【作者】蔡星月
【内容提要】
算法规制：从规范规制到分层规制
蔡星月 北京航空航天大学法学院副教授
摘要：以传统的法律规范来规制算法，尤其以概念来限定算法存在一个根本性问题：规范与算法之间缺乏直接的对应性与流畅的沟通性。因为规范规定的是人类行为，而算法是一种机器决策，规范作为基于人类语言的文字表达，难以限定另一种基于机器语言的数字化表达。因此，算法规制的进深展开会遭遇文字之于数字的匹配与沟通难题的不断强化，这使得算法规制在算法的一般性与特殊性的横向维度上及现象层与隐藏层的纵向层级上呈现出不同效能。建构算法规制的分层结构，将有利于我们对算法及其规制保持更为清醒的认知判断，发现算法规制的力量及其限度。只有将基于合法性判断的规范规制转变为致力于算法可信的分层规制，才能实现对算法的有效规制。
关键词：算法；算法规制；规范规制；分层规制
一、算法的规范规制
现代法学运行于“规范—行为”的基本框架之中，它的逻辑起点在于以规范解释行为、以规范引导行为、以规范调整行为、以规范限定行为，进而将人的行为框定在规范体系内。这一认知逻辑的前提着眼于区分出规范世界与生活世界，建立两者的二元结构，使行为可以被规范所涵摄。法律，其根本用意在于规制生活世界中的人类行为，并通过这种规制技术建立起秩序。
这一方式在规范世界与生活世界之间的互动中十分奏效，规范体系中每一个概念欲意表达的内容都可以在生活世界中的行为或事实中找到对应。因为规范体系的载体是人类语言，而语言本身就产自于人类社会，故语言可以与生活世界一一对应，通过一定的话语形式与符号表达，规范的意义可以流畅地传递给生活世界。与此同时，人类现实生活的意义也同样可以回流并映射到规范世界之中。这种话语形式与符号表达，在法理上被称之为概念。法律是一种“概念式”的思考，正是概念的概括能力和表意功能打通了性质迥异的规范与行为之间的交互通道。概念成为规范与行为之间的中介，它提炼出诸规范之中的理性，并将这种规范理性传导到行为之中；同时，将诸行为中的事实与价值、理性与非理性反馈到规范坐标之中加以评判。
当然，我们不仅仅有单个的概念。人们可以在概念的基础上注入更多智慧，发现概念与概念间的相关性，提纯相近行为与现象间的关系，聚成类型化的表达，还可以在类型的基础上凝练更为自洽与融贯的概念排列与类型方阵，集成一个周延的体系。概念—类型—体系，在规范与行为之间搭建认知广度、强度与精度更高的表意话语形式。法律人把现代法学构筑成一个独特而有效的知识空间，它很好地完成了从规范到行为的投射。
采用这种方法，规范对人类行为的规制一直“所向披靡”。站在规范主义的立场，一切法律行为都是被规制的对象，都可以被法律概念所表达并被法律概念及其展开的规范类型、规范体系所涵盖。在机器学习崛起之后，算法参与到人类生产生活实践中，逐步成为决策系统的一部分甚至全部，算法也逐渐成为了规范规制的对象，如同人类行为一样，按照人类行为的逻辑予以同等适用。正是因为采用这一“无往不胜”的统一方式，现代法学在人工智能时代的算法世界中遭遇了一道难题。
这场危机的症候集中表现在规范与算法之间缺乏直接的对应性与流畅的沟通性。一方面，规范是基于生活世界而提炼出的抽象思维的文字表达，它的基本构成方式是语言文字。规范的意义是通过话语表达和语词解释被理解的。理解规范依赖于对语言文字的直接体悟，适用规范依赖于对语言文字的文义解释，这是一套以文字作为符码的阐释应用系统。它之所以能被应用于行为，是因为人类行为的表达也是运用同样的语言文字系统，表达度量衡上的统一确保了规范与行为的对应性，使得对行为进行规范解释毫无障碍。但算法却截然不同，算法的底层符码不是文字而是数字。它的组构方式是计算，以一组数字状态位或一种数字矩阵的排列形态来完成计算表达。文字与数字全然是两套符号体系。另一方面，规范的逻辑展开依赖于常识与共识的因果律，这源于人类实践的经验总结与智慧累积，而算法的因果是一种函数表达，是源于数学公理与公式的组合叠加。两者运行的逻辑大相径庭，是两种不同智能的理性呈现。
规范与算法之间所缺乏的直接对应性与流畅沟通性带来了算法规制上的难题：用规范如何规制算法？比如，当我们用透明性原则去要求一种算法时，我们究竟在要求什么？当算法的数学复杂性远远超出常人的认知时，因复杂性所产生的难以理解是否算作一种不透明？当所有的算法设计与架构都是明确的，只因海量数据所推动的运算输出的结果不为人所预料能否算作一种不透明？当算法本身的智能是通过隐藏层的计算才得以表达时，能否算作另一种不透明(比如，深度学习的基本原理就是依靠卷积隐藏层的计算)？算法被改造成怎样的面目，才能被规范视为透明？而当算法自身内在的数学原理与公式逻辑不允许它被强制改造时，该算法是否就要被遗弃？这些表明，规范已经在算法面前显露出它脆弱和浅薄的一面。“问题在于，法律如何介入算法的规制。若从内部规制的角度观察，法律似乎不能亦不应调整算法，就像法律不能调整自然人的内在意思一样。”
二、算法规制的横向维度：一般性与特殊性
（一）算法的一般性
规范在算法上所遭遇的危机使得其对算法的规制起步于概念，也止步于概念。如前所述，通过概念，规范与规范对象建立起二元结构。正是把规范对象统摄为高度概括的一个概念后，规范之于规范对象之间的关系就被平移为规范之于概念之间的关系。通过这种操作，规范获得了主体性(支配地位)的优势，可以经由这个概念去规制对象；与此同时，这个概念逐步被解释，进而替代了被规范对象本身，成为了被规制的客体(被支配地位)，接受来自规范主体的审视与评价。由此，“上—下”“主—从”“中心—边缘”“第一性—第二性”的势能差距便不断被强化，规范的惯用技法与普适操作进而长驱直入被规范对象之中，由此规制得以完成。
一直以来，算法就遭遇了这样的“套路”。当算法作为“算法”二字所组合出的一个概念文义时，“算法”这一概念就替代了人工智能领域诸多丰富而多样的程序设计、数学表达、代码架构等等智能形态，而成为一个可被规制的集合概念。也正是采用这一概念，规制算法的前提——对算法的集成表达得以满足，规范得以应用于算法，发挥出它一贯的规制功能。
规范对算法的规制，沿袭了以规范为中心的结构化认识论立场，主张把算法作为规范分析框架中的一个对象概念、一种生活事实，通过这样的界定，算法就以事实形态的概念物，从规范体系之中被解释出来，再通过涵摄等方法重建规范与算法之间的规制关系。这是一种诉诸纯粹形式的认识论框架，在这一框架中，规范与算法分野明显。规范诉诸于一种纯粹形式的应然性，视为基于抽象纯粹理性的思维表达，体现出法律价值的集成作用，它凌驾于算法之上，作为一种解释工具与改造工具，为算法提供智识功能，展示“应当”的应然逻辑空间；而算法则被视作人工智能这一现象的集体表达，人工智能的丰富性被吸收到这一与之相对应的概念之中，由此建立起一致的“这一算法决策属于何种概念”的实然世界，为规范的统一适用创设出了一般性的法则与场景。由此，形成了应然与实然、价值与事实、主体与客体截然二分的认识论架构。正是在此架构中，规范展示了它对规制对象一贯的概念作用力，将算法不加区分地整体纳入法秩序调整范畴。
基于上述认识论立场，规范对算法的规制方式主要是通过涵摄的方法将规范的标准解释对应到作为事实的算法上，以标准化适用支撑算法规制的理性。它解决了算法一般性上的规制问题，但也客观上造成了算法规制脆弱性的一面，规范不可避免地忽视了算法因技术复杂性而带来的特殊性。一方面，每一种算法都代表着一种逻辑，算法的概念聚合并不能代表算法的聚合，尚未有统摄各算法的一致表达。另一方面，算法作为一种数学思维的数字化呈现，始终在不断进化，它展示出数学思维方式的丰富多样性，一直保持着理性的进阶状态，却不拘泥于理性的固定态。从某种程度上说，诸算法所蕴含的复杂智能的理性化程度远远高于生活世界中的一般事实水平，用规范所营造出的理念世界中的单一概念去笼统地涵摄庞大复杂的算法世界，统合所有算法的规制路径，只能说是应对高度复杂的技术思维的一种妥协。这只能算作规制算法的第一步。
这一步的优点在于，通过概念建构，规范成功把握住了算法的一般性，将诸算法具有内在一致性的诸原则、诸方式、诸路径加以统一规制，规范立足在诸算法的一般性之上。它从诸算法中抽离出某些标准化内容，视作人工智能的“拟行为”，以规制人类行为的同样手段规制人工智能的这些“拟行为”，由此确立了规范的支配地位，使算法仍在既有法律框架内得以“解释—改造”，仍处于传统的法解释的射程内。这一步的缺点在于，规范以概念涵摄的方式对算法的规制会停留于表面，不能穿透算法所搭建的深度复杂的数理逻辑的纵深之处，规范理性会遭遇算法理性的回怼，甚至被算法理性所瓦解。对算法一般性的高度抽象的概念化规制化解不开各种算法在现实应用中的种种具象问题，对算法规制的展开必须从算法的一般性走向算法的特殊性。
（二）算法的特殊性
在算法一般性上的规制仅仅将算法预先设定在一个法意义贫乏的认知框架内，从而过滤了其丰富内涵与巨大潜能。提升算法规制的效能，需要走出这个框架，立足于在算法各特殊性的层面上展开对话，借此打开算法规制的深层结构，并为其找到一个更加稳固的规制“奇点”。从算法一般性到算法特殊性，不是断裂性的范式转向，而是其逻辑延展的必然方向。对算法的真正治理必须深入到算法各特殊性的内部，在更为立体的框架上建构起规范与算法的互动关系。
算法的特殊性表现在由于算法技术的多样性与复杂性，不同算法的应用会呈现出不同的决策特征。算法的特殊性建立在两个基本维度上：场景空间与远近时间。一方面，数字场景的丰富性催生了算法多样性生态，算法总是具化为特定数字场景中的解决方案，其本质为一套特定的思维策略。不同算法通过其在不同场景中的策略及其应用来表达出自身的特殊性。正是数字场景的“具体性”决定了算法设计与应用的“特殊性”。由于我国数字实践日益丰满，数字场景愈发丰富，随之由场景实践所规定的算法便表现出多样化的特殊性特征。另一方面，以技术为动力的算法始终在迭代，算法所呈现出的数据结构与技术路线会持续滚动更新。这使得算法并非一成不变，它不是固定化的自身，而应视为在时间演进的长时段尺度上累积出的自身历史的集成态。换句话说，每一种算法都是过去式与现在式的合成体，它们从未停止在时间维度上的延展。
与之相对应，对算法的规制也必然需要融入这两个维度中，即在时间与空间中呈现规制的可能性。这意味着，算法规制不局限于一般性的视野，需要在一个完全不同于概念式规制的新框架之中去设计。需要把某种具体规则溶解于算法之中，成为算法运行中的一部分，作为算法这一思维策略中的一种“考虑因素”，也就是使算法产生“规范意识”。具体而言，就是在具体场景中针对算法的违法风险设计某种具体规则，把这种规则转化为数字表达，植入到算法设计程序之中，并确保在算法的更新迭代中被同步更新迭代，在时间与空间中使“规范—算法”两者融为一体，而不仅仅对算法作外部规制。这种规制方式会有效解决法律概念对算法一般性规制的表面化与软弱性问题，使算法规制迈向第二层级。它针对具体情境中的算法诸特殊性展开，超越一般概念的抽象性形式，考察规范与算法两者间的对应与沟通关系，并通过将文字符号转写为数字符号进入到算法特殊性的内部，以此增加算法内在架构中的规范性配比，进而完成对算法的规制。可以说，在算法特殊性上展开规制，是算法规制的一次重大转向，实现了从生产规范以规制算法一般性到规范在算法特殊性中的再生产，颠覆算法规制的传统逻辑，赋予了算法世界新的规范性意义。
对算法的规制必须找到一种更具有法意义的定位，必须在算法更为宽广的横断面上展开规制的框架结构，顾及算法的特殊性，唯有如此，规范才能真正在基于数理逻辑的算法领域发挥与在人类生活领域同样的功能与效力。进入算法的特殊性领域，算法规制才能跳出单纯依赖概念或规制的“规制—算法”二元结构的窠臼，摆脱仅停留于一般性规制上的无力状态。
三、算法规制的纵向维度：现象层与隐藏层
算法不仅呈现出上述一般性与特殊性的特性差异，还具有深浅不同的纵深上的不同层级。特别是深度学习算法，对它的认识需要从多维度展开。目前，机器学习算法，尤其是深度学习技术已经被广泛用于生产和生活实践的诸多场景，如正被理论与实务界热议的、以ChatGPT为代表的生成式人工智能(Generative AI)和无人驾驶汽车的核心决策系统使用的都是深度学习算法。基于人类探知的深度差异，可以把这一类算法区分为现象层与隐藏层。算法的现象层表示的是为人类可知可见的算法的基本形态，主要指算法设计与架构等方面。这是建立算法的初阶形态，也是人类运用数理逻辑所编程出的计算思路。由于它属于算法的原理呈现，且以人工设计编排为主，故它必然为人类所理解。可以说，算法的现象层就是人类智能与人工智能有效交互的界面，是两种智能的交集域。算法的隐藏层表示的是算法展开深度运算的内核层级，主要指基于算法思路设计后经由大数据的洗涤过滤的隐藏计算层面。比如，深度学习中的隐藏层，这是算法实现人工智能的核心部分，也是人工智能区别于人的智能、不被人所掌握的区域。由于它是因大容量运算与复杂计算所不断累积沉淀下来的算法的深层，是区别于人类智能的标志区域，故它难以被人类所认知。就人类智能而言，人类认知涉足于算法的现象层，止步于隐藏层；就人工智能而言，现象层是一种由人类设定的先验，而隐藏层则是机器具备所谓“自主意志”之后由其自主展开计算的后验。
对算法现象层与隐藏层的区分，并非刻意的人为划分，而是在深刻认知人工智能技术原理基础上的自然区分。当人类智能与人工智能两种不同构成方式的智能体彼此交互时，既存在相互间的交集，又保有专属各自的区域。从人类视角看，人类智能向人工智能的探知方向存在一个从可知到不可知的梯度变化：现象层就是其中的可知区间，这是人机交互的沟通界面。在这一层级，人类正是通过编程机器运行的规则赋予了人工智能一种人工的构造性力量，使算法得以诞生。所以，现象层为人工智能奠基，成为算法思维的建筑术。借助于现象层的可知性与交互性，人机保持了彼此作用、相互助力的可能。
但仅仅具有现象层，人工智能并不能被称为智能。智能本身要求必须具备智慧的自主性与智力的独立性，当一种智能仅限于人工时，那就只能是人的智能的表现形式而已。人工智能的本质要求是在人工基础上表达出超越人类智能的新智能。所以，在现象层所搭建的算法架构与运算程序仅仅是人工智能的起源，其智能的内容仍旧是空乏的，需要算法通过自身的自主运算不断被填充，这就过渡到隐藏层。隐藏层沉积的是算法的深度运算，通过一种非可视计算，孕育出人工智能的独有智慧。隐藏层正是人工智能存在的基础，算法由此产生不同于人思考的智能表达。隐藏层的最大特征在于它的不透明性。我们难以得知人工智能如何做出决策，这才是人工智能存在的意义。它的不透明性带来了它作为智能的独立性，这是它区别于人类智能的根本之所在。现象层与隐藏层是算法固有特性的自然呈现，两者共同构成算法的智能的层级结构。
对算法予以规制就必须理解并尊重算法的天然纵深线。规制是一个法律意义赋予的过程，作为人类智能的一种输出形式，规范也必须接受算法在层级结构上的即存事实。以概念形态表示的规范意义很难进入到算法的隐藏层，不可能对算法深层产生实质性的规制作用力，所以它的着力点应落脚于算法的现象层。但是，就目前来看，规范之于算法的规制仍停留于以概念的直观朴素应对算法的繁复多变。我们做出一个规范判断却并未验证其对算法的适用效果，它们不知不觉成为了单纯的规制意愿，我们以为算法就是如此这般“听话”，但却并未证实算法运行后是否如我们所想象的那样听话。由于它没有回归到算法的内部技术约束上，必然止步于规制的外部想象。由于算法是一种基于数理思维的智能决策，所以为了使其“听话”，作为以人类语言来表达文字思维的规范欲有效规制以机器语言来表达数字思维的算法，就必须通过与算法内在的匹配与沟通而被“充实”。一旦算法内部被填充进规制规则，那么规制算法就不再是一个意向物，而是一种作为落地的约束，在算法中“创生出更有效率的治理技术”，从而有效限定了算法。更为重要的是，算法执行现象层所设定的规制规则时，必须自主地将约束带入到算法的隐藏层，使隐藏层在运行中仍然保持规制的效率，由此将规制从人为转变为机器的自主。
为了实现这一点，算法规制必须实现规制的数字化，即用计算机语言重写规制的核心要点，以数字化的机器语言输入算法系统，使某种我们意欲实现的规范转变成计算机程序设计中的某个代码，从算法架构之初就使其具备某种被规制的基因，以此真正实现算法的深度规制。尤其是在当下的数字社会中，数据的可计算性决定了以其为基础的法律活动几乎都是可计算的，规范便可转变为以数据呈现的机器语言。把规范以机器语言的复写方式植入到算法的现象层，通过算法在现象层的运算逐步带入到隐藏层，从内部发挥出规制的约束力，进而达成实质意义上的算法规制，这便是算法规制的应然逻辑和科学方案。
需要指出的是，现象层与隐藏层并非泾渭分明，两者共同表达了计算不断深化过程中的自然分层，现象层与隐藏层之间存在相互交汇的过渡地带，且两者之间的占比也因算法的不同而不同。这是描述算法复杂性的一种方式，借助这种方式，我们可以进一步探索基于不同层级特点的、有针对性的规制方案。正是对算法技术复杂性的深刻理解，才使得对算法的规制保持一种谨慎的理性，使得一种在现象层的刚性约束与在隐藏层上的柔性约束相融合的规制策略得以可能。
四、算法的分层规制
面对规范与算法之间的鸿沟，我们需要丈量两者之间的距离，铺设相互衔接的步骤，调适不同层级的规范规制程度，以此确保算法规制的有效性与合理性。这一点自然能够推导出对算法及其规制进行区分与结构化处理的意义。我们须在规范与算法之间的空间尺度上划分出若干层级，并针对各层的算法情形作出规制可能性上的系列判断，建立算法的分层规制框架。唯有如此，才能真正重新奠定算法规制的基础，这是构建算法规制体系的首要任务。
上文分析表明，算法具有一种“经纬结构”。一方面，算法的一般性与特殊性，作为算法横向上的区分工具，表示算法共同性与个体性的不同尺度。另一方面，算法的现象层与隐藏层，作为算法纵向上的延展表征了算法智能深浅的差异层级与纵深空间。这些共同构成了算法的二维结构，两个维度上的四种元素的交叉产生四种组合的算法位：现象层中的一般性、现象层中的特殊性、隐藏层中的一般性、隐藏层中的特殊性。这四种算法位就是算法集合展开的排列矩阵。相应地，规范针对不同点位上的算法表现出不同的规制效能。如表1所示：
它表明，规制不是作用于算法的一成不变的静态约束，而是一种不断延展与收缩的动态力量，它依据不同的算法位和在该算法位上的算法特征而调整变化。这样，对算法的规制可以理解为规范在算法的经纬框架之中以某种滑动标尺的方式移动，随滑动到的算法位的不同而不同，并在算法分布的统一体中保持规制上的连续体。算法是一个集合概念，它反映出一群具化计算形态的策略机制的集体表达。作为一种集合体，算法自然持有其独特的分布状态，呈现出特定的延展结构。这意味着规制算法首先需要认清它的分布格局，进入这一多维的延展格局之中，在更为精细的层级上处理规范与算法的关系。
1.现象层一般性的原则规制
现象层的一般性领域是算法最透明的部分，也是最易于接受规制的部分。这一算法位提取了算法中的表层一般性，表现出高度的抽象性，极为适合以概念为工具的规范规制。基于现象层的一般性上的规制实际上是一种法律原则性规制。这并非是仅应用法律的原则来规制，而是说，无论是法律原则还是法律规则，在这一层面都只能是原则性的，因为规制的对象是在算法可知的现象层提炼出的一般性内容，是算法最通用的、最普适的部分。越通用、越普适，抽象化程度就越高，以概念这一抽象物来加以规制就越容易，但规制的作用力就越弱。规制的便利程度与规制力度成反比。因此，在这一算法位上的规制易于理解、可以通用，但效能却有限。比如，致力于网络餐饮平台送餐员权利保护的“算法取中”原则，它要求在对餐饮人员进行考核时，不得将“最严算法”作为考核要求，要合理确定订单数量、准时率、在线率等考核要素，适当放宽配送时限，这是针对算法现象层的一般性规定。但在具体适用时，多少的订单量和怎样的准时率属于“合理”，多久的时限能算作“放宽”等都缺乏具体的判断标准，影响着该原则的效能实现。
在算法应用领域，原则规制稳定地引导与协调着参与各方的合法合规行为。比如，《个人信息保护法》第6条规定的目的限制原则，作为个人信息保护法律原则体系的“帝王条款”，它要求运用算法技术进行数据收集和处理之时要以谦抑和自我约束的态度，做到处理目的明确、处理行为与目的直接相关，处理结果对个人影响最小。该条款即是针对算法现象层一般性的原则规定，体现在数据治理实践中，参与各方需要建立一个“共识处理架构”，在这一架构下共享数据处理目的，并将数据处理目的凝聚成特定的“共识”，确保数据流转后被固定化在特定范围之内，避免参与各方在“共识之外”将数据用于其他目的。再比如，在网络安全与算法言论的治理框架下，原则上要对网络安全进行分等级保护，其中应将明确损害国家安全的信息内容和若遭到破坏、丧失功能或者数据泄露可能会危害国家安全的信息列为最高保护等级予以重点保护。将这一原则用以规制人工智能生成内容，是在算法现象层上对生成内容予以总体控制，要求平台对算法生产的信息内容进行过滤审查，而具体的过滤审查，则需要通过针对算法的特殊性进行分场景的细化规则规制来实现。
2.现象层特殊性的规则规制
现象层的特殊性只作为各种算法设计架构中的独有部分，即每一种算法的不同编程方式，或者应用于特定的数字场景或基于特定数据集，或者采用新型机器语言表达等等。它既代表现有算法上的多样性，也代表探索算法的创新性。这一算法位是可知的算法的具化表达，它仍是透明的，但它的透明性需要在具体场景中捕获。因此，在这一算法位上的规制要求规范从原则层面再向前迈进一步，进入到算法之中，在其中建立规范。由于这种规范必须是与特定场景中的具化算法相配套的，所以不是法律原则规范，而必然是法律规则规范。也就是说，规则不一定具有适用于其他算法的普遍性，但却能够很好地约束“这一款”算法。这意味着在此算法位，规范与算法是深度融合的，且这种融合具有专属特性。这是算法规制精细化的必由之路，规制算法的路径需在这一空间展开。
具体而言，针对此层级的规则规制需要置于具体的算法应用场景中，因为场景不同，算法的性质便会不同。比如，在上文所述个人数据处理的目的限制原则之下，存在针对具体场景的诸多规则，其中隐私计算的“共识处理架构”规则包括了计算参与方共同设定明确的计算目标、共同约定计算逻辑、隐私计算对原始数据的处理专为实现计算目标而特别“定制”、接受特定技术方案约束等子规则。这些规则是目的限制原则在隐私计算场景中的具体展开，是对原则中“处理目的明确、处理行为与目的直接相关、处理结果对个人影响最小”三项总体要求的细化规定，需要落实到各种特殊应用场景的算法现象层中。再比如，在上文提及的网络安全分等级保护原则，在生成式人工智能虚假有害信息的治理实践中被转化为以下规则：一是建立覆盖模型搭建、训练和运行的统一信息内容审查过滤标准；二是将明确损害国家、社会安全利益的信息内容列为“最高敏感级”，在训练初期，应从数据库中予以标记和剔除；三是在数据策划、数据提示和数据微调阶段设立定期巡查机制，对相关内容予以及时清洗和过滤。这些规则要求对算法现象层的特殊性予以分段处理，体现出规则规制的确定性与针对性。
3.隐藏层一般性的技术规制
隐藏层的一般性指算法在深度运算中所生成的一般特征，是不同算法在各自隐藏计算后浮现出的共性的表示，是人类智能探知人工智能的边界。在这一算法位，虽然不能全然知晓各算法特征的来源与理由，但通过对一般性的归纳与总结，我们尚能感知到算法计算的趋向与路线。这些涌现出的一般性成为人类智能理解人工智能的某种线索，也是算法哪些方面在未来需要被规制的某种提醒。所以，它只能是待规范规制的领域，虽表示出未来有可能需要被规制的方面，但尚不确定该如何规制。也就是说，它表达了规范规制的潜在性，具有上升到现象层的某种潜质，需要对各种算法共性的不断累积来增加其上升的速率，当它累积足够成熟后，便会进入现象层，成为规范明确作用的对象。伴随着新技术的进步与人类对算法认知掌控的加强，隐藏层的一般性会被更多地开发出来，会从隐含的状态逐步攀升到现象层。因此，它是算法层级跃迁的过渡渠道。鉴于它始终处于发展位，规范对其的规制力量和效果相当有限，需要寻找其他的替代性规制方法。
经典架构理论将代码作为法律，挖掘了代码替代法律在网络空间发挥规范作用的可能性，现今如果把代码换成算法，在逻辑上也能成立，即算法作为一种技术，也可起到规制算法的作用。实际上，我们无需将技术类比为法律，也无需把规则看作算法。技术本身就具备规制的功能，它无需做形式的转换即可对算法产生影响。尤其是在算法的隐藏层，技术制衡技术将成为人对算法进行间接控制的重要方式。我们无法通过摸清算法运算的深层逻辑而起草新的法律对其予以规制。此时，单凭法律规范已无法全然维系算法世界的秩序，故算法规制路径应从依赖原则和规则的规范规制转向技术规制，从而在基于规则的秩序之下，建立一种基于技术的秩序。
以隐私计算技术为例，在数据处理的目的限制原则之下，假设在金融风险监测场景中，我们通过“共识处理架构”规则明确了企业A和银行B联合建模的计算目的(为了建立企业A金融风险评分模型以实现对其贷后风险的动态监测)与计算逻辑(企业A的贷款数据、经营数据、在某金融政务数据库中的不动产抵押数据等三类数据与企业A贷后风险评分的函数关系)。由于涉及到多方主体，为保证各参与方持有的数据不会发生泄露与直接交换，需要借助联邦学习技术深入到算法的隐藏层，将各方数据交互限定在锁定了某个特定处理目的的模型梯度数据层面，防止将数据用于其他场景，并在本地设备上完成数据模型的训练。此时，隐私计算作为一种规制方法最大限度防止了数据滥用，实现了数据处理目的限制原则意欲表达的规制目标，符合“共识处理架构”规则的规制要求，以算法完成了对算法的规制。这是仅仅依靠法律规范无以达到的规制效果。
4.隐藏层特殊性的无法规制
隐藏层的特殊性指算法在深度运算中的自我智能表达，这是人工智能的最本质的标志区。人工智能的智能化就是通过算法自身的内在计算来实现的，如果没有这一算法位，那人工智能就不再是人工智能，最多称之为人工操作的智能。一种智能区别于另一种智能，就在于它是不依附于其他智能而能够独立完成的智能。这一算法位就是使人工智能得以存在并变得有价值的关键区域。当然，这会给人类带来恐惧以及由恐惧所催生的强烈的规制欲望。但是，这却是不可规制的领地。规制的前提是对象明确，明确的对象才能使规范的发力获得有效的作用点。但在复杂深层计算的隐藏层，难以确定究竟要规制什么。因此，这一算法位是排除规制的。在此，我们必须承认规制算法的限度，规制难以无限伸展，当碰到算法精髓部分时，算法本身所蕴含的高度复杂且内在的计算硬度为规制设置了屏障。在某种程度上说，这是人类无以适从的地方，也必然是难以规制的“荒地”。比如，生成式人工智能的对话模型在技术系统内部的运作过程处于“黑箱”状态，虽然近年来可解释人工智能快速发展，产生了“反事实解释”与“以用户为中心的透明”等解释算法的算法，为打开“算法黑箱”的某些部分提供了基本方法，但目前尚无完整技术方案可做到对生成式人工智能算法的全面解释。承认无论是基于法律规范的规制还是基于算法技术的规制皆有难以抵达的空白地带，并不意味着规制在算法面前的妥协与溃败，而是激发我们转变规制理念、进行规制方向与重点的因应调整。
五、算法规制的转向：从合法到可信
为了更好地完成算法分层规制这一任务，我们需要回归算法规制的认识论原点，重新审视算法规制的法哲学观，调整评价规范与算法之间关系的法理论立场，重塑更为客观理性的人工智能法理论。应当指出，传统法观念一直沿袭着“规范主义”的潜在立场，当一旦使用“规范”这一概念时，人们往往自觉或不自觉地赋予它某种无往不胜的威力。无论是作为社会规范本身所具有的道德谴责力，还是它背后被赋予的国家强制力，都使得“规范”被抬高到统摄行为的视角上，建立起与被规制对象的势能差，并以势能上的优势从上而下地辐射到被规制对象身上，随时随地对其进行合法与否的判断。这可能是法律学人的潜在学科逻辑，带有一种不言自明的学科基因。规范是可以引导、警示、惩罚或奖励行为的教义，在适用于现实生活中的人类行为时屡试不爽。在适用规范的过程中，一切行为都试图被放置于合法与否判准的法概念金字塔中。
但遗憾的是，算法不是人类行为。在算法领域，规制失去了它的优势地位，合法性判断已不再是必须，甚至已经无能为力。如果一辆无人驾驶汽车撞了人，我们究竟在规制什么？如果是人驾驶的汽车撞了人，规制的是人的驾驶行为，判断的是人的驾驶行为的合法与否，而不是汽车。在此，这一驾驶行为是作为一个整体被规制的，它仅区分出主观(故意或过失)与客观(驾驶行为)，强调行为与损害结果(撞人)之间的因果关系。我们不必对客观驾驶行为再做细分，究竟是驾驶者将刹车踩成了油门还是打错了方向盘抑或是其他。因为这些行为统统可以被归入“交通违法行为”这一概念之下，只有通过这一具有归纳与概括性质的解释方法，才能将事实涵摄进“交通违法行为”相关规制规范之下。无论哪一种错误驾驶行为，都归纳并停留在关于人类行为合法性评判的概念层面即可，既不需要向上收敛也不需要向下细化，就足以支撑起规范对汽车撞人这一行为的规制。因为，惩罚是作用于行为人的，无论是金钱性罚款还是对人身自由的限制，行为人(驾驶者)都是作为一个自然人的实体而成为完整独立且实体边界清晰的规范对象的。同时，对行为人(驾驶者)的惩罚，对于被害人(被撞的人)而言，是可以感同身受并能理解其规制意义的，因为被害人也是作为一个个体的人的存在。所以，对人类行为的规范规制效果，在人与人之间是互通的、普适的且存在对应关系的，基于行为之上的规范能够成为人类行为合法性判断的关键性评价，构成人类社会秩序的来源之一。
但这一点在无人驾驶汽车上却难以实现。无人驾驶车辆所产生的交通事故责任的认定存在规制对象的不确定问题。责任认定的基本要件之一是主观过错，而由算法所操作的驾驶程序是否存在主观过错可能是一个棘手的问题。如果不存在主观过错的基础，那么传统责任认定的规制逻辑就会被打破，这就需要考虑是否应建立基于算法的新的责任认定规制体系。如果存在主观过错，那么这种对主观过错的认定，应当是将算法视为一种拟人化的“驾驶员”而追责于算法自动决策本身，还是将其归咎于算法的设计者？无论选择哪一种都存在更深层次问题。就前者而言，归责于算法本身，不会产生惩罚的作用力。算法不具有自身利益，没有对切身利益的剥夺，就失去了惩罚的功效。对算法的唯一处理方法就是对算法的禁用，即使如此，也很难解释为对算法的惩罚。就后者而言，对算法的归责与对算法设计者的追责是两种意义上的认定。对算法的归责基于对交通驾驶事故本身的过错认定，而对算法设计者的追责基于其设计算法是否尽到了足够的注意义务。足够的注意义务主要指是否对未来可能出现的各种交通应用场景的风险做出充分的预判与防范。但这并不意味着要求实现对全部应用场景的风险作出无遗漏的防范。应用场景是多元开放的，可能的风险也是难以穷尽的，而算法的设计者能“教会”无人驾驶汽车的部分终究是有限的。所以，我们当然可以且应当追究算法设计者的过错与责任，但这并非真正意义上的规制，它只是寻找了一个关联对象，以对算法设计者的追责替代了对算法的归责。
上述分析表明，传统的法律规范规制的合法性进路难以有效规制算法。这使我们不得不反思一贯的“规范主义”以及“法律中心主义”的立场在算法规制领域立足的可行性与可能性。但仅仅意识到问题所在还不够，还需追问：我们对算法规制的目的是什么？我们欲意达到何种效果？我们需要重新审视这一先入为主的理念，批判性认识单一合法性判断作为传统规范控制的有效性，而分层规制正是为了弥补这样的不足。一旦抛弃了规范主义，承认规范(无论是法律原则还是法律规则)在算法隐藏层规制(无论是针对算法的一般性还是针对算法的特殊性)的力有未逮，搭建起分层规制的总体认知框架，我们就会发现，以规范来涵摄事实的合法性判断不再是唯一的路径，我们需要转向寻找一种对此框架更具解释力的规制逻辑。
以算法透明度的规制为例，建立分层规制框架意味着：首先，在对算法现象层一般性的规制层级，以算法解释权的确立为基本原则，一是要求个人信息处理者“利用个人信息进行自动化决策，应当保证决策的透明度”“处理个人信息应当遵循公开、透明原则，公开个人信息处理规则，明示处理的目的、方式和范围”；二是规定当算法自动化决策有可能对个人权益产生重大影响之时，数据主体有权要求决策者对相关情况予以说明。以上算法解释权虽在现象层做出了要求算法透明的一般性规定，但由于原则中概念的不确定性与适用范围的宽泛性，还需要在不同场景中以规则的方式予以具体落实，于是，规制走到了算法现象层的特殊性层级。
在这一层级上，规则针对算法特殊性采取不同的规制方案。一方面，对不同场景下算法透明做出相应规定，如《人工智能算法金融应用信息披露指南》对金融算法应用所涉及的数据、算力、场景等多种要素予以考虑，并对信息披露的条件、方式、维度和内容做了详细规定，以提高人工智能算法在金融领域的可解释性和透明度；《关于落实网络餐饮平台责任切实维护外卖送餐员权益的指导意见》要求平台向外卖员公开订单分配、工作时间和休息等与劳动者基本权益直接相关的算法规则，以保障送餐员权益不被算法默默侵蚀。另一方面，法律规则对同一场景下算法的不同透明度也做了细分，如《算法推荐管理规定》要求算法推荐服务提供者应当“优化检索、排序、选择、推送、展示等规则的透明度和可解释性”，以避免对用户产生不良影响；应当“以显著方式”告知用户其提供算法推荐服务的情况，并以“适当方式”公示算法推荐服务的目的意图和主要运行机制等。
当规制下沉到算法隐藏层的一般性层级，基于规范的规制不再奏效，基于技术的规制开始发挥作用。比如，隐层分析算法(hidden layer analysis)利用可视化技术分析神经网络模型中潜藏层的局部特征，实现了对神经网络预测过程的解释。这种方法属于对黑箱模型预测结果与决策过程的解释。它作用于算法隐藏层中，针对普遍存在的算法黑箱问题，力求以算法来解释算法。再比如，有实证研究表明，由系统直接生成的可视化热力图比文字解释更好地起到了算法解释促进决策对象理解的效果。
最后,在算法隐藏层的特殊性层级，即法律与技术都无法抵达的地带，我们不再追求算法的透明，而是承认算法在这一层级的不可解释，进而把规制转向算法的可信：在无法透明也无法解释的无法规制区域，算法的可知、可视与可理解与否对于我们已不再重要，重要的是对我们而言，算法是否可信。信任比透明能更好地促进各方的理解与交往。以信任原则重构算法解释权，在算法透明度规制实践中尤为重要，这需要我们建构一种基于信任而非基于同意的关系。对可信的追求意味着对算法透明度的规制不再以合法为中心，而旨在建立某种促进“人机协同”、算法参与各方互惠的信任机制，并在这一机制下促成可信算法的应用。这一目标实现的前提是消除个人对算法系统的疑虑与防范，为此，规制路径不再完全依赖于透明与解释，因为完全透明可能会带来信息冗余，导致感知麻木；而无限度的解释对于无法理解算法运行原理的普通人而言，反而降低了其对算法系统的信任。算法透明的规制路径转向依赖于沟通信任机制的建立。
仍以算法解释权为例，在分层规制框架下，算法透明度也是分层递减的。在算法的现象层，我们进行普遍的信息披露和特定的算法解释，力求实现尽可能多的透明和尽可能充分的解释；在算法的隐藏层这一规范失灵的地带，我们发挥技术规制技术、算法解释算法的技术规制作用，在无法获得更多透明与更多解释的层级，力求将复杂技术以可视化形式呈现，以获得对算法更多的理解。于是，对于算法透明度的规制，自上而下，从揭开黑箱的算法解释权一般原则，到实现一定透明度的具体规则，再到获得更多理解的算法解释技术，以灵活的透明度管理替代了单一的信息披露。而在这一框架的最底层，技术和规范都失效的完全黑箱地带，透明度工具全然无效，我们有必要探寻构建算法信任的更为特殊的机制原理，努力增加可以促进信任与沟通的决策过程参与感，从而实现算法的可信。(见表2)
结语
规范对于行为而言，具有一种瞬时的规制自足性。无论何种人类行为，不管此种行为的情境怎样变化，它们都可以被解释，进而被涵摄到一定的概念之下。算法却容易从法概念与法规范之下“逃逸”出去，难以被传统规制方法所全然“捕获”。这就要求我们不得不剔除法律规范可以天然适用于算法的信念设定，开始去反思一贯的“规范主义”以及“法律中心主义”的立场在算法规制领域立足的可行性与可能性。以算法为中心的可信人工智能应用为以规范为中心的合法性规制路径提供了一些有益启示。我们必须意识到，规范规制的路径在算法的隐藏层中很难走通，传统规制的整体效能也会在算法面前大打折扣。因此，规范因其自身组构方式——语言文字的特殊性，而不得不在自身限度的边界上止步，它的更进一步只能是转化符码形式，切换到数字模式下，以此进入算法的内部，以算法规制算法的思路与技术协同配合、实现对复杂算法的内在治理。这对法学而言，是极其艰难的一步，这意味着我们需要摆脱规范的传统管辖区域，跳出概念涵摄的射程，以学界所不熟悉的、新的认知框架与算法展开博弈。这是理论法学面对一种不断进化的人工智能技术的理论迭代。这条路虽然艰巨，但也是通往可信人工智能治理的必由之路。唯有理解算法分层规制的法理意义及结构逻辑，实现从合法到可信的规制转型，人类智能在面对人工智能时，才能继续保持既有优势，法治也才仍然是法治，而非沦为算法之治。