从随机模型到确定性保障：安全关键人工智能的战略框架

当代人工智能格局正被对技术深度的根本性误解一分为二。这一分野的一侧，是生成式界面层的迅速扩散——常被描述为大型语言模型（LLM）“封装器”——其优先事项是快速部署与对话流畅性。另一侧则是深度 AI 工程这一严谨学科，其核心是形式化验证、传感器融合韧性与确定性安全架构的整合。对正在穿越这一转型的企业领导者而言，这一区分已不再仅仅是学术问题。随着自主系统从数字环境走向高风险的物理部署，概率式、“封装器式”方法的局限已在一系列备受瞩目的故障中暴露无遗。

涉及 Uber Advanced Technologies Group（ATG）、GM Cruise、Tesla 与 Waymo 的事件，构成本分析的关键经验数据。这些事件远不止孤立事故；它们是架构脆弱性的系统性指标。2018 年坦佩（Tempe）致死事故后 Uber ATG 达成的 $8.5 million 和解、2023 年 GM Cruise 加州运营许可被吊销，以及美国国家公路交通安全管理局（NHTSA）对 Tesla 全自动驾驶（FSD）系统持续进行的调查，都是“感知-逻辑鸿沟”的症状。¹ 本报告分析这些故障，以确立安全关键 AI 的新范式——将 Veriprajna 定位为深度、可验证自主能力的提供方，而非随机界面的促成者。

随机感知的架构脆弱性：来自 Uber ATG 的教训

2018 年 3 月发生在亚利桑那州坦佩、涉及一辆 Uber ATG 测试车辆的碰撞，仍是分类脆性方面的奠基性案例。尽管当时的叙事高度聚焦于人类安全操作员的分心，美国国家运输安全委员会（NTSB）的调查结论揭示了软件在维持对物理世界稳定表征方面更为深刻的失败。³

分类振荡与物体恒存性的失败

Uber ATG 系统首次登记行人 Elaine Herzberg 大约在撞击前 5.6 秒。⁵ 当时车速为 43 mph，车辆距离约 378 feet，足以让标准自动紧急制动（AEB）系统介入。⁷ 然而，该系统的感知逻辑以“分类振荡”为特征。在撞击前的数秒内，软件反复对行人重新分类——先是“未知物体”，再是“车辆”，最后是“自行车”。⁶

每一次重新分类都不只是标签的更换；它是对该物体预测轨迹的重置。在缺乏时间一致性的概率系统中，AI 将每一帧或帧簇视为近乎独立的事件。因为系统无法为该物体确立持久身份，它无法计算出可靠的路径预测，直到为时已晚。系统判定需要紧急制动时距撞击仅 1.3 秒——此时物理定律已使碰撞不可避免。³

技术债与安全冗余的拆除

Uber ATG 故障的一个关键要素，是有意停用车辆原厂安全系统。为防止“车辆行为不稳定”并为自主系统提供更平滑的乘坐体验，Uber 禁用了 Volvo XC90 出厂安装的碰撞规避与 AEB 功能。⁴ 工程团队选择完全依赖一套尚未针对高置信度干预完成验证的专有、尚在开发中的系统。

故障组件	技术机制	战略含义
感知流水线	分类振荡（未知 -> 车辆 -> 自行车）	物体恒存性丧失导致路径预测失效。6
逻辑抑制	手动停用 Volvo 原厂 AEB	拆除硬编码安全层，转而依赖实验性代码。4
HMI 接口	过度依赖分心的人类监控员	未能考虑“自动化自满”。3
预测引擎	对动态行为者采用静态轨迹假设	无法对非标准行人横穿进行建模。5

这一决策过程揭示了 AI 开发中的危险趋势：为了随机模型中的“平滑”性能而牺牲确定性安全层。2018 年事故的 $8.5 million 和解，反映的不仅是法律责任，更是未能管理自动驾驶系统“功能局限”的失败。⁴ Veriprajna 所倡导的深度 AI 工程反对这一层级安排，主张“安全优先”架构：感知层受不可被实验性策略覆盖的形式化约束所约束。

误诊与撞击后逻辑的失败：Cruise 2023 危机

2023 年 10 月，一辆 GM Cruise 无人驾驶出租车在旧金山撞击并拖行行人 20 feet，导致该公司在加州的无人驾驶运营全面暂停。⁹ 该事件已超越初始碰撞规避问题，进入“撞击后推理”领域——典型 LLM 封装器与简单感知 API 在此完全失效。

正面碾压与侧面撞击的谬误

Cruise 事件由第三方引发：一辆人类驾驶的 Nissan 撞击行人，将其抛入 Cruise 车辆的路径。⁹ Cruise 车辆撞击行人后最初停下。然而，由于系统的“撞击检测”逻辑粒度不足，它对碰撞作出了误诊。尽管行人被压在车下，系统传感器未能识别正面碾压，而将事件归类为侧面碰撞。¹

这一误诊触发了预编程的“最小风险条件”（MRC）机动。系统设计为在侧面撞击后驶向路边，以免阻塞交通。¹¹ 因为感知层在撞击后“遗忘”了行人，车辆开始靠边，以约 7 mph 将受害者拖行 20 feet。⁹ 拖行仅在车辆检测到“过度车轮打滑”时停止，系统将其解释为机械故障而非人体障碍。¹¹

透明度作为技术要求

Cruise 的失败既是组织失败，也是技术失败。调查显示，高层领导“执着于纠正不准确的媒体叙事”，未能就拖行事宜向监管机构保持透明。⁹ Cruise 员工承认在与 DMV 的会议中“让视频自己说话”，明知网络连接问题常常导致视频中的“拖行”部分无法播放。⁹

这对深度 AI 咨询揭示了一条关键教训：自主系统的安全与其透明度不可分割。Veriprajna 的方法强调开发“可解释安全审计”，AI 作出的每一项决策——尤其是撞击后决策——均以防篡改、确定性格式记录，供监管机构实时审计。随后因向 NHTSA 提交虚假报告而被处以 $500,000 刑事罚金，凸显了将 AI 安全当作营销问题而非工程问题的高昂代价。¹

“纯视觉”困境与概率传感的极限：Tesla FSD

Tesla 的全自动驾驶（FSD）系统已成为大规模监管调查的中心，NHTSA 在 2024 至 2025 年间对碰撞事件开启了逾 40 项问询。² 这些调查，尤其是编号为 PE24-031 与 PE25-012 的调查，聚焦于系统在“能力剧场”中的失败——在晴朗条件下表现最优，一旦面对环境“边缘案例”便崩溃。¹³

环境敏感性与信号不合规

NHTSA 的调查已识别出 Tesla 纯视觉系统未能遵守基本交通安全法规的具体模式：

1. 交通信号失败：在 18 起独立投诉中，启用 FSD 的车辆未能在红灯处保持停止，或完全未能检测信号状态。¹²
2. 逆向行驶机动：系统被观察到驶入对向车道，或从直行专用车道执行转弯，无视清晰的道路标线与标志。²
3. 低能见度饱和：2023 年一起重大致死碰撞发生在“湿沥青上的阳光眩光”状态下，系统未能检测到行人。¹⁴

Tesla 对“纯视觉”架构的依赖——摒弃 LiDAR 与雷达——造成了对“传感器饱和”的根本脆弱性。在雾、尘或空中碎屑条件下，光学信噪比降至安全导航所需阈值以下。¹³ 尽管 Tesla 利用“占用网络”从 2D 图像预测世界的 3D 几何，NHTSA 报告表明这些预测仍过于概率化，不足以作为主要安全层。¹⁵

将驾驶环境形式化

为超越 Tesla 故障模式，深度 AI 工程采用“危害驱动包络”。系统必须定义明确的运行设计域（ODD），而非含糊的“功能”。若“眩光饱和百分比”或“雾后向散射指数”超过已验证阈值，系统必须启动故障安全转换。¹⁴

被调查的故障模式	频次/影响	技术原因
红灯不合规	18+ 起投诉	视觉栈中的信号状态检测失败。12
车道标线违规	4+ 份 SGO 报告	无法区分转弯专用车道与直行车道。12
低能见度碰撞	致死事故（2023-2024）	光学传感器饱和（眩光/雾/尘）。13
驶入对向车道	2 份 SGO 报告	车道几何三维重建失败。12

Veriprajna 的理念是，自主能力不能建立在“尽力而为”的软件之上。2025 年 NHTSA 调查所波及的 2.9 million 辆汽车，代表着车队级风险，唯有通过实施“保障门控”——在感知系统置信度降至确定性阈值以下时阻止 AI 作出高风险决策的软件锁——才能缓解。²

多智能体死锁与社会技术韧性：Waymo 的经验

Waymo 常被视为安全标杆，已累计行驶逾 56 million miles，伤害率显著低于人类驾驶员。¹⁷ 然而，随着系统规模扩大，它遭遇了一类新的故障：“社会技术摩擦”。这不仅关乎 AI 如何驾驶，更关乎它如何与复杂、往往充满敌意的人类社会环境互动。

路口阻塞与通信失败

在 2025 年洛杉矶一次停电期间，数十辆 Waymo 无人驾驶出租车困在一系列熄灭的路口。“Waymo Driver”被编程将熄灭信号视为四向停车，却被集中爆发的“远程协助”请求压垮。¹⁸ 由于车辆之间无法有效通信，它们进入“多智能体死锁”状态：无人驾驶出租车互相阻塞，形成中央指挥中心无法化解的积压。¹⁸

这一失败凸显了“独立性陷阱”——即假设一辆自动驾驶汽车可以作为孤立智能体安全运行，而无需更广泛的协调系统。¹⁸ 深度 AI 工程必须考虑无线通信中断，以及使车队能够自主化解死锁的“V2V”（车对车）与“V2I”（车对基础设施）协议的必要性。²⁰

“危险逃生模式”的必要性

或许对自主运营最显著的新兴威胁是公众攻击。2025 年初，若干 Waymo 车辆在洛杉矶社会动荡期间遭到人群袭击，抗议者割破轮胎并纵火焚车。²¹ 这些车辆被编程为“被动安全”，在被人群包围时只是停下。

这催生了“危险逃生模式”的拟议开发。此类系统将利用 360 度传感器套件检测“恶意人类攻击”，并将车辆指令从“被动遵从”转为“主动逃生”。²¹ 尽管车辆绝不可被编程去造成伤害，深度 AI 提供方主张，它应有能力实施轻微交通违规（例如驶上人行道或闯红灯），以保护乘客并逃离动荡局面。²¹ 这要求对 AI 的“伦理引擎”进行根本性再思考——这一任务远远超出 LLM 封装器的能力。

技术解决方案：鸟瞰图（BEV）与占用网络

为应对 Uber 与 Cruise 案例中所见的跟踪失败，行业正转向鸟瞰图（BEV）感知。标准的按摄像头系统处理单张图像，导致“拼接”过程中的数据丢失。相比之下，BEV 感知将多视角摄像头与 LiDAR 数据变换为统一的自上而下 3D 网格。²²

占用网络与标准传感器融合

传统传感器融合试图将 2D 像素“匹配”到 3D 点，这一过程计算代价高昂且易产生投影误差。Veriprajna 主张采用“占用网络”——一种预测 3D 体中每一个体素“占用概率”的架构。¹⁶

1. 物体恒存性：因为占用网络跟踪的是体积而非仅仅是“标签”，即使系统无法判定物体是行人还是自行车，它也知道该空间被占用。这本可防止 Uber ATG 的分类翻转。¹⁶
2. 几何保真度：占用网络捕获常被 2D BEV 地图忽略的垂直结构与道路碎屑。这本可使 Cruise 车辆在撞击后机动期间“看见”底盘下方的行人。¹⁶
3. 时空一致性：利用“BEVFormer”架构，系统可使用“时序自注意力”，即使在暂时遮挡期间（例如行人走在停放卡车后方）仍能记住物体所在位置。²⁴

$$X_{BEV} = f_{transformer}(I_1, I_2, ..., I_n, L_{cloud})$$

在这一模型中，Transformer 架构并非作为对话工具，而是作为空间推理引擎，将异构数据融合为单一的“共享画布”。²³ 这就是深度 AI 工程：运用前沿架构解决导航中的基本物理问题。

形式化验证：高保障 AI 的 Veriprajna 标准

“封装器”与“解决方案”之间最显著的分野，是形式化方法的应用。传统软件测试依赖“黑箱”场景；若系统通过 N 项测试，便被假定为安全。然而在安全关键系统中，我们要求正确性的数学证明。

SMT 求解器与网络级推理

Marabou 与 α,β-CROWN 等工具使工程师能够验证深度神经网络的性质。通过将网络表示为分段线性约束集合，我们可以判定是否存在任何可导致不安全输出的输入。²⁵

一项“安全性质”可定义如下：

对于“低能见度”范围内的所有输入 x，输出 y（制动指令）必须永不小于 k。

$$\forall x \in X_{fog} \Rightarrow f(x) \geq Braking_{min}$$

若 Marabou 等 SMT 求解器返回“反例”，它便识别出一种特定的、往往难以察觉的扰动，会导致 AI 失败。这使 Veriprajna 能够在训练阶段“加固”模型，该过程称为“验证感知训练”。²⁸

面向可验证性的剪枝

形式化验证的一大挑战是“维度灾难”。大型网络过于复杂，现有求解器无法穷尽分析。Veriprajna 通过“神经元剪枝”应对这一问题。通过移除对模型精度无贡献的冗余神经元与非线性，我们得到在数学上更易于验证且不牺牲性能的“剪枝模型”。²⁹

验证技术	方法论	收益
边界收紧	神经元激活范围的符号分析	缩小 SMT 求解器的搜索空间。25
可达性分析	计算输入集合的全部可达输出集合	保证 AI 将保持在“安全多面体”之内。28
分段线性近似	以基于 ReLU 的分段替换复杂激活	使可靠且完备的验证证明成为可能。27
形式化安全过滤器	对照已验证基线对 AI 指令进行运行时监控	在主 AI 行为失常时提供“安全恢复”。31

监管地平线：SOTIF 与 ISO/PAS 8800

对企业而言，遵守新兴国际标准已不再是可选项。格局已从“自愿自我评估”转向对分层安全框架的强制遵循。⁵

ISO 26262 与 ISO 21448（SOTIF）

ISO 26262 处理“功能安全”（例如传感器失效或芯片短路），但它无法涵盖 AI 的固有局限。³⁴ 这一缺口由 ISO 21448 填补，即“预期功能安全”（SOTIF）标准。SOTIF 专门用于应对系统完全按编程工作、却遭遇“未知/不安全”环境时发生的危害。³⁴

Veriprajna 合作的目标是最大化客户 AI 系统的“已知/安全”象限。这包括：

1. 危害与风险分析（HARA）：识别非失效风险，例如暴雨中的传感器误读。³⁶
2. 触发条件识别：系统性地映射导致感知误差的环境状态。³⁶
3. V&V（验证与确认）：使用高保真仿真“注入”在公共道路上测试过于危险的边缘案例。³⁶

ISO/PAS 8800：AI 集成的未来

截至 2024 年末，ISO/PAS 8800 已成为“道路车辆中 AI 的功能安全”的主要标准。³⁷ 它提供了管理 AI 生命周期的首套全球指南，从“数据采集”到“部署后监控”。³³ Veriprajna 确保客户架构不仅合规，而且针对欧盟 AI 法案与 NIST AI 风险管理框架等全球 AI 治理标准日益严格的要求做到“面向未来”。³³

前进的战略路径：Veriprajna 的深度 AI 使命

从“封装器”文化转向“Deep AI”文化，是从概率式希望走向确定性保障的旅程。Uber 的 $8.5 million 和解、Cruise 停运，以及 40+ 项 Tesla 调查，不是放弃 AI 的理由；而是正确工程化 AI 的理由。

Veriprajna 的咨询模型建立在三大支柱之上，分别应对本报告所识别的具体故障模式：

1. 感知韧性：将客户从按摄像头的 2D 感知转向基于 Transformer 的 BEV 占用网络，以确保物体恒存性与跟踪稳定性。¹⁶
2. 已验证决策：实施基于 SMT 的形式化验证，以证明 AI 驱动的控制架构永不违反核心安全性质。²⁵
3. 社会技术加固：开发精密的“逃生模式”与 V2X 通信框架，以应对社会动荡与多智能体死锁的现实。¹⁸

随着单次数据泄露的全球成本达到 $4.44 million，而一次自主致死事故的法律与运营损害进入数千万美元量级，“廉价”封装器成为企业可能犯下的最昂贵错误。¹⁴ Veriprajna 提供构建不仅能在实验室中工作——更能在真实世界中持久运行的 AI 所需的深度工程专长。

现代企业的选择是明确的：继续封装概率黑箱并管理不可避免的后果，或与 Veriprajna 合作，架构可验证、高保障自主能力的未来。随机 AI 的时代正在结束；Deep AI 工程的时代已经开始。

参考文献

1. Cruise Admits To Submitting A False Report To Influence A Federal Investigation And Agrees To Pay $500000 - Department of Justice，2026年2月9日访问， https://www.justice.gov/usao-ndca/pr/cruise-admits-submitting-false-report-influence-federal-investigation-and-agrees-pay
2. NHTSA Opens Probe into 2.9M Teslas Over FSD Violations - Autobody News，2026年2月9日访问， https://www.autobodynews.com/news/nhtsa-opens-probe-into-2-9m-teslas-over-fsd-violations
3. HWY18MH010.aspx - NTSB，2026年2月9日访问， https://www.ntsb.gov/investigations/Pages/HWY18MH010.aspx
4. NTSB Shares Investigation Findings and Recommendations Regarding March 2018 Uber ATG Fatality | Eckert Seamans，2026年2月9日访问， https://www.eckertseamans.com/legal-updates/ntsb-shares-investigation-findings-and-recommendations-regarding-march-2018-uber-atg-fatality
5. H-19-047 - Accident Data - NTSB，2026年2月9日访问， https://data.ntsb.gov/carol-main-public/sr-details/H-19-047
6. NTSB releases preliminary report on fatal Uber self-driving car crash - Metro Magazine，2026年2月9日访问， https://www.metro-magazine.com/news/ntsb-releases-preliminary-report-on-fatal-uber-self-driving-car-crash
7. Death of Elaine Herzberg - Wikipedia，2026年2月9日访问， https://en.wikipedia.org/wiki/Death_of_Elaine_Herzberg
8. New Details Emerge Regarding Uber Self-Driving Vehicle Accident in Tempe, Arizona，2026年2月9日访问， https://schwedlawfirm.com/blog/new-details-emerge-regarding-uber-self-driving-vehicle-accident/
9. A Root Cause Analysis of a Self-Driving Car Dragging a Pedestrian，2026年2月9日访问， https://www.computer.org/csdl/magazine/co/2024/11/10720344/215PD0vqgTe
10. Notes on Cruise's pedestrian accident - Dan Luu，2026年2月9日访问， https://danluu.com/cruise-report/
11. Lessons from the Cruise Robotaxi Pedestrian Dragging Mishap，2026年2月9日访问， http://users.ece.cmu.edu/~koopman/pubs/Koopman2024_CruiseMishap_IEEEReliabilityMagazine.pdf
12. Office of Defects Investigation (ODI) Resume - nhtsa，2026年2月9日访问， https://static.nhtsa.gov/odi/inv/2025/INOA-PE25012-19171.pdf
13. US regulators launch investigation into self-driving Teslas after series of crashes，2026年2月9日访问， https://www.theguardian.com/technology/2025/oct/09/tesla-cars-self-driving-us-regulators-investigation
14. Tesla FSD Safety Issues: NHTSA Probes & AI Driving Future (Part 6) - PRIZ Guru，2026年2月9日访问， https://www.priz.guru/tesla-fsd-safety-issues-nhtsa-probes-ai-driving-future-part-6/
15. AI & Robotics | Tesla，2026年2月9日访问， https://www.tesla.com/AI
16. A Survey on Occupancy Perception for Autonomous Driving: The Information Fusion Perspective - arXiv，2026年2月9日访问， https://arxiv.org/html/2405.05173v2
17. New Study: Waymo is reducing serious crashes and making streets safer for those most at risk，2026年2月9日访问， https://waymo.com/blog/2025/05/waymo-making-streets-safer-for-vru
18. On Waymo's Traffic Jams - Stanford Center for Internet and Society，2026年2月9日访问， https://cyberlaw.stanford.edu/blog/2025/12/on-waymos-traffic-jams/
19. Self-driving cars may create more traffic congestion than they solve, expert says - KJZZ，2026年2月9日访问， https://www.kjzz.org/the-show/2026-01-07/self-driving-cars-may-create-more-traffic-congestion-than-they-solve-expert-says
20. A Systematic Literature Review on Vehicular Collaborative Perception – A Computer Vision Perspective - arXiv，2026年2月9日访问， https://arxiv.org/html/2504.04631v2
21. When Robotaxis Get Attacked: Do Waymo Cars Need a 'Danger Escape Mode'?，2026年2月9日访问， https://aragonresearch.com/robotaxis-attack-waymo-cars-danger-escape-mode/
22. MIC-BEV: Multi-Infrastructure Camera Bird's-Eye-View Transformer with Relation-Aware Fusion for 3D Object Detection - arXiv，2026年2月9日访问， https://arxiv.org/html/2510.24688v1
23. [AV Vol.3] BEVFusion: Unifying Vision in Autonomous Driving Systems - Medium，2026年2月9日访问， https://medium.com/demistify/av-vol-3-bevfusion-unifying-vision-in-autonomous-driving-systems-b2190f877c9b
24. A Transformer-based Temporal Feature Fusion Approach for Autonomous Driving BEV Perception | Request PDF - ResearchGate，2026年2月9日访问， https://www.researchgate.net/publication/395804054_A_Transformer-based_Temporal_Feature_Fusion_Approach_for_Autonomous_Driving_BEV_Perception
25. The Marabou Framework for Verification and Analysis of Deep Neural Networks - Stanford Center for AI Safety，2026年2月9日访问， https://aisafety.stanford.edu/marabou/MarabouCAV2019.pdf
26. Marabou 2.0: A Versatile Formal Analyzer of Neural Networks - arXiv，2026年2月9日访问， https://arxiv.org/html/2401.14461v1
27. Marabou 2.0: A Versatile Formal Analyzer of Neural Networks - Stanford CS Theory，2026年2月9日访问， https://theory.stanford.edu/~barrett/pubs/WIZ+24.pdf
28. Creating a Formally Verified Neural Network for Autonomous Navigation: An Experience Report - CSE CGI Server，2026年2月9日访问， https://cgi.cse.unsw.edu.au/~eptcs/paper.cgi?FMAS2024.12.pdf
29. Verification of Neural Networks for Safety and Security-critical Domains - CEUR-WS.org，2026年2月9日访问， https://ceur-ws.org/Vol-3345/paper10_RiCeRCa3.pdf
30. Formal Verification of Neural Networks for Safety-Critical Tasks in Deep Reinforcement Learning，2026年2月9日访问， https://proceedings.mlr.press/v161/corsi21a/corsi21a.pdf
31. Formal Methods for Trustworthy AI-based Autonomous Systems - NII Shonan Meeting，2026年2月9日访问， https://shonan.nii.ac.jp/docs/No.178.pdf
32. Formal Verification of Neural Networks-Based Control Architecture for Safety-Critical Autonomous Systems - Frontiers，2026年2月9日访问， https://www.frontiersin.org/research-topics/74336/formal-verification-of-neural-networks-based-control-architecture-for-safety-critical-autonomous-systems
33. Implementing Responsible AI for Automotive Vehicle Safety - LHP Engineering Solutions，2026年2月9日访问， https://www.lhpes.com/blog/implementing-responsible-ai-for-automotive-vehicle-safety
34. Functional Safety vs. SOTIF: What Is the Difference and Where Do They Overlap? - MES，2026年2月9日访问， https://model-engineers.com/en/blog/functional-safety-vs-sotif-differences-overlaps/
35. The Necessity of a Holistic Safety Evaluation Framework for AI-Based Automation Features，2026年2月9日访问， https://arxiv.org/html/2602.05157v1
36. What is SOTIF? (ISO 21448) - Visure Solutions，2026年2月9日访问， https://visuresolutions.com/automotive/iso-21448/
37. Safety-Related Systems in Road Vehicles with Artificial Intelligence Are Addressed in ISO/PAS 8800:2024 | UL Solutions，2026年2月9日访问， https://www.ul.com/sis/blog/safety-related-systems-road-vehicles-artificial-intelligence-are-addressed-isopas-88002024
38. ISO 26262, SOTIF and simulation | Applied Intuition，2026年2月9日访问， https://www.appliedintuition.com/blog/iso26262-sotif-simulation
39. Introducing ISO/PAS 8800 – Functional Safety for AI in Road Vehicles | SGS Georgia，2026年2月9日访问， https://www.sgs.com/en-ge/news/2025/04/safeguards-04625-introducing-iso-pas-8800-functional-safety-for-ai-in-road-vehicles
40. NIST vs ISO - Compare AI Frameworks - ModelOp，2026年2月9日访问， https://www.modelop.com/ai-governance/ai-regulations-standards/nist-vs-iso
41. AI Safety vs AI Security in LLM Applications: What Teams Must Know - Promptfoo，2026年2月9日访问， https://www.promptfoo.dev/blog/ai-safety-vs-security/