相同产品、匹配的需求信号、26% 的差距。这就是审计系统发现差距、关卡把关、进行修复并予以封存的过程。
本演示对单个 SKU 上的 10,000 次设定种子合成定价决策进行了审计。以下内容即为该次运行在屏幕上呈现的界面内容，按其出现的先后顺序排列。
AI 定价合规与算法公平性
当 Civil Investigative Demand (CID) 送达时，回应应当是一份文件。Equity 是一个定价可抗辩性审计层，运行在零售商既有的任何定价引擎之上。它回放引擎自身的决策日志，对每个定价输入进行受保护群体信息泄漏评分，包括单特征检查无法察觉的复合代理变量。它在确定性代码中依据 EEOC four-fifths rule (29 CFR 1607.4(D)) 对结果进行把关，量化公平性约束在收入上的成本，展示显而易见的修复方案为何会被博弈绕过，并将记录封存为经过 SHA-256 哈希、映射到法规条文的证据包，专为应对此类调查而构建。
+26.2%
相同 SKU 下，少数族裔占多数 ZIP、旧设备群体的价格更高
基于 3,037 与 2,880 次设定种子合成决策的群体均值，匹配需求信号
0.43 to 0.82
EEOC four-fifths rule 比率，在公平感知奖励塑形后从 Fail 变为 Pass
在此合成引擎与场景下测得的收入成本仅为 1.3%
0.73
单项均通过检验的两个特征，其复合代理变量的联合互信息
Referral × Dwell Time；仅剔除 ZIP 与设备在 0.59 时仍未通过把关
本页面上的所有演示数据均为设定种子的合成数据。ShopMart Dynamic Pricing 是我们构建的一个 LinUCB 上下文赌博机，作为客户所运行引擎的替身；Aura Wireless Earbuds 和 10,000 名购物者均为生成数据，代理变量结构系专门植入，以使审计具备真实的捕捉对象。本演示未对任何真实零售商进行审计，也没有任何真实购物者被多收费。
在拥有 New York 与 California 业务规模的电商平台上，总法律顾问或定价负责人所运行的动态定价引擎即便从不输入种族或收入信息，却依然面临合规风险——因为引擎会根据 ZIP code、设备档次和会话行为来定价，而这些输入项无一不携带人口统计学信号。以优化收入为目标的上下文赌博机会挖掘出能预测支付意愿的每一个输入项，包括那些实际上在预测购物者身份的变量。ZIP 预测收入；收入预测价格敏感度；旧款 Android 手机预测货比三家的行为更少。这些都不是种族，但它们都与种族呈共变趋势。当 Civil Investigative Demand (CID) 送达之时，没有任何相关记录的团队将不得不花费数月时间进行被动的取证挖掘。
FTC 就 Instacart 的 Eversight 定价实验达成的 $60M 和解协议（FTC，2025 年 12 月）是一项基于结果的执法行动。诉状记录了不同购物者在购买相同商品时看到的定价不同，差距高达 23%。这并非针对特定群体的歧视认定，且与算法接收过何种指令无关。
New York 的 Algorithmic Pricing Disclosure Act 于 2025 年 11 月 10 日生效，要求在个人数据影响价格时进行显著披露，违规行为可面临每次高达 $1,000 的民事罚款。Colorado SB 24-205 于 2026 年 6 月 30 日生效，将定价视为重大决定，要求进行影响评估。
EU AI Act (Articles 13 and 14) 的高风险义务自 2026 年 8 月 2 日起适用。第 13 条和第 14 条涵盖高风险透明度与反歧视文档记录要求，高风险违规行为将面临最高可达 €15M 或全球年营业额 3% 的法定顶格处罚。
该流程对引擎自身的决策日志进行单遍扫描：涵盖来自被审计引擎的 10,000 次定价决策、确定性输入审计、four-fifths 关卡、与易受博弈的上限进行对比的公平性约束合成、智能体叙述、SHA-256 哈希证据包以及带标注的基准测试。智能体提出建议，代码做出裁决——正是这种分离，确保了无论底层运行何种模型，证据包都具备随时可呈堂归档的效力。
01 / THE ENGINE UNDER AUDIT
接受审计的引擎为 ShopMart Dynamic Pricing，这是一个种子设定为 42 的 7 臂 LinUCB 上下文赌博机，为 10,000 名合成标注购物者群体对单个 SKU——标价为 $79.00 的 Aura Wireless Earbuds 进行定价。它依据 ZIP income index、device tier、referral、dwell time、cart size、repeat rate、session count、premium membership 以及 hour 进行定价，外加许多真实引擎所具备的 referral 与 dwell 交叉项。受保护群体是审计流程从未接收到的潜在标签。在本演示中，该赌博机即为被审计引擎。
02 / THE DETERMINISTIC INPUT AUDIT
Run Audit 使用纯 numpy 计算每个定价输入相对于受保护群体的绝对 Pearson 相关系数、归一化互信息、特征对的联合互信息以及反事实价格变动：将受保护群体的某项输入覆写为优势群体的参考值，保持其他所有变量不变，重新运行引擎自身的策略，并测量受保护群体的价格变动幅度。裁决规则完全由代码按顺序检查：有效样本量低于 400 的输入项将被判定为 Insufficient Evidence 而非代理裁决，本次运行中没有输入项触发此规则；具有任何实质关联的双重用途忠诚度信号在违规测试运行前判定为 ABSTAIN 并转交法律审查；绝对相关系数至少为 0.30 或互信息至少为 0.05 则判定为 VIOLATION；相关系数在 0.20 至 0.30 之间判定为 ABSTAIN；其余所有情况均判定为 PASS。对于所有其他输入项，反事实分析仅起印证作用，绝不单独触发裁决；仅对于双重用途信号，实质性的反事实变动才计入 ABSTAIN 判定。
03 / THE GATE AND THE CONSTRAINT
Disparate-Impact Gate 应用了适配价格层级的 EEOC four-fifths rule (29 CFR 1607.4(D))：以受保护群体获得优惠价格层级的比率除以优势群体的比率，与 0.80 的阈值进行对比。随后，补救环节合成了 Fairness-Aware Reward Shaping，将每个价格持续拉向由剔除 4 个代理输入训练出的第二个赌博机生成的无代理参考价格，并通过二分搜索找出跨越 0.80 门槛的最小拉动权重。它与作为朴素修复方案的 Hard-Cap Baseline（公平价格的 115%）并列展示，同时测量了两者的博弈特征。
04 / THE CREW AND THE PACK
Feature Auditor 负责解释每个被标记的输入项，Adversarial Challenger 则陈述将弃权输入项视为合法信号的理由；Regulatory Mapper 角色是一个固定表格，将每个 VIOLATION 关联至五种监管制度，并将 ABSTAIN 关联至单条法律审查项。该智能体团队支持模型提供商热插拔，在未配置模型提供商时可回退至确定性模板从而保证应用运行一致，且无法计算任何数字或设定裁决。Evidence Pack 将引擎名称与版本、审计群体、关卡、各项发现及其依据、法规映射、补救结果以及叙述摘要封存为 JSON 及可打印的 HTML 报告包，并将报告包正文的 SHA-256 摘要作为防篡改哈希。
控制台由两个视图以及多个对话框组成。手动视图包含 Pricing Outcome Comparison 卡片和串流各阶段动态的活动面板；每项结果均以标题为 Audit Results、Remediation Results 或 Evidence Pack Results 的对话框打开，且 Remediation 和 Evidence Pack 在 Run Audit 完成之前保持禁用状态。Run Benchmark 可切换至独立的 Benchmark Results 视图。About Demo 在屏幕上注明了场景边界：这是一个具备已知真实基准的合成引擎，其结果用于展示方法论，并非现场验证的主观意图证据。下文中的每个数字均在此边界范围之内。
本演示对单个 SKU 上的 10,000 次设定种子合成定价决策进行了审计。以下内容即为该次运行在屏幕上呈现的界面内容，按其出现的先后顺序排列。
上述数字来源于针对单个 SKU 上 10,000 次定价决策、具有植入且可复现代理变量结构的单一设定种子合成人群。这些数据表明该方法能以标注集精度恢复植入的结构。它们并非真实定价数据上的准确率，亦非针对竞争对手的基准测试，更非对任何真实零售商的指控。
| 问题 | Equity 在本演示中所做的工作 | 本演示未涵盖的范畴 |
|---|---|---|
| 集成 | 审计演示应用自带作为替身引擎的 LinUCB 赌博机，并设计为可通过适配器接入客户自身的引擎。 | 任何适配器代码或实时定价平台连接器。本构建版本中均不包含，所提及的任何供应商亦非客户或合作伙伴。 |
| 人口统计学数据 | 读取包含 10 个 New York 与 California ZIP 的精选参考表，以及应用中硬编码的设定种子设备偏差。 | 实时人口普查或设备归属数据源。该参考表体量较小且为人工精选，受保护群体为植入的标签。 |
| 发现 | 恢复植入的代理变量结构，并在证据包中记录每个输入项的裁决及其依据。 | 现实世界中歧视或主观意图的证明；该机制不对主观意图作出裁决。 |
Equity 不会为任何客户设定价格，也不会替代 Pricefx、PROS、Zilliant 或 Competera；定价引擎负责制定价格，Equity 负责审计与约束。它不认证合规性、不保证通过审查，也不提供法律意见；证据包是提供给客户法律顾问的证据。本构建版本涵盖单个 SKU 以及从审计到证据包的差别影响链路；算法合谋、多司法管辖区披露中间件、流式监控和结账结算界面均在范围之外。Pricing Outcome Comparison 卡片上的 South Bronx 和 Upper East Side 用户画像是针对跨多个 ZIP、多种设备的群体的代表性标签，并非对任何真实社区的论断。
因为引擎无需直接获知种族或收入即可据此实施歧视性定价。在本演示中，接受审计的引擎依据 ZIP income index、device tier 和会话行为进行定价，而这些输入项承载了受保护群体的信息：ZIP income index 与受保护群体的相关系数高达 0.95，device tier 达到 0.32。在设定种子的合成人群上，导致相同需求信号下同一款耳机对少数族裔占多数 ZIP、旧设备群体的定价高出 26.2%，且 four-fifths 比率仅为 0.43（远低于 0.80 的阈值）。FTC 对 Instacart 的执法行动是一起基于结果的案件，涉及不同购物者购买完全相同商品时看到不同价格，而非针对算法接收过何种指令的调查结论。
对于该引擎而言，答案是不够。基准测试中的“不知情即公平”基线在剔除 ZIP 和设备输入项后重新训练，four-fifths 比率仅从 0.43 微升至 0.59，依然未能通过。购物者的来源途径与停留时长各自单独检验时均能通过，但二者结合后却能以高达 0.73 的互信息联合编码受保护群体。针对单特征的相关性分析对此组合浑然不觉；而联合互信息检查则能敏锐捕捉，这正是审计系统对交互特征与单一输入项同时评分的原因。
您可以这样做，而演示展示了追求收入最大化的算法会如何应对它。Hard-Cap Baseline 禁止任何价格超过公平参考价的 115%。引擎为了严格遵守字面规定而放弃了 0.2% 的收入，却使 29% 的受保护群体定价落入距该上限 1% 以内的区间，因此 four-fifths 比率仅达到 0.59，依然通不过把关。上限就是靶子。Fairness-Aware Reward Shaping 则没有可供瞄准的边界，并以 0.82 的比率通过关卡，在此合成引擎上仅消耗 1.3% 的收入成本。
不会。Equity 从不自行定价。它审计引擎的决策并提出约束条件；无论是 Pricefx、PROS、Zilliant、Competera 还是自研赌博机，您的引擎依然负责执行定价。客户引擎的接缝是一个经过文档化的热插拔切换点；在本演示中没有适配器代码和实时集成，因此由我们构建的 LinUCB 赌博机充当引擎，并直接接受审计。
任何需要律师辩护的内容均非模型输出：统计数据、阈值对比、每项裁决、约束条件以及报告包哈希全部来自智能体层之外的确定性 numpy 代码。Feature Auditor 和 Adversarial Challenger 仅负责撰写叙述文字；它们从不计算任何数字，也无法设定或修改裁决，且法规映射是固定表格而非模型输出。在未配置模型提供商时，智能体团队会回退到确定性模板，应用程序仍会生成相同的裁决。录制的演练解说文本是经过验证的缓存模型输出，报告包页眉对此亦有明确声明。
一份格式为 JSON 和可打印 HTML 的 CID-ready evidence pack。它记录了引擎名称与版本、审计的 10,000 次决策、补救前后的 four-fifths 关卡指标、每个输入项的裁决及其依据、每个被标记输入项到 EEOC four-fifths rule (29 CFR 1607.4(D))、New York Algorithmic Pricing Disclosure Act、Colorado SB 24-205、EU AI Act (Articles 13 and 14) 及 FTC Act Section 5 的条文映射、补救结果以及报告包正文的 SHA-256 摘要。我们提供证据；您的法务团队作出裁决判断。
这是基于标注数据集的自我检验，应当作为自测结果来解读。基准测试重新生成演示中设下种子的 10,000 次决策合成人群，并提出一个核心问题：审计系统是否找出了我们植入的三个代理变量且未误伤其他特征？答案是肯定的。全部三个代理变量均被标记，四个合法需求信号无一被误标，且唯一的双重用途信号被判定为弃权而非直接标记违规或放行。这表明该方法能够准确检出植入的结构。真实的定价日志存在诸多混杂因素，且在伦理上无法对不同人口统计群体进行差别定价的 A/B 测试，因此在实际业务交付中，同一套机制输出的是供法务审查的证据，绝非自动化的法律裁决。
我们是 AI 工程团队，既非定价软件厂商，亦非合规认证机构。我们从您引擎自身的决策日志出发，最终产出您的法律顾问可以直接呈报归档的证据包；关于其所揭示内容的法律判断权始终归属于他们。
初次沟通务求务实具体：您的商品品类由何种引擎定价、它接收哪些输入项、是否包含可能针对复合代理变量定价的交叉项或决策树，以及您的业务规模涉及 New York、California、Colorado 还是欧盟。我们可以与您的定价、法务和数据团队携手，梳理审计流程、约束合成以及证据包格式。
