[11] 柯华庆：《党内法规体系构建的几个理论问题》，载于《人民论坛》2020年第6期（上）。
1954年，提出实现工业、农业、交通运输业和国防四个现代化的任务。法律的科学性是建立在法律与实际相符性的基础之上的。
正因为法治有了这个功能，社会才能运转有序。运用国家强制力实施法律，是需要耗费巨大社会资源的。人的自由而全面的发展应该就是我国社会主义的正义观的核心标准。实现控权与赋权的有机统一。一部好的法必定是让守法者感觉既方便又有利，能够得到绝大多数社会成员的认同和自觉遵守，让违法者感到寸步难行。
在全部社会关系中，经济关系是最基本的关系，它对其他社会关系起着决定性作用宇宙正义观是以世间万物之间的和谐平衡为基础的。部分地区的法院还会进一步说明：NIST已经认可当地抽选算法的公平性。
正因如此，如何令多样算法和统合治理兼容，成为问题肯綮所在。二是在算法自主性增强的背景下调整算法透明要求。不在使用自动化工具方面欺骗消费者。在Azania v. State案中，不公平发生于抽选环节：算法首先按居民所在县地名的字母顺序将个体排序，再由从前往后的顺序，抽出所需数量的个体。
于是，相较其他工程领域的证据，对算法应施加更高的准确性要求。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。
尽管人工智能暂时难堪大用，部分原理更加简单的算法，却开始在司法系统的日常运作中替代人。在评估报告与议会听证的基础上，1968年，美国联邦参议员Zablocki提出《公平信贷报告法》议案，要求赋予消费者面临负面征信报告时知晓报告所基于的特定事实或指控的权利。本文的研究表明，聚焦于关键领域算法透明与公平的法律，基本稳定的算法伦理规范，以及迈向可解释的算法代码，贯穿了算法治理半个世纪以来的进程。详言之，社会（规范）治理具有如下内涵。
此外，从行政法的角度看，理论上无拘束力的解释性规则具有实践重要性，个体常常感到遵守这些规则的压力，行政机构得以灵活地实施治理。同时，将立法目的在于治理金融征信的《公平信贷报告法》《平等信贷机会法》解释为可能涵盖一般的算法应用者，有不当扩张相应法律适用范围之嫌。如前所述，算法风险受制于多种因素，相应地，法律治理亦因时制宜。截至20世纪70年代，针对算法维护者和算法用户分别提供解释性文档已成为规范性惯例。
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。（二）因案成法的算法司法 1. 算法透明与算法解释的司法规则 缓不济急的立法使得司法系统不得不承担解决问题的角色。
最后，对于因算法自身特征而引发的风险，政府则应为算法量身定制监管措施。《国家新一代人工智能标准体系建设指南》从支撑技术与产品、关键通用技术、关键领域技术、产品与服务、行业应用、安全与伦理出发，力图回应人工智能对法律秩序的冲击。
《个人信息保护法》第24条自动化决策条款和第55条个人信息保护影响评估条款共同塑造了算法治理的基本架构。各地法院陆续制定了更加细致的当地规定（Local Rules），详细解释抽选算法的输入数据来源、具体运行过程和算法如何保证公平性。要求简明、完整、正确和清晰的算法，而不仅仅是简明、完整、正确和清晰的文档，也将逐渐在技术上趋于可行，这或许是60年来人化算法之漫长道路的可能句点。针对算法输出，需要审查算法是否以有效格式输出了所有相关的信息，而没有不当地压缩、隐瞒甚或误导，并审查算法输出用于何种目的，以及使用算法的当事方以何种程度、方式依赖于算法输出。20世纪60年代前后高级编程语言的诞生发展，可视为抽离机器（Abstracting Away the Machine）的过程。例如，基于特定思路的算法解释或算法公平的具体实现，可以成为便于取用的微服务之一。
模块IV中，算法风险低但自主性强，其治理主要依托社会（规范）方式，政府（法律）则在其指引下发挥辅助作用。1976年的Perma Research and Dev. Co. v. Singer Co.案进一步展现出法院对算法可解释性的回应。
在这一理念的感召下，斯坦利屋工作组提出了人化系统应当遵循的五方面准则。20世纪80年代起，随着商业软件的发展，怀念开放共享与自由探索精神的开发者，先后建立了自由软件基金会以及通用公共授权（General Public License）机制，谁可以修改代码、在什么环境下修改代码、谁有权反馈修改代码等开源规范逐渐成型。
随着算法的演进，监督学习、强化学习、无监督学习、深度学习使得机器不再需要事前掌握一套人类设定的行事规则，而以数据为驱动，建立其思维与行动模式，算法由此脱离了纯粹工具性角色，而有了部分自主性和认知特征，同时也引发了算法黑箱的解释困难。例如，在U.S. v. Davis案中，法院即肯定了以下算法在原理上的公平性：首先，根据抽选范围的总人数和当次需要抽出的人数的商，计算商数。
20世纪70年代伊始，由法学和计算机科学的学者与行政官员一道组成的斯坦利屋工作组（Stanley House）对之进行了深刻反思：自动化系统仅仅是将非人的控制隐藏在计算机程序里，并让这样的实践影响到更多的接收者和参与者。市场（代码）治理可在规范和法律之下，通过经由设计的规制（Design-based Regulation），将硬法和软法刻进系统物理设计、技术设定、代码架构之中，成为系统运行的默认规则。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。模块III中，算法风险低且工具性强，其治理主要依托市场（代码）方式，无须法律或规范针对算法出具专门规定，以免叠床架屋。
再进一步，《斯坦利屋准则》实际已全面回应了落实原则的难点：一方面，工作组努力确认，对于在设计中实现部分准则，并没有技术障碍。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。
在陪审团抽选场景中，随机抽选算法很快引起围绕算法解释与算法公平的诉争。（二）开源社群的算法规范 开源社群及开源规范的形成与发展是治理算法的又一规范途径。
质言之，其横轴是从算法特质出发的分类，其纵轴是从算法风险出发的分级，由此为我国算法治理奠定了理论之基。不仅如此，对于实现算法治理主要原则并在具体算法上实现的低代码、微服务、反事实解释等技术，可建立动态评估和纳入机制。
但截至那时，依然不存在任何针对画像的立法和政策指南。（二）我国算法治理体系的建构 我国算法治理实践与理论提出了两个彼此分离又联系的问题：（1）算法是否需要整体化治理？（2）如果需要，它应如何建构？诚然，算法因主体、对象、事项的不同而不同，但如果只是贴合场景、个案式的治理，则不过是具体问题具体分析的另一表述，在缺乏整体结构下的任何精细化进路，或者无法演绎分析，或者沦为套套逻辑，终将徒劳无功。其一，在理念上坚持人的主体性，正如马长山教授所指出的：智慧社会需要在国家立法、行业自律、社会评价中确立算法遵从‘善法的伦理原则，从而尊重人权价值、维护‘数字人权和促进社会公平正义。放宽视野看，上述三种治理方式，本质上是政府（法律）治理社会（规范）治理和市场（代码）治理的具体化。
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。对第二个问题的回答是：政府、社群、市场都不是截然分割的场域，而用遵循法律、规范、代码耦合原则，使三者互补嵌入并相得益彰。
既关注输入，也关注输出。然而，即使是随机抽选这样相对简单的算法，仍不时以难以解释的方式，在陪审团抽选中引致公平性问题。
调用API的过程，仿佛使唤一个机器人：只需要对机器人说声简单的口令（调用指令），机器人便能找到正确的菜单并交给厨师（通过调用指令，找到实现预先封装好的算法的实现代码），接着，只需要等待用餐。他们只需要对最后的结果有高级别的控制。
