确定性要务：在算法问责时代工程化监管真相

人工智能从实验性新奇事物向企业基础设施基础层的转变，已抵达一个关键且动荡的关口。过去数年，“封装器经济”——一个由咨询公司主导、在 OpenAI 的 GPT-4、Anthropic 的 Claude 或 Google 的 Gemini 等通用基础模型之上提供薄 API 层的市场——依靠快速部署与低摩擦集成的承诺蓬勃发展。然而，2025 年末的一系列事件从根本上瓦解了这一路径对高风险企业应用的可行性。此次全行业清算的催化剂，是纽约州审计长于 2025 年 12 月发布的审计，它暴露了现有算法偏见法规中深刻的“执法缺口”，并标志着被动监督时代的终结。¹

这项审计审视了纽约市消费者与劳工保护局（DCWP）对《地方法第 144 号》（LL144）的执法情况，揭示了惊人的差距：该市的表面审查仅识别出 1 起潜在不合规，而独立的州审计人员运用更严格的技术框架，在同一批 32 家雇主中识别出至少 17 起重大违规。² 这一识别不合规时 1,600% 的失败率，凸显了系统性的“技术-监管不对称”，而这正是 Veriprajna 创立所要应对的问题。作为深度 AI 解决方案提供商，该组织的运作原则是：通用封装器的概率性输出，与新兴法律的确定性要求本质上互不相容。

危机因私营部门巨大的合规赤字而进一步加剧。康奈尔大学、Data & Society 与 Consumer Reports 的研究人员开展的一项标志性研究，考察了受纽约市管辖的 391 家雇主。研究结果揭示了更广泛的企业瘫痪：391 家雇主中仅有 18 家公布了法律要求的偏见审计，仅有 13 家张贴了必要的透明度通知。⁶ 这表明，约 95% 的市场目前处于监管失职状态，或正接受法律顾问的建议：不合规的风险，低于提供当前概率性封装器几乎必然生成的偏见统计证据。⁷

随着监管格局进一步碎片化——《科罗拉多人工智能法案》（SB 24-205）、伊利诺伊州 HB 3773 以及《欧盟人工智能法案》（EU AI Act）在偏见指标、数据溯源与人工监督方面引入相互冲突的标准——企业再也无法承受封装器系统的“幻觉风险”。本白皮书详述“深度 AI”的架构要求——为确定性、可审计性与主权控制而工程化的系统——并提供在 2026 年及以后高风险环境中导航的路线图。

2025 年监管断裂的解剖

纽约州审计长于 2025 年 12 月 2 日发布的审计，成为对“第一代”AI 监管的决定性解剖。《地方法第 144 号》旨在规制自动化就业决策工具（AEDT），却依赖以消费者投诉与雇主主导披露为中心的“被动”执法模式。¹ 审计结论是，该体系从根本上“无效”，理由是投诉处理流程全面崩溃，且未能运用技术专长。⁴

311 误路由与被动监督的失败

审计长审计中最致命的发现之一，是该市 311 热线的运营失败。审计人员发现，75% 关于 AEDT 问题的测试来电被不当路由，从未到达 DCWP。⁴ 这一失败意味着，即便求职者怀疑存在算法歧视，该系统在架构上也无法记录申诉。对企业而言，这一发现标志着转向：监管者将不再等待投诉来触发调查。审计长的建议——DCWP 已同意采纳——是转向主动的、由研究驱动的执法。²

审计发现（2025 年 12 月）	DCWP 发现	州审计人员发现	因果机制
不合规数量	1 起	17 起	城市审查缺乏技术严谨性
审计样本量	32 家公司	32 家公司	不适用
311 路由准确率	不适用	25% 成功	系统性运营失败。5
专长利用	不适用	0% OTI 咨询	未能使用“执法工作手册”。3

这一差距的影响极为深远。DCWP 官员承认，他们缺乏评估 AEDT 使用的技术专长，在作出判定时也未咨询纽约市技术与创新办公室（OTI）。³ 这一技术真空使企业得以对法律作狭义解释以规避合规。具体而言，许多雇主主张其工具并未“实质性协助或替代”人类决策，从而使其免于审计要求。⁸ 审计长的审计通过要求对 AI 影响力采用更宽泛、功能性的定义，实质上关闭了这一漏洞。

合规赤字：对 391 家雇主研究的分析

康奈尔大学及其合作方对 391 家雇主的研究，为当前“问责危机”提供了定量图谱。研究发现，绝大多数雇主干脆选择无视法律。在研究当时纽约市有在招职位的 267 家雇主中，仅能发现 14 份审计报告和 12 份通知。⁸

这一合规缺口并非仅仅源于疏忽；它是由概率性 AI 的结构性缺陷驱动的涌现行为。研究指出，“法律顾问可能建议[公司]，不遵守 LL 144 的风险，低于为该类诉讼提供证据”。⁸ 因为 LL144 要求公开张贴影响比率——比较不同人口群体的入选率——任何建立在 LLM 封装器之上的工具，都很可能浮现差别影响的证据。¹⁰ 这些模型在带偏见的历史数据上训练，自然会在输出中复制那些偏见。当一家公司公布显示影响比率低于 0.80 阈值（EEOC 的五分之四规则）的审计时，它们实际上是在向原告律师递上“铁证”。⁸

此外，该研究识别出显著的“漏洞利用”。因为法律允许雇主自行判定其工具是否“实质性协助”一项决策，许多雇主选择了“空合规”——一边使用工具，一边声称其落在法律定义之外。⁷ Veriprajna 认为，“自我分类”时代正在结束。转向主动审计意味着，监管者将对企业的软件栈自行评估，运用取证工具判定算法建议实际被赋予的权重。

封装器架构在受监管环境中的脆弱性

“封装器”模型的核心技术失败在于其概率本质。封装器将每一次交互视为一串 token，利用注意力机制来衡量输入文本的重要性。¹³ 这对生成听起来合理的电子邮件或营销文案有效，却“从根本上不适合企业现代化与监管合规的非线性复杂性”。¹³

偏见缓解的语义幻觉

当企业使用通用 LLM 筛选候选人或评估风险时，本质上是在查询一个按“语义合理性”而非“取证现实”运作的模型。¹⁴ 若要求 LLM 在“忽略性别”的前提下评估简历，它仍可能基于文本中的潜在相关——例如院校名称、特定运动或措辞风格——进行歧视，因为这些特征在其训练语料中与性别统计相关。¹⁵

封装器试图通过基于文本的“提示工程”或“宪章式护栏”来缓解这一问题。这是脆弱的防线。对材料选择与工程规范的研究表明，LLM 表现出“奇异偏见”，仅仅因为某些结果在训练数据中出现更频繁，就偏向那些被频繁提及但在语境上并不合适的结果。¹⁶ 在招聘语境中，这表现为偏向简历“听起来”像模型高科技训练集（GitHub、LinkedIn 等）中那些简历的候选人，而非符合该职位具体、客观标准的人。¹⁶

可审计性缺口：黑箱 vs. 玻璃箱

《科罗拉多人工智能法案》与《欧盟人工智能法案》的一项关键要求，是能够提供“任何不利决定的解释”。¹⁸ 封装器系统无法以确定性精度满足这一要求。因为基础模型的权重往往是专有的（“黑箱”），封装器只能提供事后正当化——一段关于它为何认为该决定被作出的幻觉叙事——而非可追溯的逻辑链。¹³

Veriprajna 拒绝这种“相信我，我是 AI”的范式。深度 AI 解决方案被构建为“玻璃箱”，每一项决策都可追溯到知识图谱中的特定节点，或定制训练网络中的特定权重。¹³ 这就是“概率氛围”与“确定性证明”之间的差别。

监管碎片化：导航 2026 年强制要求

到 2026 年中，监管格局将从纽约市的局部问题，转变为全球合规挑战。《科罗拉多人工智能法案》、伊利诺伊州 HB 3773 与《欧盟人工智能法案》之间的冲突，为企业制造了“合规三难”。

指标与数据质量的冲突

《科罗拉多人工智能法案》（SB 24-205）于 2026 年 6 月 30 日生效，聚焦“合理注意”以及对高风险系统强制性的“影响评估”。²³ 伊利诺伊州 HB 3773 于 2026 年 1 月 1 日生效，修订《人权法》以禁止导致歧视的 AI 使用，特别禁止将邮政编码用作受保护类别的代理变量。²⁵ 与此同时，《欧盟人工智能法案》对训练数据的“质量”与“溯源”施加严格要求，要求开发者证明其数据集具有代表性且无系统性错误。²⁷

辖区强制要求	关键合规指标	独特冲突 / 要求
NYC Local Law 144	影响比率（种族/性别/交叉）	强制公开张贴五分之四规则统计。1
Colorado SB 24-205	风险管理计划绩效	强制向总检察长披露“算法歧视”。30
Illinois HB 3773	代理变量禁令（例如邮政编码）	对小企业或特定 AI 类型无豁免。32
EU AI Act	技术文档 / 数据谱系	高风险系统的 CE 标志与“符合性评估”。28

这些法律不仅重叠，而且在技术上分叉。例如，一份满足纽约市种族与性别交叉分析要求的偏见审计，若未同时考虑年龄与残疾——纽约市法律忽略的类别——则可能无法满足科罗拉多的“合理注意”标准。³¹ 同样，为遵守伊利诺伊州邮政编码禁令而使用的数据掩码技术，可能干扰《欧盟人工智能法案》的数据“代表性”要求。

深度 AI：Veriprajna 的架构回应

为在这一监管环境中生存，企业必须从“生成式 AI”（会猜测）转向“判别式与确定性 AI”（会度量）。Veriprajna 的方法由四大架构支柱界定：神经符号逻辑、主权基础设施、物理信息神经网络（PINNs），以及基于图的可追溯性。

神经符号认知架构：解耦的大脑

Veriprajna 构建将“声音”（神经网络的语言或模式识别引擎）与“大脑”（确定性符号求解器）解耦的系统。³⁵ 这是保证遵守伊利诺伊州 HB 3773 等法律的唯一途径。当智能体处理一份申请时，神经层识别技能与经验，而由硬编码业务规则与行业本体治理的符号层，则强制执行对邮政编码等受限代理变量的禁令。²²

这种“系统 1”（直觉模式匹配）与“系统 2”（严谨逻辑推理）的融合，确保输出不仅“合理”，而且“可验证地正确”。若符号引擎检测到对宪章式护栏的违反，系统不会只是“再试一次”；它会阻断输出，并提供该规则被触发原因的确定性引用。¹³

主权基础设施：反 API 模型

纽约州审计凸显了未受监控工作流的风险。对企业而言，“封装器”模型是巨大的数据泄漏风险。将个人身份信息（PII）发送到 OpenAI 等公共 API，违反 GDPR、CCPA 与内部安全政策，因为这些数据可能被记录、嵌入，或在未来训练轮次中被无意重新浮现。¹⁴

Veriprajna 主张“主权基础设施”——在客户自有基础设施上部署私有企业 LLM 与判别式模型。²² 这一“自带云”（BYOC）模型确保：

●​ 数据主权：理赔数据、员工记录与专有逻辑永不离开安全边界。¹⁴

●​ 免受供应商任性影响：系统不依赖于第三方供应商的定价变动、模型弃用或安全过滤器。¹⁴

●​ 确定性权重：企业拥有模型权重，从而能够进行《欧盟人工智能法案》所要求的深度“符合性评估”。²²

超越文本：物理信息与时序架构

封装器将一切视为文本，而 Veriprajna 认识到，许多企业决策扎根于物理世界。对于保险、制造或医疗保健中的应用，AI 必须理解物理，而不仅仅是语法。

在工业场景中，Veriprajna 利用“边缘原生 AI”将延迟从 800ms 降至 12ms，从互联网的“概率时间”转向机器的“确定性时间”。³⁸ 对于医疗保健或健身中的人体运动验证，我们拒绝可被屏幕照片欺骗的“视频播放器”模型，转而利用时序卷积网络（TCNs）将运动视为周期信号。¹⁷ 这使“实体工作证明”成为可能——一项能够经受保险审计的可验证资产。¹⁷

验证的数学：图论与 PINNs

通过 2026 年时期审计的关键是“可追溯性”。若监管者询问为何某栋建筑因结构安全违规被标记，或为何某项保险理赔被拒，答案不能是“因为模型这么说”。

Veriprajna 利用“基于图的验证”。¹³ 对于建筑或工程审计，我们将结构表示为邻接矩阵 。通过将该矩阵升至幂次（ ），我们可以识别荷载传递的所有路径，并量化结构的“冗余度”。¹⁶ 这是源自数学的可视化诊断，而非源自训练图像的视觉幻觉。

同样，在人力资源与法律语境中，我们在 LlamaIndex 等框架内利用“属性图索引”。³⁵ 这使 AI 能够执行“图遍历”以 100% 准确率回答多跳问题（例如，“起诉 B 公司的那家公司的 CEO 是谁？”），并区分向量相似度搜索常常混淆的关系方向性。³⁵

工程化审计就绪的企业：战略路线图

2025 年 12 月的审计并非 AI 监管已经失败的信号；它标志着监管正在变得更加精密。为迎接 2026 年强化的执法，企业必须经历“深度 AI 转型”的四个阶段。

阶段 1：AI 清单与风险分类

在 DCWP 未能识别不合规之后，监管者将期望企业维护一份全面的“AI 清单”。²⁸ 该清单必须按风险等级、用例与辖区要求对每一项工具分类，并与 NIST AI 风险管理框架（RMF）或《欧盟人工智能法案》的风险类别等框架对齐。³⁹

阶段 2：实施公平感知机器学习（FAML）

为满足纽约市 LL144 与《科罗拉多人工智能法案》的严格要求，偏见缓解不能事后补救。企业必须实施“FAML”技术：

●​ 数据平衡：使用近似算法选择可避免歧视偏见的训练数据。⁴²

●​ 对抗硬化：针对专门试图发现歧视性边缘案例的生成对抗网络（GANs）训练模型。⁴²

●​ 处理中约束：向神经网络的损失函数添加“符号残差”，以惩罚任何偏离法律或物理约束的行为。¹⁶

阶段 3：向智能体工作流转型

深度 AI 由“能动性”界定——系统基于反馈进行规划、执行与自我纠正的能力。¹³ 不同于只返回响应、把调试留给人类的“浅层封装器”，Veriprajna 的“深度智能体”在循环中运行：

1.​ 规划：分析问题的抽象语法树（AST）或知识图谱。¹³

2.​ 生成：使用“纲要约束解码器”确保输出遵循硬规则。¹³

3.​ 验证：在人类看到之前，于安全沙箱中编译并测试输出。¹³

4.​ 自我纠正：读取编译器错误或逻辑失败，并重新生成，直至“物理残差”为零。¹³

阶段 4：主权部署与持续审计

最后，企业必须收回其基础设施。通过将高风险 AI 从公共 API 迁至主权云，公司可以启用“持续审计”。²⁸ 主权系统可以实时跟踪公平指标，在模型漂移向歧视性阈值的瞬间向首席风险官（CRO）发出警报，而不是进行只捕捉单一时点的年度偏见审计。³⁶

结论：氛围经济的终结

纽约州审计长于 2025 年 12 月识别出的“执法缺口”，是行业的澄明时刻。它证明，基于概率性下一 token 预测与被动合规的“封装器”路径是负债，而非资产。¹ 目前仅有 5% 的雇主履行其审计义务，这并非法律的失败；这是架构的失败。⁶

进入 2026 年，竞争优势将属于那些把 AI 当作工程学科而非语言伎俩的人。建立在神经符号逻辑、主权基础设施与物理信息模型之上的深度 AI 解决方案，是满足纽约市、科罗拉多、伊利诺伊与欧盟相互冲突要求的唯一途径。

Veriprajna 的存在，就是为这些系统做架构。我们提供高风险企业 AI 所需的“真理”（拉丁语：Veri）与“智慧”（梵语：Prajna）。²² 对于幻觉即意味着灾难的行业——银行、医疗保健、法律、国防——前进路径是清晰的。我们必须超越封装器，构建通过架构、确定性与宪章式安全赢得信任的 AI。氛围时代已经结束；工程确定性的时代已经开始。¹⁷

参考文献

1. Critical audit of NYC's AI hiring law signals increased risk for ..., 2026年2月6日访问, https://www.dlapiper.com/en-us/insights/publications/2026/01/critical-audit-of-nyc-ai-hiring-law-signals-increased-risk-for-employers

2. DiNapoli: New Yorkers Deserve a Transparent Hiring Process When Artificial Intelligence Is Used To Vet Their Job Applications, 2026年2月6日访问, https://www.osc.ny.gov/press/releases/2025/12/dinapoli-new-yorkers-deserve-transparent-hiring-process-when-artificial-intelligence-used-vet-their

3. Enforcement of Local Law 144 – Automated Employment Decision ..., 2026年2月6日访问, https://www.osc.ny.gov/state-agencies/audits/2025/12/02/enforcement-local-law-144-automated-employment-decision-tools

4. New York: Critical audit of New York City's AI hiring law signals increased risk for employers, 2026年2月6日访问, https://knowledge.dlapiper.com/dlapiperknowledge/globalemploymentlatestdevelopments/2026/New-York-Critical-audit-of-New-York-Citys-AI-hiring-law-signals-increased-risk-for-employers

5. Critical Audit Of NYC's AI Hiring Law Signals Increased Risk For Employers | JD Supra, 2026年2月6日访问, https://www.jdsupra.com/legalnews/critical-audit-of-nyc-s-ai-hiring-law-2070949/

6. March 3, 2025 Senate Finance Committee Miller Senate Office Building 11 Bladen Street Annapolis, MD 21401 Dear Chair Beidle an - Epic.org, 2026年2月6日访问, https://epic.org/wp-content/uploads/2025/03/2025-MD-SB936-AI-testimony-senate-finance-1.pdf

7. Studying How Employers Comply with NYC's New Hiring Algorithm Law, 2026年2月6日访问, https://citizensandtech.org/research/2024-algorithm-transparency-law/

8. New Research: NYC Algorithmic Transparency Law is Falling Short of Its Goals, 2026年2月6日访问, https://innovation.consumerreports.org/new-research-nyc-algorithmic-transparency-law-is-falling-short-of-its-goals/

9. New York City Adopts Final Regulations on Use of AI in Hiring and Promotion, Extends Enforcement Date to July 5, 2023 | Littler, 2026年2月6日访问, https://www.littler.com/news-analysis/asap/new-york-city-adopts-final-regulations-use-ai-hiring-and-promotion-extends

10. How to Comply with the NYC Bias Audit Law in 2026: A Comprehensive Guide for Employers, 2026年2月6日访问, https://www.nycbiasaudit.com/blog/how-to-comply-with-the-nyc-bias-audit-law

11. NYC Local Law 144: AI Hiring Compliance Guide, 2026年2月6日访问, https://fairnow.ai/guide/nyc-local-law-144/

12. What is NYC's AI Bias Law and How Does It Impact Firms Using HR Automation?, 2026年2月6日访问, https://www.pivotpointsecurity.com/what-is-nycs-ai-bias-law-and-how-does-it-impact-firms-using-hr-automation/

13. Legacy Modernization: Beyond Syntax with Neuro-Symbolic AI - Veriprajna, 2026年2月6日访问, https://veriprajna.com/technical-whitepapers/legacy-modernization-cobol-java-ai

14. The Forensic Imperative: Deterministic Computer Vision in Insurance - Veriprajna, 2026年2月6日访问, https://veriprajna.com/technical-whitepapers/insurance-ai-computer-vision-forensics

15. Fairness-Aware Machine Learning → Term - Prism → Sustainability Directory, 2026年2月6日访问, https://prism.sustainability-directory.com/term/fairness-aware-machine-learning/

16. The Deterministic Divide: Physics-Informed Graphs vs. LLMs in AEC - Veriprajna, 2026年2月6日访问, https://veriprajna.com/technical-whitepapers/aec-ai-physics-informed-graphs

17. The Physics of Verification: Human Motion as Auditable Assets - Veriprajna, 2026年2月6日访问, https://veriprajna.com/technical-whitepapers/human-motion-verification-temporal-convolutional-networks

18. Testimony in Support of Connecticut S.B. 2 - Epic.org, 2026年2月6日访问, https://epic.org/documents/testimony-in-support-of-connecticut-s-b-2/

19. February 25, 2025 Joint Committee on General Law Legislative Office Building, Room 3500 300 Capitol Avenue Hartford, CT 06106 De - Epic.org, 2026年2月6日访问, https://epic.org/wp-content/uploads/2025/02/EPIC-testimony-CT-SB2.pdf

20. Audit Trails for Accountability in Large Language Models - arXiv, 2026年2月6日访问, https://arxiv.org/html/2601.20727v1

21. When AI Can't Explain Itself: The Regulatory Risk of Using LLMs for Critical Decisions - NGA, 2026年2月6日访问, https://nga.co.za/2026/01/12/ai-regulatory-risk-llm-decisions/

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

23. Navigating the AI Employment Landscape in 2026: Considerations and Best Practices for Employers - K&L Gates, 2026年2月6日访问, https://www.klgates.com/Navigating-the-AI-Employment-Landscape-in-2026-Considerations-and-Best-Practices-for-Employers-2-2-2026

24. Artificial Intelligence Legal Roundup: Colorado Postpones ..., 2026年2月6日访问, https://www.seyfarth.com/news-insights/artificial-intelligence-legal-roundup-colorado-postpones-implementation-of-ai-law-as-california-finalizes-new-employment-discrimination-regulations-and-illinois-disclosure-law-set-to-take-effect.html

25. What Does the 2025 Artificial Intelligence Legislative and ..., 2026年2月6日访问, https://www.littler.com/news-analysis/asap/what-does-2025-artificial-intelligence-legislative-and-regulatory-landscape-look

26. Employers Beware: The Rise of AI (Regulation) in Illinois, Colorado and California, 2026年2月6日访问, https://www.mcguirewoods.com/client-resources/alerts/2024/10/employers-beware-the-rise-of-ai-regulation-in-illinois-colorado-and-california/

27. Illinois Joins Colorado and NYC in Restricting Generative AI in HR (Plus a Quick Survey of the Legal Landscape Across the US and Globally) | The Employer Report, 2026年2月6日访问, https://www.theemployerreport.com/2024/08/illinois-joins-colorado-and-nyc-in-restricting-generative-ai-in-hr-a-comprehensive-look-at-us-and-global-laws-on-algorithmic-bias-in-the-workplace/

28. AI Regulations - EU AI Act, ISO 42001, NIST AI RMF - Regulativ.ai, 2026年2月6日访问, https://www.regulativ.ai/ai-regulations

29. Meeting EU AI Act Compliance: Core Requirements and Business Benefits - Rhymetec, 2026年2月6日访问, https://rhymetec.com/eu-ai-act-compliance/

30. Colorado's Artificial Intelligence Act: What Employers Need to Know - Ogletree, 2026年2月6日访问, https://ogletree.com/insights-resources/blog-posts/colorados-artificial-intelligence-act-what-employers-need-to-know/

31. Complying With Colorado's AI Law: Your SB24-205 Compliance Guide | TrustArc, 2026年2月6日访问, https://trustarc.com/resource/colorado-ai-law-sb24-205-compliance-guide/

32. Illinois Steps Up AI Regulation in Employment: Key Takeaways for Employers - Ogletree, 2026年2月6日访问, https://ogletree.com/insights-resources/blog-posts/illinois-steps-up-ai-regulation-in-employment-key-takeaways-for-employers/

33. Evaluation of New York City Local Law 144-21 on AI Hiring Policy, 2026年2月6日访问, https://www.fairtechpolicylab.org/post/evaluation-of-new-york-city-local-law-144-21-on-ai-hiring-policy

34. [Podcast] AI Bias Audits | Law and the Workplace, 2026年2月6日访问, https://www.lawandtheworkplace.com/2025/07/podcast-ai-bias-audits/

35. The Cognitive Enterprise: Neuro-Symbolic Truth vs. Stochastic Probability - Veriprajna, 2026年2月6日访问, https://veriprajna.com/technical-whitepapers/cognitive-enterprise-neuro-symbolic-truth

36. LLM Compliance: Risks, Challenges & Enterprise Best Practices - Lasso Security, 2026年2月6日访问, https://www.lasso.security/blog/llm-compliance

37. Risks of AI Wrapper Products and Features - Kader Law, 2026年2月6日访问, https://www.kaderlaw.com/blog/risks-of-ai-wrapper-products-and-features

38. The Latency Kill-Switch: Industrial AI Beyond the Cloud - Veriprajna, 2026年2月6日访问, https://veriprajna.com/technical-whitepapers/industrial-ai-latency-edge-computing

39. AI governance: A guide to responsible AI for boards - Diligent, 2026年2月6日访问, https://www.diligent.com/resources/blog/ai-governance

40. NYC Local Law 144-21 and Algorithmic Bias | Deloitte US, 2026年2月6日访问, https://www.deloitte.com/us/en/services/audit-assurance/articles/nyc-local-law-144-algorithmic-bias.html

41. EU AI Act vs NIST AI RMF A Practical Guide to AI Compliance in 2025 - AI Governance Blog, 2026年2月6日访问, https://blog.cognitiveview.com/eu-ai-act-vs-nist-ai-rmf-a-practical-guide-to-ai-compliance-in-2025/

42. Fairness-aware machine learning engineering: how far are we? - PMC, 2026年2月6日访问, https://pmc.ncbi.nlm.nih.gov/articles/PMC10673752/

43. Beyond the Visible: Hyperspectral Deep Learning in Agriculture - Veriprajna, 2026年2月6日访问, https://veriprajna.com/technical-whitepapers/agtech-hyperspectral-deep-learning

44. AI Governance Frameworks: NIST AI RMF vs EU AI Act vs Internal - Lumenova AI, 2026年2月6日访问, https://www.lumenova.ai/blog/ai-governance-frameworks-nist-rmf-vs-eu-ai-act-vs-internal/