积分规则中涉及的行为，涵盖基层治理中的大多数事务。

在人类历史上，科技进步带给人类的福祉始终是颇受称赞的，但技术理性与人性精神也难免会存在一定的张力。法律在功能上将是完整的。

它是迈进数字时代、数字社会的法学代表，如同现代法学是迈进近现代社会的法学代表，实现了对传统法学的代际升级一样。然而，在当今数字时代，则出现了社会创新引领在先、国家跟进规制在后，实践开拓探索在先、理论研究回应在后的局面。这无疑形成了一个投喂算法下的信息茧房——你所看到的正是你喜欢看到的，或者是平台公司想让你看到的片段性世界，那是一个你以为的真实世界而不是本来的、客观的、完整的那个世界。如，法理学会注入数字法治理论、数字人权理论，民法学会注入数字人格理论、智能合约理论，宪法与行政法学会注入数字政府、数字公民理论，经济法学会注入数据竞争、算法合谋理论等等。因此，现代法学理论对其仍然能够有效适用。

然而，数字法学并不是对这些数字逻辑进行反射镜式的直观反映，而是要进行法学上的理论抽象和体系建构，从而形成数字法学的底层逻辑。再如，数字法治政府、数字公民、数字司法、数字人权、数字正义、数字法治。就算法治理而言，这意味着技术层面的不可行性不再是完全无法逾越的障碍。

此外，这一体系有效呼应了《关于加强互联网信息服务算法综合治理的指导意见》中算法分类分级的监管理念第四，任何系统都必须经历人化和隐私两方面的考察，融合不同文件或系统中个人信息的决定，永远不可自动作出。1973年，参议院尝试修正《公平信贷报告法》，纳入类似获得解释权的权利、并消除对消费者访问征信报告的限制，未竟其功。模块I中，算法风险高且自主性强，是算法治理的重中之重和难点所在。

在收集敏感个人信息时，充分告知。如果相加结果大于总人数，则从头循环。

最后且最重要的是，鉴于算法黑盒的存在，审查重点应落在算法所需的数据上，算法应用者应在合理范围内展示输入的变量数据，及其对结果的影响，以便通过反事实解释评估算法是否存在歧视或偏见。不过，当今的算法依然高度依赖人类选定的训练与应用的限定背景，展望未来，算法将迈向与人类具有相同程度的人工智能阶段（HLAI），具有完全的自我意识和意向性。金融征信是仅有的成功推进相关立法尝试的场景。在此之前，使用机器语言的算法编写者必须说计算机能懂的语言。

从软件工程的角度看，相应算法规范亦逐步落实于任务定义、数据收集、设计和模型训练、模型测试和验证、模型部署和应用等算法生命周期之中。就此而言，所谓场景化治理是描述性的而非规范性的。第三，系统在处理个人信息时，应当允许个体访问与他们有关的信息，提供修正相应信息中错误的方式，提供评估系统所存储的信息质量的方式，为个体提供补充其认为重要的信息的方式，并公开披露系统存储的数据类型和系统处理数据的方式。其次，对于主要因关涉法益重要性而引发的风险，法律亦应将算法看作侵权行为或违法行为的工具，采取结果导向和实质主义进路，在危害后果发生后予以问责。

在上述两种情形下，政府均无须针对算法另起炉灶。三是充实个人算法权利和个人信息权利，赋予个人自主选择、拒绝算法决定和要求人工介入的权利。

在Test v. U.S.案中，联邦最高法院将相应条款解释为当事人实质上具有无条件检视陪审团记录的权利，为要求开示抽选算法的相关信息提供了制度保障。许可，对外经济贸易大学法学院副教授 原文刊载于《华东政法大学学报》2022年第1期 进入专题： 算法治理 。

第三，针对随机抽选场景，美国国家标准与技术研究院（NIST）后续发布了经充分验证的公平抽选算法的原理和详细代码。就性别、种族等争议变量用于征信所蕴含的算法公平问题，1974年正式通过的《平等信贷机会法》规定：在信贷交易的任何方面，基于种族、肤色、宗教信仰、国籍、性取向、在相应个体具备订立合同的民事权利时的年龄、收入全部或部分来源于公共援助项目而歧视相应信贷申请者，即属非法。在将数据提供给他人以用于自动化决定时，确保数据的准确性。如图1所示，横轴引入了算法发展的历史维度，自左向右，算法的工具性不断减弱，自主性不断增强。当前，世界范围内最大的代码托管平台GitHub，即是遵从开源伦理的社会化编程的集中体现。半个世纪前的立法，其现实意义不仅没有消磨，反而愈发突出。

为了呼应上述社会（规范），法律可以在《数据安全法》第28条的基础上，明确算法应当遵循可解释、公平、可问责、个人信息保护的原则。如果与消费者交易的条件可能因为自动化工具发生改变，则应将相应改变告知消费者。

在不多的算法治理整体研究中，有的学者从多样化的算法风险出发，提出了算法规制的多维谱系，另有学者立足于算法信赖，通过透明度规则、算法伦理法律化和算法验证评估制度确保算法自身可信度，并采取短期、中期和长期方案稳步推进算法治理。第二，系统在处理例外时，应当尽可能意识到不同类别个体间的差异，意识到特殊的系统行为可能需要特殊的条件，在输入和处理环节提供可选项，为用户提供可选的交互方式，并提供推翻系统决定的程序。

就市场（代码）治理而言，其在操作上的优先性并不意味着可以无视法律和规范，相反，开发者亦应致力于发展与其他治理方式对接的工具，将法律和社群规则要求尽量转化为算法语言。凭借着对算法内在特质和外部风险的类型化，政府（法律）治理、社会（规范）治理、市场（代码）治理彼此嵌入、相辅相成，共同塑造了开放性和稳定性兼备的模块化治理体系，这既是历史的推论，也是未来的方向。

如果自第三方数据经纪商处收集数据，并在此基础上作出自动化决定，应用算法者可能需要告知消费者与前述负面决策相关的访问或获解释的权利。同时，相关标准还针对用户画像、深度学习算法、远程人脸识别等特殊场景作出规定。好的注释，既可以提供法律所需信息，也可以清楚解释编写算法者（就特定段落的代码所蕴含的）意图，从而解释为什么特定代码会存在。一方面，其横轴和纵轴分别对应算法风险和算法信赖两种对算法规制的原点理论，同时通过算法外部风险和算法自身可信的切分，化解了上述理论彼此交叠的问题。

第三类，确保决定的公平。譬如，相较法院所在地社区各族裔的人口占比，抽选所得陪审团中各族裔占比，可能出现相当幅度的偏离。

二、算法的规范治理 所谓规范（norms），意指由规范性态度所支撑的行为的规律性，本文在宽泛的含义上使用这一概念，以涵盖算法的社会伦理与社群共识。半个世纪后，算法治理原则的落实前景，依然如此。

这一偏离既不符合《美国联邦宪法》第6条不偏不倚的陪审团裁判的规定，也会对实际裁判结果造成显著影响。不在使用自动化工具方面欺骗消费者。

在这里，我们主要聚焦于算法的程序语言和软件设计，以展现其对算法治理的可能影响。所在县地名字母序靠后的个体，被抽中的概率非常小。从需要自己阅读菜单，到使唤机器人点单，尽管今天的算法依然堪称黑箱，但算法的可解释性已经有了长足的提升。面对计算机专家辩称算法具有财产性利益，并拒绝展示算法相关信息亦拒绝被告检视代码的做法，法院如此说理：由于计算机具备以极具说服力的格式包装错误的或误导性的数据的能力，计算机化的仿真或计算，应严格遵从适用于专家证据的可采性规则，利用不正确的证据进行演算比一文不值还要糟糕（worse than worthless）。

事实上，作为人类通过代码设置、数据运算与机器自动化判断进行决策的机制，其时算法的作用和影响远不止于此。另外，由于解释性规则无须经历通常的立法程序，一旦具有事实上的约束力，即有可能违反行政法对行政立法的程序性规定。

2020年和2021年，美国联邦贸易委员会（FTC）发布的《人工智能和算法运用》（Using Artificial Intelligence and Algorithms）和《你的公司运用人工智能：以真实、公正、平等为目标》（Aiming for Truth, Fairness, and Equity in Your Companys Use of AI）两份解释性规则，在《公平信贷报告法》《平等信贷机会法》以及1914年《联邦贸易委员会法》的基础上，指出应用算法者宜采取以下五类最佳实践。故此，在图1的纵轴上，随着风险攀升，政府（法律）治理的重要性随之提升。

对于不谙熟计算机的人而言，如此算法难以卒读。时光流转，在算法治理理论聚讼纷纭，算法规制实效难如人意的当下，本文尝试采取一种更具历史性、对治理与技术的复杂纠缠体察更深的进路。