從隨機模型到確定性保證：安全關鍵人工智慧的策略架構

當代人工智慧版圖，正被一項對技術深度的根本誤解一分為二。此分界的一側，是生成式介面層的快速擴散——常被稱為大型語言模型（LLM）「包裝層」——其優先考量快速部署與對話流暢度。另一側則是嚴謹的深度 AI 工程學科，其定義在於整合形式驗證、感測器融合韌性，以及確定性安全架構。對正在駕馭此一轉型的企業領導人而言，此區別已不再只是學術問題。隨著自主系統從數位環境邁向高風險實體部署，機率式「包裝層」做法的局限，已因一連串備受矚目的失敗而暴露無遺。

Uber Advanced Technologies Group（ATG）、GM Cruise、Tesla 與 Waymo 所涉事件，構成本分析的關鍵實證資料。這些事件不僅是孤立事故，更是架構脆弱性的系統性指標。2018 年 Tempe 致死事故後 Uber ATG 的 $8.5 million 和解、2023 年 GM Cruise 加州營運許可遭撤銷，以及美國國家公路交通安全管理局（NHTSA）對 Tesla 全自動駕駛（FSD）系統持續進行的調查，皆為「感知—邏輯落差」的症狀。¹ 本報告分析這些失敗，以確立安全關鍵 AI 的新典範——將 Veriprajna 定位為深度、可驗證自主能力的提供者，而非隨機介面的促成者。

隨機感知的架構脆弱性：來自 Uber ATG 的教訓

2018 年 3 月於亞利桑那州 Tempe 發生、涉及 Uber ATG 測試車輛的碰撞，仍是分類脆性的奠基案例。當時敘事高度聚焦於人類安全操作員的分心，但美國國家運輸安全委員會（NTSB）的調查發現，揭示了軟體在維持物理世界穩定表徵上更為深層的失敗。³

分類振盪與物體恆存的失敗

Uber ATG 系統首次登錄行人 Elaine Herzberg，約在撞擊前 5.6 秒。⁵ 在時速 43 mph 下，車輛距離將近 378 feet，為標準自動緊急煞車（AEB）系統介入提供了充裕窗口。⁷ 然而，該系統的感知邏輯呈現「分類振盪」。在碰撞前數秒，軟體反覆重新分類該行人——先是「未知物體」，再是「車輛」，最後是「自行車」。⁶

每一次重新分類不僅是標籤變更，更是該物體預測軌跡的重置。在缺乏時間一致性的機率系統中，AI 將每一影格或影格叢集視為近乎獨立的事件。因為系統無法為該物體確立持久身分，便無法計算可靠的路徑預測，直至為時已晚。系統判定需要緊急煞車時，僅距撞擊 1.3 秒——此時物理定律已使碰撞無可避免。³

技術債與安全冗餘的移除

Uber ATG 失敗的關鍵要素，是刻意停用車輛原廠安全系統。為防止「不規律的車輛行為」並為自主系統提供更平順的乘坐，Uber 停用了 Volvo XC90 原廠安裝的碰撞預防與 AEB 功能。⁴ 工程團隊選擇完全依賴一套專有、仍在開發中、尚未針對高信心介入完成驗證的系統。

失敗元件	技術機制	策略意涵
感知管線	分類振盪（未知 -> 車輛 -> 自行車）	物體恆存喪失，使路徑預測失效。6
邏輯抑制	手動停用 Volvo 原廠 AEB	以實驗程式碼取代硬編碼安全層。4
HMI 介面	過度依賴分心的人類監控員	未能納入「自動化自滿」。3
預測引擎	對動態行為者採靜態軌跡假設	無法為非標準行人穿越建模。5

此一決策過程揭示 AI 開發中的危險趨勢：為求隨機模型中的「平順」表現，犧牲確定性安全層。2018 年事故的 $8.5 million 和解，所反映的不僅是法律責任，更是未能管理自動駕駛系統「功能限制」的失敗。⁴ 由 Veriprajna 倡導的深度 AI 工程反對此一優先順序，主張「安全優先」架構：感知層受無法被實驗政策覆寫的形式約束所綁定。

誤診與撞擊後邏輯的失敗：Cruise 2023 危機

2023 年 10 月，舊金山一輛 GM Cruise 無人計程車撞擊並拖行行人 20 feet，導致該公司在加州的無人駕駛營運全面暫停。⁹ 此事件已超越初始碰撞預防問題，進入「撞擊後推理」領域——典型 LLM 包裝層與簡易感知 API 在此完全失效。

前方輾過與側面撞擊的謬誤

Cruise 事件由第三方引發：一輛人類駕駛的 Nissan 撞擊行人，將她拋入 Cruise 車輛路徑。⁹ Cruise 車輛撞擊行人後起初停下。然而，由於系統的「撞擊偵測」邏輯粒度不足，它誤診了碰撞。儘管行人被壓在車底，系統感測器未能辨識前方輾過，反而將事件歸類為側面撞擊。¹

此誤診觸發了預先編程的「最小風險條件」（MRC）機動。系統被設計為在側面撞擊後駛向路邊，以免阻擋交通。¹¹ 因為感知層在撞擊後「遺忘」了行人，車輛開始靠邊，以約 7 mph 拖行受害者 20 feet。⁹ 拖行僅在車輛偵測到「過度輪滑」時停止，而系統將其解讀為機械故障，而非人體障礙。¹¹

透明度作為技術要求

Cruise 失敗既是組織失敗，也是技術失敗。調查顯示高階領導「執著於糾正不準確的媒體敘事」，未能就拖行事宜對監管機關保持透明。⁹ Cruise 員工承認在與 DMV 的會議中「讓影片自己說話」，明知網路連線問題常使影片的「拖行」片段無法播放。⁹

這凸顯深度 AI 顧問的關鍵教訓：自主系統的安全與其透明度不可分割。Veriprajna 的做法強調發展「可解釋安全稽核」，使 AI 所作的每一項決策——尤其是撞擊後決策——以防篡改、確定性格式記錄，供監管機關即時稽核。其後因向 NHTSA 提交不實報告而被處 $500,000 刑事罰鍰，凸顯將 AI 安全視為行銷問題而非工程問題的高昂代價。¹

「純視覺」困境與機率感測的極限：Tesla FSD

Tesla 的全自動駕駛（FSD）系統已成為大規模監管調查的核心，NHTSA 於 2024 至 2025 年間就碰撞事件開啟逾 40 項調查。² 這些調查——尤其是標示為 PE24-031 與 PE25-012 者——聚焦系統在「能力劇場」中的失敗：在晴朗條件下表現最佳，一旦面對環境「邊緣案例」便告崩潰。¹³

環境敏感度與號誌不遵從

NHTSA 的調查已識別 Tesla 純視覺系統未能遵守基本交通安全法規的特定模式：

1. 交通號誌失敗：在 18 件獨立申訴中，啟用 FSD 的車輛未能在紅燈前保持停止，或完全未能偵測號誌狀態。¹²
2. 逆向行駛機動：系統被觀察到駛入對向車道，或從直行專用車道執行轉彎，無視清晰的路面標線與標誌。²
3. 低能見度飽和：2023 年一起重大致死碰撞發生於「潮濕柏油路面陽光眩光」狀態，系統未能偵測行人。¹⁴

Tesla 對「純視覺」架構的依賴——摒棄 LiDAR 與雷達——造成對「感測器飽和」的根本脆弱性。在霧、塵或空中碎片條件下，光學訊雜比降至安全導航所需門檻以下。¹³ 雖然 Tesla 運用「佔用網路」從二維影像預測世界的三維幾何，NHTSA 報告顯示這些預測仍過於機率性，不足以作為主要安全層。¹⁵

形式化駕駛環境

為超越 Tesla 失敗模式，深度 AI 工程運用「危害驅動包絡」。系統必須定義明確的運行設計域（ODD），而非含糊的「功能」。若「眩光飽和百分比」或「霧後向散射指數」超過已驗證門檻，系統必須啟動故障安全轉換。¹⁴

受調查失敗模式	頻率／影響	技術原因
紅燈不遵從	18+ 件申訴	視覺堆疊中號誌狀態偵測失敗。12
車道標線違規	4+ 份 SGO 報告	無法區分轉彎專用與直行車道。12
低能見度碰撞	致死事故（2023-2024）	光學感測器飽和（眩光／霧／塵）。13
駛入對向車道	2 份 SGO 報告	車道幾何三維重建失敗。12

Veriprajna 的哲學是：自主不能建立在「盡力而為」的軟體之上。2025 年 NHTSA 調查所波及的 2.9 million 輛車，代表車隊層級風險，唯有實施「保證閘門」——在感知系統信心水準降至確定性門檻以下時，阻止 AI 作出高風險決策的軟體鎖——才能緩解。²

多智能體死結與社會技術韌性：Waymo 經驗

Waymo 常被視為安全標竿，已累積逾 56 million miles，受傷率顯著低於人類駕駛。¹⁷ 然而，隨著系統擴展，它遭遇新一類失敗：「社會技術摩擦」。這不僅涉及 AI 如何駕駛，更涉及它如何與複雜、往往敵對的人類社會環境互動。

路口堵塞與通訊失敗

2025 年洛杉磯停電期間，數十輛 Waymo 無人計程車困在一連串熄燈路口。「Waymo Driver」被編程將熄燈號誌視為四向停車，卻被集中暴增的「遠端協助」請求壓垮。¹⁸ 因為車輛無法有效彼此通訊，它們進入「多智能體死結」狀態：無人計程車互相阻擋，形成中央指揮中心無法化解的積壓。¹⁸

此失敗凸顯「獨立性陷阱」——假設一輛自動駕駛車輛可作為孤立智能體、無需更廣泛協調系統即可安全運作。¹⁸ 深度 AI 工程必須納入無線通訊中斷，以及「V2V」（車對車）與「V2I」（車對基礎設施）協定的必要性，使車隊能自主化解死結。²⁰

「危險逃脫模式」的必要性

或許對自主營運最重大的新興威脅，是公眾攻擊。2025 年初，數輛 Waymo 車輛在洛杉磯社會動亂中遭群眾攻擊，抗議者割破輪胎並縱火焚車。²¹ 這些車輛被編程為「被動安全」，被人群包圍時只是停下。

這促成「危險逃脫模式」的擬議開發。此類系統將運用 360 度感測器套件偵測「惡意人身攻擊」，並將車輛指令從「被動遵從」轉為「主動逃脫」。²¹ 雖然車輛絕不可被編程去造成傷害，深度 AI 提供者主張它應能作出輕微交通違規（例如駛上人行道或闖紅燈），以保護乘客並逃離不穩定局勢。²¹ 這需要徹底重新思考 AI 的「倫理引擎」——此任務遠超 LLM 包裝層的能力。

技術方案：鳥瞰視圖（BEV）與佔用網路

為處理 Uber 與 Cruise 案例中所見的追蹤失敗，產業正轉向鳥瞰視圖（BEV）感知。標準逐攝影機系統處理個別影像，導致「拼接」過程中的資料損失。相對地，BEV 感知將多視角攝影機與 LiDAR 資料轉換為統一、由上而下的三維網格。²²

佔用網路與標準感測器融合

傳統感測器融合試圖將二維像素「匹配」至三維點，此過程計算昂貴且易生投影誤差。Veriprajna 倡導「佔用網路」——預測三維體積中每一體素「佔用機率」的架構。¹⁶

1. 物體恆存：因為佔用網路追蹤體積而非僅「標籤」，即使系統無法判定物體是行人還是自行車，仍知道該空間被佔用。這本可防止 Uber ATG 的分類翻轉。¹⁶
2. 幾何保真：佔用網路捕捉二維 BEV 地圖常忽略的垂直結構與路面碎片。這本可讓 Cruise 車輛在撞擊後機動期間「看見」底盤下方的行人。¹⁶
3. 時空一致性：運用「BEVFormer」架構，系統可使用「時序自注意力」，即使在暫時遮蔽期間（例如行人走在停放卡車後方）仍記得物體曾在何處。²⁴

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

在此模型中，Transformer 架構並非作為對話工具，而是作為空間推理引擎，將異質資料融合為單一「共享畫布」。²³ 這就是深度 AI 工程：運用前沿架構解決導航中的根本物理問題。

形式驗證：高保證 AI 的 Veriprajna 標準

「包裝層」與「方案」之間最重大的差異，在於形式方法的應用。傳統軟體測試仰賴「黑箱」情境；若系統通過 N 項測試，便被假定為安全。然而在安全關鍵系統中，我們需要正確性的數學證明。

SMT 求解器與神經網路層級推理

Marabou 與 α,β-CROWN 等工具讓工程師能驗證深度神經網路的性質。透過將網路表示為一組分段線性約束，我們可判定是否存在任何可能導致不安全輸出的輸入。²⁵

「安全性質」可定義如下：

對「低能見度」範圍內的所有輸入 x，輸出 y（煞車指令）絕不可小於 k。

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

若 Marabou 等 SMT 求解器回傳「反例」，即已識別出特定、往往難以察覺的擾動，會導致 AI 失敗。這讓 Veriprajna 能在訓練階段「強化」模型，此過程稱為「驗證感知訓練」。²⁸

為可驗證性而剪枝

形式驗證的重大挑戰是「維度詛咒」。大型網路過於複雜，現有求解器無法窮盡分析。Veriprajna 透過「神經元剪枝」因應。移除對模型準確度無貢獻的冗餘神經元與非線性，我們產生在數學上更易驗證、同時不犧牲效能的「剪枝模型」。²⁹

驗證技術	方法論	效益
界緊縮	神經元活化範圍的符號分析	縮小 SMT 求解器的搜尋空間。25
可達性分析	計算一組輸入的所有可達輸出集合	保證 AI 將停留在「安全多面體」內。28
分段線性近似	以基於 ReLU 的區段取代複雜活化	實現健全且完備的驗證證明。27
形式安全濾波器	對照已驗證基準，對 AI 指令進行執行期監控	若主 AI 行為失常，提供「安全復原」。31

監管視野：SOTIF 與 ISO/PAS 8800

對企業而言，遵循新興國際標準已不再可選。格局已從「自願自我評估」轉向強制遵守分層安全框架。⁵

ISO 26262 與 ISO 21448（SOTIF）

ISO 26262 處理「功能安全」（例如感測器故障或晶片短路），卻無法涵蓋 AI 的固有限制。³⁴ 此缺口由 ISO 21448 填補，即「預期功能安全」（SOTIF）標準。SOTIF 專門處理系統完全依編程運作、卻遭遇「未知／不安全」環境時所產生的危害。³⁴

Veriprajna 合作專案的目標，是最大化客戶 AI 系統的「已知／安全」象限。這包括：

1. 危害與風險分析（HARA）：識別非故障風險，例如豪雨中的感測器誤判。³⁶
2. 觸發條件識別：系統性對應導致感知錯誤的環境狀態。³⁶
3. V&V（驗證與確認）：運用高保真模擬「注入」在公共道路上測試過於危險的邊緣案例。³⁶

ISO/PAS 8800：AI 整合的未來

截至 2024 年末，ISO/PAS 8800 已成為「道路車輛 AI 功能安全」的主要標準。³⁷ 它提供管理 AI 生命週期的首份全球指引，從「資料擷取」到「部署後監控」。³³ Veriprajna 確保客戶架構不僅合規，更針對歐盟 AI 法案與 NIST AI 風險管理框架等全球 AI 治理標準日益嚴格的要求「具備未來韌性」。³³

策略前進之路：Veriprajna 的深度 AI 使命

從「包裝層」文化轉向「深度 AI」文化，是從機率式希望走向確定性保證的旅程。Uber $8.5 million 和解、Cruise 暫停營運，以及 Tesla 40+ 項調查，並非放棄 AI 的理由；而是正確工程化它的理由。

Veriprajna 的顧問模型建立在三大支柱上，對應本報告所識別的特定失敗模式：

1. 感知韌性：將客戶從逐攝影機二維感知，推進至基於 Transformer 的 BEV 佔用網路，以確保物體恆存與追蹤穩定。¹⁶
2. 已驗證決策：實施基於 SMT 的形式驗證，證明 AI 驅動的控制架構絕不會違反核心安全性質。²⁵
3. 社會技術強化：發展精密的「逃脫模式」與 V2X 通訊框架，以因應社會動亂與多智能體死結的現實。¹⁸

隨著單次資料外洩的全球成本達 $4.44 million，而自動駕駛致死事故的法律與營運損害進入數千萬美元量級，「廉價」包裝層成為企業可能犯下的最昂貴錯誤。¹⁴ Veriprajna 提供所需的深度工程專長，以打造不僅在實驗室運作——更能在世界中持久的 AI。

現代企業的選擇很清楚：繼續包裝機率式黑箱並管理不可避免的後果，或與 Veriprajna 合作，架構可驗證、高保證自主的未來。隨機 AI 的時代正在結束；深度 AI 工程的時代已經開始。

參考文獻

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日檢索， 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日檢索， https://www.autobodynews.com/news/nhtsa-opens-probe-into-2-9m-teslas-over-fsd-violations
3. HWY18MH010.aspx - NTSB，2026年2月9日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， https://danluu.com/cruise-report/
11. Lessons from the Cruise Robotaxi Pedestrian Dragging Mishap，2026年2月9日檢索， http://users.ece.cmu.edu/~koopman/pubs/Koopman2024_CruiseMishap_IEEEReliabilityMagazine.pdf
12. Office of Defects Investigation (ODI) Resume - nhtsa，2026年2月9日檢索， 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日檢索， 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日檢索， https://www.priz.guru/tesla-fsd-safety-issues-nhtsa-probes-ai-driving-future-part-6/
15. AI & Robotics | Tesla，2026年2月9日檢索， https://www.tesla.com/AI
16. A Survey on Occupancy Perception for Autonomous Driving: The Information Fusion Perspective - arXiv，2026年2月9日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， https://arxiv.org/html/2504.04631v2
21. When Robotaxis Get Attacked: Do Waymo Cars Need a 'Danger Escape Mode'?，2026年2月9日檢索， 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日檢索， https://arxiv.org/html/2510.24688v1
23. [AV Vol.3] BEVFusion: Unifying Vision in Autonomous Driving Systems - Medium，2026年2月9日檢索， 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日檢索， 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日檢索， https://aisafety.stanford.edu/marabou/MarabouCAV2019.pdf
26. Marabou 2.0: A Versatile Formal Analyzer of Neural Networks - arXiv，2026年2月9日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， https://arxiv.org/html/2602.05157v1
36. What is SOTIF? (ISO 21448) - Visure Solutions，2026年2月9日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， https://www.promptfoo.dev/blog/ai-safety-vs-security/