构建确定性信任：以深度系统架构应对 AI 洗白的监管整治

当代企业格局正经历技术主张与监管问责之间关系的根本性重塑。随着人工智能从实验能力转变为企业估值与运营战略的核心驱动力，对这些系统的审视日益加剧。2024 年 3 月，美国证券交易委员会（SEC）宣布针对投资顾问的首次执法行动，正式将相关行为界定为 AI 洗白，标志着人工智能营销“炒作优先”时代的终结。¹ 联邦监管机构的这一战略转向，标志着监管环境的成熟：从发布自愿性指引，转向执行高风险、高烈度的诉讼。³ 对高风险企业——尤其是银行、医疗、法律服务与国防领域——其含义是明确且绝对的：不透明的“LLM 封装器”时代实质上已告结束，取而代之的是对可验证、确定性、深度 AI 方案的迫切需求。⁵

SEC 分水岭：解构 Delphia 与 Global Predictions 执法行动

2024 年 3 月 18 日，SEC 宣布对两家投资顾问——Delphia (USA) Inc. 与 Global Predictions Inc.——达成和解指控，因其就其所谓人工智能使用作出虚假与误导性陈述。⁷ 这些行动合计处以 $400,000 民事罚金，为联邦政府如何界定并惩处欺骗性 AI 主张确立了关键法律先例。¹ 这些案件的核心并不在于技术未能如期运行，而在于更根本的失败：相关企业实际上并不具备或未落实其宣传的能力。¹

针对总部位于多伦多的 Delphia (USA) Inc. 的执法行动，涉及其自 2019 年至 2023 年期间的虚假陈述。⁷ 该公司声称使用“预测算法模型”，借助机器学习（ML）分析海量客户数据——包括消费模式与社交媒体活动——以“预测哪些公司与趋势即将爆发”。² 然而，SEC 检查司发现，Delphia 从未真正将这些数据整合进其投资流程。¹⁰ 尽管 2021 年已获 SEC 警示要求更正这些陈述，Delphia 仍继续在监管备案、新闻稿与社交媒体中推销这些并不存在的能力。¹⁰ 这种持续欺骗导致 $225,000 罚金与正式谴责。¹

与此同时，SEC 指控总部位于旧金山的 Global Predictions Inc. 作出类似缺乏根据的主张。⁷ Global Predictions 将自身营销为“首家受监管的 AI 财务顾问”，并声称提供“专家级 AI 驱动预测”。⁴ 经检查，该公司无法出示足以佐证这些断言所需的技术文档。⁸ 此外，Global Predictions 被认定违反修订后的营销规则：使用推荐语却未披露利益冲突，并在网站上展示假设性业绩数据却缺乏适当保障措施。¹² 该公司同意支付 $175,000 民事罚金以和解指控。⁷

实体	罚金	主要违规	技术现实
Delphia (USA) Inc.	$225,000	《投资顾问法》第 206(2) 条	未将消费者数据整合进 ML 1
Global Predictions	$175,000	修订后的营销规则	未经验证的“专家 AI”主张 7

这些行动的意义在于，SEC 运用既有反欺诈法规来应对新颖的技术主张。⁴ SEC 主席 Gary Gensler 强调，投资顾问、经纪交易商与上市公司必须确保其关于 AI 的公开陈述既真实又有充分依据。³ 这一监管姿态表明，委员会无需新的 AI 专项立法即可追究 AI 洗白；相反，它将依托透明度与信义义务的基本原则来规制新兴 AI 格局。⁴

AI 洗白的解剖：从漂绿到算法欺骗

“AI 洗白”一词有意呼应“漂绿”——企业夸大或伪造其环境可持续性主张，以利用消费者对生态责任的兴趣。³ 在人工智能语境下，该做法是夸大企业算法系统的复杂程度、自主性或功效，以吸引资本、客户或竞争优势。¹⁶ 这种欺骗往往由“想象力鸿沟”驱动——即首席执行官的战略雄心与组织技术栈工程现实之间的脱节。¹⁸

监管机构已识别出若干不同类别的 AI 洗白，从纯属虚构到微妙夸大不等。一些企业将简单的、基于规则的启发式方法表述为“先进机器学习”或“自主 AI 智能体”。⁵ 另一些企业声称其系统“由 AI 驱动”，而实际上只是公共 API 的薄封装层，并无专有数据整合或专门微调。⁵ 最危险的 AI 洗白形式是：企业声称在安全关键决策——如医疗诊断、金融核保或法律研究——中使用 AI，却缺乏防止灾难性幻觉所需的确定性保障措施。⁵

AI 洗白的盛行通过侵蚀投资者信任并扭曲竞争，对市场构成系统性风险。²² 当企业被允许凭虚构的技术优势取得成功时，便使那些已投入真实、资源密集型努力以构建稳健 AI 方案的企业处于不利地位。¹⁷ 对专业咨询机构而言，角色不再只是构建 AI，而是提供技术尽职调查与架构严谨性，以保护企业免受自身营销所带来的责任。⁵

监管边界的扩展：FTC“AI 合规行动”（Operation AI Comply）

对 AI 欺骗的整治并非 SEC 的孤立努力。联邦贸易委员会（FTC）已发起名为“AI 合规行动”（Operation AI Comply）的激进执法运动，以应对更广泛消费经济中的欺骗行为。¹⁷ 依据禁止不公平或欺骗性行为或做法的《FTC 法》第 5 条，委员会已将目标对准利用 AI 炒作销售从欺诈性商业机会到不充分法律服务等一切产品的公司。²⁴

2025 年 1 月，FTC 与 DoNotPay, Inc. 达成执法和解——该公司将自身营销为“全球首个机器人律师”。²⁴ FTC 指控 DoNotPay 无法佐证其主张：即其 AI 可取代人类律师，或为复杂事项提供法律上可靠的文件。²⁴ 该公司被禁止再作出缺乏依据的主张，并被迫支付和解金。²⁴ 同样，FTC 亦对 Evolv Technologies 等公司采取行动——据称其夸大 AI 驱动传感器在校园环境中探测武器的能力——以及对 Rytr LLC 采取行动，指控其促成欺骗性消费者评论的生成。²⁴

FTC 的方法强调：若 AI 工具产品成为他人从事欺骗的“工具手段”，提供方亦可被追责。²⁴ 这形成一条责任链：从基础模型开发者延伸至企业客户，最终到终端用户。²⁴

机构	主要框架	关键关注领域
SEC	《投资顾问法》/ 营销规则	投资者保护、信义义务，以及金融领域 AI 主张的依据核验 1
FTC	《FTC 法》第 5 条	消费者保护、欺骗性广告，以及“机器人律师”主张 16
DOJ	Justice AI 倡议	对 AI 协助的白领犯罪加重量刑，以及合规审查 1
州检察长	UDTPA / UDAP 法规	州级消费者保护与医疗专项 AI 监管 16

司法部（DOJ）亦已表明将优先处理 AI 相关风险。通过“Justice AI”倡议，DOJ 宣布将把企业管控 AI 相关风险的能力纳入整体企业合规评估。¹ 联邦检察官已获指示：对故意滥用 AI 技术协助的犯罪寻求更严厉处罚，反映出政府层面的共识——AI 驱动的欺诈对法治构成重大新兴威胁。¹

概率范式的技术危机

AI 洗白危机的核心，是对现代大语言模型（LLM）运作方式的根本性技术误解。当今多数企业 AI 应用建立在概率架构之上，优先追求统计上的“听起来可信”，而非事实正确。⁵ LLM 的主要机制是下一词元预测，数学上表示为在给定特定上下文窗口时计算词元序列的条件概率。²⁸ 这可通过对网络最终 logit 层的 softmax 运算近似得到：

其中为词表大小，为 transformer 模块的原始输出分数。⁵ 尽管该方法在生成流畅、类人文本方面极为有效，但其本质是随机的。模型没有关于“真相”的内部概念；它只是基于训练数据中的模式，预测最可能的字符序列。⁵

对企业而言，这种概率性质是深刻风险的来源。在受监管环境中——例如银行提供按揭建议，或医疗提供者诊断患者——“大体正确”在法律上等同于“不正确”。⁵ 一个“幻觉”出法律引用或财务数字的系统，不仅是未能通过技术测试；它正在为企业制造现实的法律责任。⁵

LLM 封装器陷阱

当前向企业推销的大多数“AI 方案”，正是业界所称的“封装器”。⁵ 这些应用利用来自 OpenAI、Anthropic 或 Google 等提供方的公共 API，并叠加一层薄薄的提示工程与用户界面。⁵ 这些封装器旨在最小化延迟与 API 成本，往往以准确性与可审计性为代价。⁶ 由于依赖共享的外部基础设施，它们无法提供高风险运营所需的真正数据主权或确定性保障。⁵

此外，封装器易受“检索投毒”影响：对抗性输入或未经充分核验的数据源会导致模型生成不正确或有害的响应。³⁰ 封装器缺乏验证自身推理的架构深度；它只是将基础模型的输出原样转达给用户，无论其是否有效。⁵ 这正是像 Veriprajna 这样的咨询机构将自身定位为“深度 AI”提供方的原因——聚焦系统的结构性工程，而非仅仅集成 API。⁵

深度 AI 架构：为确定性与真实性而工程化

为克服概率范式的局限，企业必须采用神经符号架构，将神经模式识别与符号逻辑及验证相整合。⁵ 这一方法常被称为“深度 AI”，确保系统生成的每一项输出都可验证地锚定于某一“真相来源”。⁵

引用强制式 GraphRAG

面向高风险 AI 最稳健的架构之一是引用强制式 GraphRAG（检索增强生成）。²¹ 与依赖查询与文档之间“模糊”语义匹配的传统向量 RAG 不同，GraphRAG 利用领域专用知识图谱（KG）来表征数据中的层级与对抗性关系。²¹

例如，在法律知识图谱中，模式必须考虑权威权重与判例法状态。²¹ 代表司法意见的节点必须通过 CITES、OVERRULES 或 AFFIRMS 等特定边与其他节点相连。²¹ 当 AI 生成响应时，系统采用图约束解码，从物理上阻止模型输出引用，除非它能成功遍历图谱中的已验证路径。²¹ 这将检索过程从统计猜测推进为确定性遍历。

关系类型	向量 RAG 能力	GraphRAG（深度 AI）能力
直接引用	中等（语义邻近）	高（已验证链接） 21
负面处理	低（无法区分引用与推翻）	高（显式 OVERRULES 边） 21
管辖权层级	无	高（遍历规则） 21
制定法解释	低（依赖关键词邻近）	高（显式 INTERPRETS 边） 21

多智能体编排与循环反思

AI 中的真实性亦可通过多智能体编排实现。⁶ 深度 AI 系统并非依赖单一模型完成研究、验证与写作，而是使用模拟高端编辑团队的专用智能体。⁶ “研究智能体”检索原始数据，“验证智能体”对照知识图谱交叉核验该数据，“写作智能体”仅基于已验证事实生成最终输出。⁶

这些智能体通过“循环反思模式”编排：系统在向人在回路呈现信息之前，迭代审查自身草稿中的幻觉或逻辑不一致。⁶ 该过程通过 LangGraph 等框架管理，支持显式状态管理以及精确重试逻辑与回退路径——这些能力在通用聊天机器人中往往缺失。⁶

数据主权：私有基础设施的必要性

对受监管行业的企业而言，数据主权不仅是安全偏好，更是遵守 HIPAA、GDPR 与 CCPA 等法律的强制要求。²⁹ 运行于共享基础设施上的公共 LLM，往往具有不透明的数据管理政策，使其无法用于敏感工作负载。³²

深度 AI 方案优先采用主权基础设施，在企业自身防火墙内部署模型。²⁹ 这可通过三种主要模式实现：

1.​ 完全自托管（本地部署）：该模式提供最大控制与安全，确保敏感信息从不存在于外部网络。²⁹ 尽管需要在高性能 GPU（图形处理单元）与专用冷却方面进行重大资本投入，但它提供可预测的性能，并免受供应商定价变动或中断的影响。³²

2.​ 私有云（VPC）：虚拟私有云（VPC）方案使用 AWS、Azure 或 Google Cloud 等云提供商，但将 AI 实例隔离在专用虚拟网络内。²⁹ 这在灵活性与控制之间取得平衡，既允许弹性扩展，又确保数据加密并与公共互联网隔离。³²

3.​ 托管私有产品：部分供应商现已提供“私有租户”，可将 GPT-4 等模型部署在客户的云环境中，确保数据不被用于模型训练。²⁹ 然而，这仍维持对供应商模型基础设施的依赖。²⁹

通过转向主权模型，组织实现“零数据泄漏”，确保知识产权、商业秘密与客户数据始终处于企业自身治理框架的保护之下。³¹

战略治理：NIST AI RMF 对比 ISO/IEC 42001

为降低 AI 洗白风险并确保长期监管合规，企业必须采用标准化治理框架。³⁴ 作为行业标准，已出现两种主要方法：NIST AI 风险管理框架（AI RMF）与 ISO/IEC 42001。³⁶

NIST AI RMF 是由美国国家标准与技术研究院发布的自愿性框架。³⁴ 它旨在成为贯穿系统生命周期管理 AI 风险的战术性“操作指南”。³⁴ 它聚焦四大核心职能：治理（Govern，建立风险管理文化）、映射（Map，识别情境与潜在风险）、测量（Measure，分析并跟踪风险）与管理（Manage，分配资源以处置风险）。³⁴ NIST 框架尤其有助于在技术与合规团队之间构建内部“能力肌肉”，并建立 AI 风险的共同语言。³⁵

相比之下，ISO/IEC 42001 是正式国际标准，规定建立人工智能管理体系（AIMS）的要求。³⁴ 最重要的是，ISO 42001 可获得认证。³⁴ 这意味着第三方审计师可核验组织合规性，为采购筛选、董事会级报告与监管提交提供必要的正式保证。³⁴

特征	NIST AI RMF	ISO/IEC 42001
地位	自愿性指引框架	可认证的国际标准 34
主要目标	风险识别与测量	组织治理与问责 36
核验方式	自我声明（无）	第三方审计与认证 34
范围	模块化、快速、战术性	整体性、集成化、战略性 35

战略领导者通常对二者进行排序实施：先用 NIST AI RMF 构建即时、敏捷的控制，再将这些控制映射到 ISO 42001 的可认证要求，以锁定正式信任。³⁵ 这一双重方法确保组织的 AI 计划不仅负责任，而且可辩护。³⁵

AI 物料清单（AIBOM）：作为运营要求的透明度

正如软件物料清单（SBOM）跟踪软件依赖，AI 物料清单（AIBOM）正成为 AI 治理的关键工具。⁴⁰ AIBOM 是 AI 系统全部组件的全面、机器可读记录，包括训练数据集、预训练基础模型、第三方库（如 LangChain、PyTorch）以及基础设施依赖。⁴⁰

构建 AIBOM 是一个系统化过程，通过识别输入与依赖中的漏洞来增强安全。⁴¹ 它支持“可复现性”，确保每个模型版本都能追溯到训练期间使用的确切代码与数据集版本。⁴¹ 对审计师而言，AIBOM 充当“单一真相来源”，将 AI 透明度从模糊承诺推进为结构化、可验证的技术文档。⁴⁰

AIBOM 组件	重要性	核验方法
训练数据集	识别偏差与谱系	基于哈希的跟踪 40
基础模型	跟踪版本与许可	模型卡 / 元数据 41
第三方库	检测脆弱依赖	SPDX 3.0 / CycloneDX 40
环境规格	确保性能可复现	基础设施即代码 20

将 AIBOM 生成直接集成到 MLOps（机器学习运维）与 CI/CD（持续集成/持续部署）流水线中，可确保文档与现实保持同步，防止常触发审计失败的“陈旧记录”问题。⁴²

技术审计与尽职调查：超越黑箱

为避免 AI 洗白的陷阱，企业必须开展严格的技术审计。²⁰ 这些审计不仅对内部合规至关重要，也对并购或风险投资审查中的技术尽职调查至关重要。²⁰

审计方法通常分为黑箱测试与白箱测试。⁴⁵

●​ 黑箱审计：该方法在不了解内部代码或模型权重的情况下评估系统功能。⁴⁵ 它聚焦系统是否从用户视角满足其要求。⁴⁶ 常用技术包括对模型输出进行“边界值分析”与“公平性测试”。⁴⁴ 虽然非技术利益相关方更易理解，但仅靠黑箱测试无法解释 AI 为何作出特定决策。²⁰

●​ 白箱审计：这要求深入了解内部运作，包括算法、代码与数据结构。⁴⁵ 审计师分析模型权重、激活与梯度，以识别代码本身中的安全漏洞或逻辑错误。⁴⁶ 白箱访问支持更全面的审查，使审计师能够发现黑箱查询可能遗漏的“语义陷阱”。³⁰

对 2026 年的技术审计而言，标准日益转向“箱外”访问，包括对训练方法、文档以及内部评估发现的审查。⁴⁸ 若 AI 系统依赖缺乏清晰谱系的“借用”数据，或被当作不透明黑箱对待，它很可能无法通过严格的风险投资审查或监管审计。²⁰

生成式系统的模型风险管理（MRM）

在金融服务行业，模型风险管理（MRM）受 SR 11-7 等长期审慎指引约束。⁴⁹ 尽管传统 MRM 为预测性统计模型而设计，其原则——治理、验证与监控——正被适配于生成式 AI 的独特风险。⁴⁹

生成式 AI 引入“动态风险”，因为模型会随着与新输入的交互而演化。⁵² 这要求从静态的年度审查转向持续监控。⁵² 组织应实施“对抗性红队测试”，由内部或外部专家试图利用系统，以揭示其护栏中的弱点。⁵¹

生成式 AI MRM 的关键绩效指标（KPI）与关键风险指标（KRI）包括：

●​ 锚定率：AI 生成的主张中有可验证引用支持的百分比。⁵¹

●​ 幻觉率：无依据或事实不正确陈述的频率。⁵¹

●​ HITL 遵从率：经人类正确审查并批准的高风险、不可逆行动的百分比。⁵¹

●​ 每完成任务单位成本：在跟踪系统准确性的同时跟踪其效率。⁵¹

通过为每个 AI 应用确立明确的“模型所有者”与“风险所有者”，企业确保技术创新不会超越机构控制。⁵³

真实性要务：深度 AI 企业路线图

2024 年的监管行动标志着人工智能格局的永久转变。过度炒作营销与不透明封装器的“狂野西部”时代，已被真相成为强制运营要求的环境所取代。³ 对企业而言，向深度 AI 的转型不仅是技术升级；它是在高度审视市场中生存的战略必需。⁵

构建深度 AI 企业的路线图由四大支柱构成：

1.​ 工程化确定性：超越概率模型，迈向可证明其推理的神经符号架构与知识图谱。⁵

2.​ 架构化主权：在私有 VPC 或本地基础设施内部署模型，以确保 100% 数据主权与监管合规。²⁹

3.​ 标准化治理：采用 ISO 42001 等可认证框架，并为每个生产系统维护详细的 AI 物料清单。³⁴

4.​ 持续验证：将严格审计、对抗性测试与人在回路监督作为 AI 生命周期的标准组成部分。⁴⁴

Veriprajna 的存在，是为了弥合“统计上听起来可信”与“经验证的正确性”之间的鸿沟。⁵ 在单一幻觉输出即可导致数十亿美元损失或监管崩溃的行业中，唯一可行的前进之路，是建立在真相（Veri）与智慧（Prajna）之上的架构。⁵ 通过优先保障输出的完整性而非炒作周期的速度，企业终于可以发挥 AI 的变革力量，而不必承担 AI 洗白的灾难性风险。²

参考文献

1. SEC Announces First-Ever Enforcement Actions for “AI Washing”，2026年2月6日访问，https://www.lw.com/admin/upload/SiteAttachments/SEC-Announces-First-Ever-Enforcement-Actions-for-AI-Washing.pdf

2. AI washing meets marketing rule, as SEC fines two advisers for their AI claims，2026年2月6日访问，https://www.thomsonreuters.com/en-us/posts/investigation-fraud-and-risk/ai-washing-enforcement/

3. SEC Targets “AI Washing” in First of Its Kind Enforcement Matters | Advisories，2026年2月6日访问，https://www.arnoldporter.com/en/perspectives/advisories/2024/03/sec-targets-ai-washing

4. AI Enforcement Starts with Washing: The SEC Charges its First AI Fraud Cases - Debevoise，2026年2月6日访问，https://www.debevoise.com/insights/publications/2024/03/ai-enforcement-starts-with-washing-the-sec-charges

5. About Us - Veriprajna，2026年2月6日访问，https://veriprajna.com/about

6. The Veracity Imperative: Engineering Trust in AI Sales Agents | Veriprajna，2026年2月6日访问，https://veriprajna.com/whitepapers/veracity-imperative-engineering-trust-ai-sales-agents

7. SEC Charges Two Investment Advisers with Making False and Misleading Statements About Their Use of Artificial Intelligence，2026年2月6日访问，https://www.sec.gov/newsroom/press-releases/2024-36

8. SEC Charges Investment Advisers with Making False and Misleading Statements About Their Use of AI - Morgan Lewis，2026年2月6日访问，https://www.morganlewis.com/pubs/2024/03/sec-charges-investment-advisers-with-making-false-and-misleading-statements-about-their-use-of-ai

9. New Settlements Demonstrate the SEC's Ongoing Efforts to Hold Companies Accountable for AI-Washing，2026年2月6日访问，https://www.whitecase.com/insight-alert/new-settlements-demonstrate-secs-ongoing-efforts-hold-companies-accountable-ai

10. UNITED STATES OF AMERICA Before the SECURITIES ... - SEC.gov，2026年2月6日访问，https://www.sec.gov/files/litigation/admin/2024/ia-6573.pdf

11. AI Enforcement Starts with Washing: The SEC Charges its First AI Fraud Cases，2026年2月6日访问，https://www.debevoisedatablog.com/2024/03/19/ai-enforcement-starts-with-washing-the-sec-charges-its-first-ai-fraud-cases/

12. SEC Enforcement Actions Signal Enhanced Scrutiny Around “AI Washing”，2026年2月6日访问，https://www.crowell.com/en/insights/client-alerts/sec-enforcement-actions-signal-enhanced-scrutiny-around-ai-washing

13. UNITED STATES OF AMERICA Before the SECURITIES ... - SEC.gov，2026年2月6日访问，https://www.sec.gov/files/litigation/admin/2024/ia-6574.pdf

14. SEC emphasizes focus on “AI washing” despite perceived enforcement slowdown，2026年2月6日访问，https://www.dlapiper.com/insights/publications/ai-outlook/2025/sec-emphasizes-focus-on-ai-washing

15. SEC Targets “AI Washing” by Companies, Investment Advisers, and Broker-Dealers，2026年2月6日访问，https://www.winston.com/en/blogs-and-podcasts/capital-markets-and-securities-law-watch/sec-targets-ai-washing-by-companies-investment-advisers-and-broker-dealers

16. AI Washing & Legal Guidance for Businesses | By Design Law，2026年2月6日访问，https://www.bydesignlaw.com/ai-washing-unveiling-implications-and-legal-guidance-for-businesses

17. AI Washing | The New Frontier of Corporate Scrutiny，2026年2月6日访问，https://www.bbrown.com/us/insight/ai-washing-2/

18. From Potential to Profit: Closing the AI Impact Gap | BCG，2026年2月6日访问，https://www.bcg.com/publications/2025/closing-the-ai-impact-gap

19. Challenges and Opportunities of AI in Software Development - Codewave，2026年2月6日访问，https://codewave.com/insights/ai-in-software-development-challenges-opportunities/

20. Technical Due Diligence Guide 2026: Pass Your VC Audit | Emerline，2026年2月6日访问，https://emerline.com/blog/vc-technical-audit-guide

21. The $5,000 Hallucination: Why Enterprise Legal AI Needs GraphRAG - Veriprajna，2026年2月6日访问，https://veriprajna.com/technical-whitepapers/legal-ai-graphrag-citation-enforcement

22. Regulating AI Deception in Financial Markets: How the SEC Can Combat AI-Washing Through Aggressive Enforcement - New York State Bar Association，2026年2月6日访问，https://nysba.org/regulating-ai-deception-in-financial-markets-how-the-sec-can-combat-ai-washing-through-aggressive-enforcement/

23. The ethical challenges of AI washing - VinciWorks，2026年2月6日访问，https://vinciworks.com/blog/the-ethical-challenges-of-ai-washing/

24. Transparency and AI: FTC Launches Enforcement Actions Against Businesses Promoting Deceptive AI Product Claims - Lathrop GPM，2026年2月6日访问，https://www.lathropgpm.com/insights/transparency-and-ai-ftc-launches-enforcement-actions-against-businesses-promoting-deceptive-ai-product-claims/

25. FTC Evaluating Deceptive Artificial Intelligence Claims | Insights - Holland & Knight，2026年2月6日访问，https://www.hklaw.com/en/insights/publications/2025/06/ftc-evaluating-deceptive-artificial-intelligence-claims

26. AI Washing: How Exaggerating Your (Artificial) Intelligence Can Get You and Your Business in Trouble，2026年2月6日访问，https://www.bfvlaw.com/ai-washing-how-exaggerating-your-artificial-intelligence-can-get-you-and-your-business-in-trouble/

27. State Regulators Eye AI Marketing Claims as Federal Priorities Shift - Pierce Atwood，2026年2月6日访问，https://www.pierceatwood.com/alerts/state-regulators-eye-ai-marketing-claims-federal-priorities-shift

28. RAG vs. Fine-tuning - IBM，2026年2月6日访问，https://www.ibm.com/think/topics/rag-vs-fine-tuning

29. Private LLM: The Real Reason Enterprises Are Building Their Own AI，2026年2月6日访问，https://www.hakunamatatatech.com/our-resources/blog/private-llm

30. RAG Evaluation Tools: Weights & Biases vs Ragas vs DeepEval vs TruLens，2026年2月6日访问，https://research.aimultiple.com/rag-evaluation-tools/

31. Custom LLM Development & Private Deployment - Artezio，2026年2月6日访问，https://www.artezio.com/services/generative-ai/development-private-deployment/

32. Enterprise Private LLM Architecture: On-Prem & Hybrid Models - AIVeda，2026年2月6日访问，https://aiveda.io/blog/private-llm-architecture-for-enterprises-on-prem-vpc-and-hybrid-models

33. Not Your Average VPC: Secure AI in Your Private Cloud with Direct Ingress | Rubrik，2026年2月6日访问，https://www.rubrik.com/blog/ai/25/not-your-average-vpc-secure-ai-in-your-private-cloud-with-direct-ingress

34. Comparing AI governance frameworks: ISO 42001 vs. NIST AI RMF - VOGSY，2026年2月6日访问，https://vogsy.global/help/tools-guides/comparing-ai-governance-frameworks-iso-42001-vs-nist-ai-rmf

35. ISO 42001 vs NIST AI RMF - ISMS.online，2026年2月6日访问，https://www.isms.online/iso-42001/vs-nist-ai-rmf/

36. NIST vs ISO - Compare AI Frameworks - ModelOp，2026年2月6日访问，https://www.modelop.com/ai-governance/ai-regulations-standards/nist-vs-iso

37. IISO 42001 vs NIST AI RMF: How to Choose the Right Framework - Hicomply，2026年2月6日访问，https://www.hicomply.com/blog/iso-42001-vs-nist-ai-rmf

38. Getting Started with AI Governance: - OneTrust，2026年2月6日访问，https://www.onetrust.com/content/dam/onetrust/brand/content/asset/white-paper/ot-practical-steps-and-strategies-for-ai-white-paper/OT-practical-steps-and-strategies-for-ai-white-paper.pdf

39. Key Differences between ISO 42001 and NIST AI RMF - StandardFusion，2026年2月6日访问，https://www.standardfusion.com/blog/key-differences-between-iso-42001-and-nist-ai-rmf

40. AIBoMGen: Generating an AI Bill of Materials for Secure, Transparent, and Compliant Model Training - arXiv，2026年2月6日访问，https://arxiv.org/pdf/2601.05703

41. Why every enterprise needs an AI bill of materials - Genpact，2026年2月6日访问，https://www.genpact.com/insight/why-every-enterprise-needs-an-ai-bill-of-materials

42. AIBOM: What Is an AI Bill of Materials? - Legit Security，2026年2月6日访问，https://www.legitsecurity.com/aspm-knowledge-base/what-is-aibom

43. What Is an AI-BOM (AI Bill of Materials)? & How to Build It - Palo Alto Networks，2026年2月6日访问，https://www.paloaltonetworks.com/cyberpedia/what-is-an-ai-bom

44. The AI Audit Checklist: What to Review, When, and Why - Ciberspring，2026年2月6日访问，https://ciberspring.com/articles/the-ai-audit-checklist-what-to-review-when-and-why/

45. Black Box vs White Box Testing: When to Use Each Approach - Marc Nuri，2026年2月6日访问，https://blog.marcnuri.com/blackbox-whitebox-testing-comparison

46. Discover the AI Advantage in Black Box vs. White Box Testing - QA.tech，2026年2月6日访问，https://qa.tech/blog/black-box-vs-white-box-testing

47. The Difference Between White Box and Black Box AI - Big Cloud，2026年2月6日访问，https://bigcloud.global/the-difference-between-white-box-and-black-box-ai/

48. [2401.14446] Black-Box Access is Insufficient for Rigorous AI Audits - arXiv，2026年2月6日访问，https://arxiv.org/abs/2401.14446

49. Adapting model risk management in the gen AI era | Google Cloud Blog，2026年2月6日访问，https://cloud.google.com/blog/topics/financial-services/adapting-model-risk-management-in-the-gen-ai-era

50. Artificial Intelligence and Model Risk Management - KPMG International，2026年2月6日访问，https://kpmg.com/us/en/articles/2024/artificial-intelligence-and-model-risk-management.html

51. Model Risk Management 2.0: Translating MRM Principles to Generative AI - CCSD Council，2026年2月6日访问，https://www.ccsdcouncil.org/model-risk-management-2-0-translating-mrm-principles-to-generative-ai/

52. Managing Risk in Generative AI: Model Risk Management in 2025 - Pirani，2026年2月6日访问，https://www.piranirisk.com/blog/managing-risk-in-generative-ai-model-risk-management-in-2025

53. Model Risk Management in Complex Enterprises | Lumenova AI，2026年2月6日访问，https://www.lumenova.ai/blog/model-risk-management-complex-enterprises/