 美元。这些成本会波动。服务条款会变。而你发出的每一个 token 都带着数据主权风险。
麦肯锡与 BCG 在 2025 年底的数据显示，成功规模化 AI 的公司，三年期股东总回报达到同行的 3.6 倍。但只有 5% 的组织真正从 AI 中获得了实质性的财务收益。大多数则困在为别人的基础设施缴纳一笔不断上涨的税，却拿不出任何站得住脚的竞争优势。
Deep AI 把成本结构翻转了过来。你投资于基础设施——硬件资本支出、私有模型部署、符号推理层——由此构建出一项资产。一个量身定制的机构大脑，承载你的组织独有的工作流、政策与市场情报。它落在你的资产负债表上。它的价值会复利增长。而且它无法被一个和你订阅同一个 API 的竞争对手复制。
当你的竞争优势寄居在别人的数据中心里，那它就不是竞争优势。那是一份订阅。
接下来会走向何方？
下一个前沿是智能体式 AI（agentic AI）——能够选择工具、执行多步推理并在真实世界中采取行动的自主系统。预订一批货运。调整一次价格。提交一份监管文件。潜力非同凡响。风险也与之成正比。
一个超出自身授权的自主定价智能体——做出未经授权的财务承诺，或在没有人类监督的情况下与市场参与者协同——不只是一次技术故障。在后 RealPage 的法律环境里，它可能构成联邦犯罪。
我们构建的每一条智能体式工作流都遵循一个严格的回路：对照企业宪章进行推理，选择恰当的工具，校验输出，并且只有在确认没有越过任何合规边界之后，才合成回应。每一个动作都被记录、可审计。符号大脑充当宪章性约束——不是建议，不是指南，而是神经模型无法凌驾的架构边界。
这就是主权在实践中的含义。不只是拥有你的数据，而是拥有作用于这些数据的推理过程。不只是部署 AI，而是部署一种体现你的法律、你的伦理、你的风险容忍度的 AI——编码在监管者可以查验、法官可以理解的逻辑之中。
RealPage 案不是一个异常个案。它是一种新法律现实的第一个明确信号：你的 AI 系统的架构，如今已成为你反垄断风险敞口的主要决定因素。不是你的意图。不是你的政策。不是你的服务条款。而是你的架构。
每一家在运行算法定价、收益管理或面向市场的推荐的企业，都需要回答一个简单的问题：如果司法部明天传唤你的 AI 系统，你能否在数据流、模型训练与推理逻辑的层面上证明，它的运作独立于你的竞争对手？
如果答案是“大概可以吧”，那你有麻烦了。如果答案是“我们得问问我们的 API 供应商”，那你面临的是一场危机。
那间烟雾缭绕的密室并没有消失。它搬进了云端。而在这个新时代里能够蓬勃发展的公司，不是拥有最好算法的那些——而是那些完全拥有自己算法、按合规即设计的方式将其架构出来、并且能在宣誓之下证明这一点的公司。