算法正义的哲学追问——数字时代分配正义与程序正义的规范性重释

摘 要

数字化进程正以前所未有的深度重塑社会资源的分配方式。传统社会秩序中，就业机会、信贷资格、内容曝光、入学评价等稀缺资源的配置，多由人的判断与显性的制度规则共同决定；而在算法社会，越来越多的关键决策被委托给自动化系统。算法根据历史数据归纳模式，对个体进行画像、评分、排序与筛选，其影响范围之广、渗透程度之深，已经超出了单纯的"技术优化"所能概括的范畴，上升为一个关乎社会公平与正义基础结构的哲学议题。当算法系统性地给予某些群体更差的推荐排序、更高的贷款利率或更严苛的审核结果时，这种分布是否仍属"正义"？当决策的过程对受影响的当事人而言完全不可见、不可解释、不可申诉时，这种程序是否还具有正当性？这些问题共同构成了本文的问题意识。

正义理论长久以来是政治哲学的核心议题。从亚里士多德的"各得其所"，到洛克与卢梭的社会契约论，再到罗尔斯以"无知之幕"与"差别原则"建构的正义论体系，哲学家们围绕"何为正义""正义何以可能"提出了彼此竞争又相互补充的答案。然而，传统正义理论几乎都预设了人类行动者作为分配与裁决的主体，其适用场景集中于民族国家边界内的制度安排。算法正义概念的提出，正是在这一时代转换中应运而生的新命题：当分配者不再是"人"而是"算法"，当分配的规模由人工处理升级为毫秒级的海量运算，正义的判准是否需要调整，正义的实现机制又当如何重构，都成为亟待回应的理论课题。

本文的立场是，算法正义不能被化约为统计学意义上的公平，即不能仅仅以"偏差是否收敛到某个均衡水平"作为衡量尺度。单纯追求组间均值相等的"统计公平"，既无法捕捉个体权利层面的实质不公，也难以应对算法所内嵌的选择性偏置造成的结构性不公。算法正义必须在分配正义与程序正义的双重维度上加以把握：既要追问"输出了什么结果"，也要追问"结果是通过何种程序产生的"。唯有把对结果的实质诉求与对程序的规范诉求结合起来，才能形成对算法正义问题的完整理解。

全文共分八节。第一节为引言，交代研究背景、研究意义与问题提出；第二节为文献综述，梳理国内外关于算法公平与算法正义的研究现状并加以评述；第三节从分配正义与程序正义两个维度对算法正义概念进行理论界定；第四节阐明本文的分析框架与方法论假设；第五节结合推荐系统、信贷授信与司法辅助三个具体场景展开规范分析；第六节剖析算法正义困境的现实成因与制度根源；第七节提出在程序与制度层面重构算法正义的路径建议；第八节为结论与展望。

关键词：算法正义；分配正义；程序正义；算法偏见；罗尔斯

一、引言

（一）研究背景

据相关机构测算，中国数字经济核心产业增加值占GDP的比重持续攀升，2025年约达百分之十左右，数字经济正在成为驱动国民经济增长的关键引擎。在这一进程中，算法作为数字化平台运行的中枢神经系统，其决策权已从单纯的"信息排序工具"扩展为影响社会机会分配的"基础设施"。以招聘环节为例，越来越多的企业借助结构化简历与行为测评算法进行初筛，候选人的简历能否进入下一轮，往往取决于未经公开解释的评分模型。在信贷领域，金融机构基于大数据风控模型评定授信额度，传统征信覆盖不足的人群反而可能因"数据画像"的偏差而陷入授信死循环。在内容分发领域，推荐算法决定了个体所接触到的公共信息结构，进而影响其认知边界与观点形成。这些现象共同表明，算法已经深度介入了机会的初始分配，其正义性问题再也不能被忽视。

（二）研究意义

从理论上看，算法正义研究为政治哲学开辟了新的问题域。传统正义理论以人类行动者的理性选择与制度建构为基本预设，而算法决策在速度、规模与不可解释性等方面对既有框架构成了挑战，促使学者重新审视"分配主体""程序正当""知情同意"等核心概念的内涵。深入剖析算法正义，既可以丰富分配正义与程序正义的理论资源，也能够为数字时代的规范伦理学提供鲜活的思想素材。从实践上看，算法已经切实地影响着亿万个体的现实处境，但相关的公平性规范仍处于起步阶段，系统而有学理支撑的正义原则建构，能够为算法审计、算法备案、算法问责等治理举措提供规范的锚点。更进一步说，算法正义的探讨也具有全球性的现实意义：在跨国平台与跨界数据流动日益频繁的今天，如何在不同的法与制度传统之间寻找最低限度的正义共识，事关数字时代全球治理的正当性基础。

（四）可能的反对意见及其回应

在正式展开之前，有必要预先处理一种可能的质疑。有论者或许会认为，算法不过是一种中性的技术工具，正义与否的问题只应归咎于使用算法的“人”，而非算法本身，因此将“算法正义”确立为独立议题有夸大之嫌。对此，本文持保留态度。诚然，算法本身不具道德能力，工具的正当性归根结底取决于使用者的选择；但在现实的技术架构中，偏见往往并非源于单一设计者的恶意，而是嵌入训练数据、评价指标与交互流程之中的结构性属性。这种偏见的生成既隐蔽又系统，单靠个体的自觉难以根除，唯有把算法决策本身纳入正义的规范审视，才能在制度层面加以纠正。换言之，追问算法正义并非主张“算法自己是善的或恶的”，而是坚持对支配分配逻辑的技术系统进行道德审查，这与传统正义理论追问制度正当性的理路一脉相承。

（五）研究方法与文章结构

在方法上，本文主要采用规范性分析、概念辨析与案例剖析相结合的进路。规范性分析旨在从正义原则的高度澄清算法决策的正当性条件；概念辨析用于厘清“算法公平”“算法正义”“程序正当”等相近而不相同的术语；案例剖析则选取信息推荐、信贷授信与司法辅助三个典型场景，以相对具体的经验材料检验抽象原则的解释力与适用性。需要说明的是，本文偏重规范与学理层面的论证，引用的数据多取自公开报告或经过合理构造的示例，目的在于阐明问题的性质而非追求精确的统计描述。

（三）问题提出

本文试图回答的核心问题是：算法正义的规范性判准应当是什么，这样的判准能否同时在分配结果与决策程序两个维度上得到落实？围绕这一问题，本文将依次考察算法在具体场景中引发的分配失衡，剖析其背后的成因，并尝试在罗尔斯式的正义原则与程序正义理论的基础上，建构一种兼顾实质公平与程序正当的算法正义观。需要强调，这种建构不是要对算法进行全面的道德苛责，也不是要以人类决策完全替代自动决策，而是寻求在效率与公平、个体权利与系统优化的张力之间，确立一种动态平衡的规范立场。

二、文献综述

算法公平与算法正义问题的研究，在计算机科学、法学与哲学三个领域分别积累了丰富的成果，三条线索既有交叉又有各自的问题关切，需要分而述之。

（一）计算机学界的公平性度量研究

计算机科学界较早关注到机器学习模型的歧视现象。早期研究以统计度量为核心，提出了一系列为直观的公平性指标：人口均等要求不同群体获得相同比例的积极结果，机会均等要求模型在不同敏感属性下具有相近的真阳性率，预测均等则要求预测误差在不同群体间保持一致。这类研究的优点是形式化程度高、可量化、便于工程落地，但其根本局限在于把公平问题理解为一种含参数的统计约束，不同度量之间往往无法同时满足。学界称之为“公平性不可能三角”。这一发现本身就提示：公平不是一个可以脱离价值判断而单纯由数学求解获得的客观量，其背后隐藏着关于何为正义的前提性选择。这为哲学层面的介入留下了空间。

（二）法学界的算法歧视与权利保护研究

法学研究更关注算法决策对个体权利与法律责任的冲击。欧盟《通用数据保护条例》为数据主体设定了“不受完全自动化决策约束”的权利以及获得解释的权利，较多视作算法治理的里程碑。美国学界则围绕“公平信用报告法”等既有法条能否适用于算法信贷展开争论，分歧集中于算法评分究竟是“信用资质判断”还是“受监管的评价行为”。国内学者则关注算法推荐对于消费者权益、平台责任与个人信息保护的影响，主张以“个人信息保护法”为纲，通过告知同意、算法可解释与算法问责等制度来规制自动化决策。值得留意的是，欧盟与我国在法律取向上都开始从“由人保留最终判断”转向“算法须可解释、可申诉、可问责”的制度化安排，这反映出程序正当正在成为算法治理的共识性价值。法学路径的亮点在于其规范性与可操作性，但其正义关切往往从属于权利与责任的法律技术框架，较少直接追问分配层面的实质正义。

（三）哲学与政治理论界的规范性剖析

政治哲学界对算法正义的讨论起步较晚但日益活跃。一些学者把罗尔斯的正义理论延伸到算法领域，主张算法资源配置应当满足差别原则，即使允许不平等也必须保证最不利者因此获益。另一些学者则坚持能力进路，认为算法公平的关键在于确保各群体的可行能力不被系统性削弱，而不只是追求可计算的统计相等。在程序正义方面，学者们强调自动化决策必须为受影响者提供参与、知情与申诉的安排，否则即便结果偶然“看上去公平”，其生成过程也已暗中越过了正当性的门槛。整体来看，规范性研究正在从“算法是否公平”的实证追问，转向“何种正义观念应当支配算法设计”的规范建构，这一转向对本研究极具启发。

（四）既有研究评述与本文定位

综合三方面成果可见，既有研究已经勾勒出算法正义问题的基本轮廓：计算机学派贡献了可操作的度量工具，法学界贡献了制度化的权利框架，哲学界贡献了价值论的追问。然而三者之间仍缺乏有效的整合。计算机学派的公平性度量缺乏对正义目标的辩护，法学框架对实质分配的关注不足，而哲学讨论往往停留在原则层面而较少面向具体的技术场景展开。本文尝试在上述对话的接合处展开工作：既以分配正义与程序正义作为规范性基础，又面向具体算法场景辨析其实施条件，从而为算法正义提供既具备哲学根据地又能落地的规范进路。

三、概念界定与理论基础

（一）算法、算法决策与自动化分配

算法可以宽泛地理解为一系列用以完成特定任务的步骤指令，而算法决策则指系统依据数据与规则自动产出对个体或群体有影响的判断与安排。所谓自动化分配，指的是由算法系统承担资源配置职能的过程。需要区分的是，算法决策并非凭空产生，而是在人工设计的评价指标、标注数据的偏差结构与反馈循环中生长出来的，因而算法的“输出”总是携带了设计者、数据与交互历史的痕迹。这为进一步的正义审视提供了合法性：既然算法决策参与了机会与资源的分配，那么它就必须接受正义诸原则的检验。

（二）分配正义的经典资源

分配正义关注“应当由谁、依据何种原则获得何种份额”。亚里士多德的正义论以“各得其所”为要旨，强调按功绩与地位进行合乎比例的分配；近代以来，霍布斯与洛克从自然权利的契约论传统出发，把正义锚定于同意与财产权的正当性；到二十世纪，罗尔斯在《正义论》中提出公正社会中，社会基本善的分配应遵循两个原则：一是平等的自由，二是机会的平等开放使职务向所有人开放，且经济社会的不平等必须符合差别原则，即有利于最不利者的最大可能利益。诺齐克的资格正义理论虽与罗尔斯针锋相对，却也共同提示了分配正义的核心张力——究竟以结果平等为目标，还是以程序正当为依归。这一经典框架为算法正义提供了三方面的启示：其一，算法分配的结构必须首先尊重基本自由与平等权，不能以效率之名侵犯个体的实质机会；其二，机会平等不能停留在形式口号，需通过算法审计等机制保证真实的开放；其三，即使允许算法带来分配上的差异，也应考察这种差异是否有利于处于最不利端的群体。当然，算法分配与传统罗尔斯式论证也存在差异，比如算法的“无知之幕”与现实决策的数据依赖之间并不完全同构，大数据所反映的往往是既有社会不平等的痕迹，若直接以历史数据训练模型，很可能把歧视固定化为“中性”的预测，这就需要在运用时有意识地调整其适用前提，并辅以去偏与纠偏的设计。

（三）程序正义的规范意涵

程序正义强调决策的正当性不仅取决于其结果，也取决于产生结果的过程。罗尔斯把程序正义区分为完善的、不完善的与纯粹的程序正义三种形态。纯正的程序正义最耐人寻味：它不预设某个独立于程序之外的终极结果标准，而只要程序本身是公平的，其产出即被视为正当。哈贝马斯的交往行动理论与协商民主观同样强调，规范的有效性源于自由平等的参与者通过理性讨论达成的共识，而非自上而下的强加。算法场景在很大程度上接近纯粹的程序正义：正义的算法结果往往没有先验的“唯一正解”，关键在于决策程序是否在信息透明、参与开放、解释充分与救济畅通等维度上经得起检验。需要特别指出的是，程序正义并不自动保证实质正义，公开而透明的程序亦可能系统性地偏向强者；因此程序安排必须与实质性的反歧视约束相结合，方能形成闭合的正义链条。这一理论资源提示我们，算法正义的落地重心应当从难以穷尽的结果清单，转向可制度化的程序安排，并以公平的结果作为程序正当性的反向检验。

四、研究方法与分析框架

本文在方法论上遵循规范性政治哲学的一般进路，同时吸纳技术伦理研究的场景化方法，形成“原则—场景—制度”三位一体的分析框架。

（一）总体思路

分析的逻辑起点是明确的正义原则，即分别从分配正义与程序正义两个维度确立算法决策的规范性判准；随后把这些一般原则投射到具体的技术场景之中，观察原则在现实约束下的适用与变形，进而识别理论原则与技术现实之间的张力；最后以此为据，提出面向制度与操作层面的优化路径。这一思路的优点是既避免了脱离实际的抽象玄谈，也避免了只见案例不见原则的经验堆砌，能够让哲学判断始终与技术现实保持有机关联。

（二）评判维度

在分配维度上，本文重点考察算法决策对收益与负担分配的实质影响，尤其关注弱势群体是否面临系统性不利，机会是否真实地向更广泛的人群开放。在程序维度上，本文重点考察算法决策的过程是否满足透明度、可解释性、参与性与可救济性四项要求。具体而言，透明度要求决策的基本规则与数据来源可被知悉；可解释性要求系统能够以受影响的当事人可以理解的方式说明决策依据；参与性要求利益相关者有机会在规则形成与调整过程中表达意见；可救济性则要求当不当决策发生时，当事人拥有有效申诉与纠偏的途径。四个维度相互支撑，共同构成程序正当的操作性判准。

（三）场景选取

本文选取信息推荐、信贷授信与司法辅助三个典型场景作为分析对象。选择它们的理由在于：三者覆盖了内容供给、机会分配与公权行使三种不同的算法决策类型，分别面临信息秩序、经济机会与司法程序层面的正义问题，因而能够在类型学意义上对算法正义问题进行较为完整的检视。需要说明的是，三个场景在决策属性上存在差异：信息推荐更接近个体偏好的调配，信贷授信直接左右经济机会的准入，而司法辅助则涉入公权力的行使，其正当性门槛应当更高。正是这种差异为我们检验正义原则在不同技术情境下的适用差异提供了天然的比较样本。下文将逐一展开规范分析，并在分析之后上升到问题成因与制度重构的层面。

五、典型场景的规范分析

（一）信息推荐与分配失衡

推荐算法决定了数以亿计用户每日可见的信息结构。在注意力经济的驱动下，多数推荐系统以点击率、停留时长等指标为直接优化目标，倾向于把用户推向最易引发强烈情感反应的同类内容。这种机制在提高用户黏性的同时，也带来深刻的分配正义问题：在信息“市场”中，优质而严肃的内容因缺乏即时刺激而难以获得充分曝光，参与公共讨论的理性观点逐渐让位于情绪化的碎片信息，个体的认知边界随之被单向度地收窄。从分配正义的视角看，用户在事实上失去了获取多元、均衡信息的平等机会，“信息茧房”即是一种对认知资源的非正义分配。从程序正义的视角看，推荐的排序逻辑通常不对外公开，用户难以理解为何某一信息被优先呈现，更无从对不公正的呈现提出质疑。倘若推荐机制长期以“吸引力”而非“真实性、均衡性、公共性”为隐含的分配原则，那么被算法塑造的信息公共领域便不可避免地偏离正义的轨道。

（二）信贷授信与机会排斥

信贷决策天然关乎机会的初始分配。合规的风控模型能够降低融资门槛，使过去因缺乏抵押而被排斥的群体获得金融服务；但若模型以不含信用含量或本身带有歧视偏好的数据为依据，便可能把公平排斥正当化为看似客观的“风险判断”。有研究指出，居住在特定邮编区域的人群可能因其地缘特征而系统性获得更低的授信额度，即便其个体偿债能力并无显著差异；无抵押、无稳定流水但实际具备还款能力的群体，也可能因数据画像不完整而被推入“授信下限”，反而难以通过履约建立信用，形成恶性循环。需要指出的是，这类不公平往往并不是设计者精心谋划的结果，而是数据偏差与模型目标函数叠加的副产品：当模型把“历史还款率”作为核心预测变量时，凡是与历史金融行为或画像间接关联的因素都可能被视为风险信号。从正义论来看，这违背了机会开放与差别原则的双重要求：机会因与能力无关的因素而受到限制，且最不利者并未因算法的介入而获益，反而可能被进一步边缘化。程序层面，信贷模型的评分逻辑若不可解释，当事人既不知晓被拒原因，也难以通过合理论证获得救济，算法的不透明在此转化为实质性的机会剥夺。一个能够把“拒绝理由”以可理解、可复核的方式呈现的审慎的风险模型，与一个黑箱式地一刀切拒绝的模型，即使它们给出的通过率大致相等，各自命名的正义品格也是截然不同的——这正是程序正义所提醒我们关注的差异。

（三）司法辅助与公权正当性

司法或执法领域引入风险评估算法，意在减少人类裁量的主观偏见、统一量刑尺度，但同时也带来公权力行使正当性的全新课题。当算法给出的风险评估被纳入量刑或羁押决定的依据时，其透明度、准确性与可追责性便不再只是内部技术问题，而直接关涉公民在公权面前的平等与尊严。如果模型基于历史数据训练，而历史上的执法本身即存在种族或地域偏差，那么算法便可能把旧有的系统性不公编码为“客观”的预测，形成自我实现的预言，即算法预测“某群体更可能再犯”，执法资源因此向该群体倾斜，进而生成更多针对该群体的记录，仿佛印证了最初的预测。这种反馈回路警示我们：在涉及公民基本权利的领域，单纯以数据为真源的决策机制存在原理上的风险。程序正义在此提出了严格要求：任何以算法为准据影响公民基本权利的公权判断，都必须满足可解释、可复核、可上诉的条件，并保证由具有专业能力的主体承担最终责任。原则上，算法只能作为人类裁量的辅助参考，而绝不应取代法官与执法者所承担的、具有人格化的道义与法律责任。唯有如此，公权的正当性才不会因技术中介而被稀释，人民对于“由自己同胞的理性与良知来审判”的程序期待才不会在自动化的高效中遭到瓦解。

（四）跨场景的比较检讨

纵观三个场景，可以归纳出若干共同的格律。其一，无论合法领域为何，算法不公的核心机制都指向同一处：以历史数据的统计相关性替代对个体能力的直接考察，从而把群体层面的偏差带入个体决定。其二，不透明是三类场景共同的放大剂，若算法内幕不可见，则无论结果公平与否，都无法通过公开讨论获得肯定，程序正当性因此先天受损。其三，正义的落点最终都指向对人的主体地位的尊重，即受影响者不应被无声地当作数据处理的对象，而应被承认为拥有知情、参与与申诉能力的权利主体。三个场景的差异则提醒我们，正义原则的具体分量应随决策性质而调整：离公权愈近、对基本权利影响愈大，透明度与人工兜底的要求便愈高。

六、算法正义困境的现实成因分析

三大场景中的分配失衡与程序失当并非偶然，其背后存在着共同的成因结构，需要从技术、经济与制度等层面加以剖析。

（一）数据的历史偏置与统计相关性的误用

算法不公最直接的来源在于训练数据。现实数据是过去社会过程的产物，其中天然承载着既有不平等、刻板印象与选择性记录。当算法把数据的统计相关性当作决策依据时，便可能在无意之中复制、放大甚至固化社会既有的不公。统计相关性并不等于因果联系，以“行为与群体属性相关”为由作出的决策，往往混淆了描述性的规律与规范性的正义判断，把“是什么”偷换为“应当是什么”。这是算法正义陷入困境的认识论根源。

（二）评价指标的单维化与价值简化

算法是为优化某个明确目标函数而运行的，而目标函数往往被简化为点击率、收益率等可量化的单一指标。一旦以单一指标为圭臬，多元的正义价值——如均衡、真实、尊严——便因难以量化而被排除在优化目标之外。问题不在于算法只能优化单一指标，而在于对指标的选择本身隐含了价值排序，而这种排序大多由商业效率而非正义考量所主导。把复杂的正义问题化约为可计算的目标函数，是算法不公得以隐匿的制度性条件。

（三）商业逻辑与注意力经济的压力

在平台经济中，算法治理直接受制于商业逻辑。推荐系统以用户时长为优化目标，信贷机构以风险最小化为导向，均服从于利润最大化的根本约束。在这种压力下，能够兼顾公平的技术手段可能因提升成本、拖慢上线而被搁置，伦理审查则往往让位于竞争速度。商业逻辑并不必然与正义对立，但在缺乏制度约束时，效率优先的惯性会使公平长期处于被让位的境地。

（四）监管滞后与治理能力不足

算法伦理规范的形成普遍滞后于技术迭代。技术以周甚至以天为单位更新，而法律与标准的修订以年计。制度的滞后意味着，在规范的真空期，算法的正义性问题只能依赖企业自律，而自律在缺乏外部强制时常常难以形成稳定预期。同时，监管机构普遍面临技术人才不足、检测手段有限等资源约束，难以对算法系统的实际运行开展深入的实质审查。

（五）公众参与和信息对称性缺失

受到算法决策影响的广大群体，往往既不知晓规则，也缺乏评价能力，难以构成有效的外部监督力量。信息与能力的双重不对称，使受影响者在事实上难以行使本应属于他们的知情、参与与申诉权利。缺少了来自普通人的持续压力与反馈，算法正义就在很大程度上遗留给了技术与资本的内部博弈，公共性的监督在此出现了结构性缺口。

七、对策建议：程序与制度维度的重构

基于上述分析，本文从程序安排、制度规制与社会培育三个层面提出对策建议。

（一）确立以程序正当为核心的算法治理原则

针对算法决策的不透明与不可申诉，应把程序正当确立为贯穿算法全生命周期的治理主线。在研发阶段，实行风险分级与伦理评估前置；在部署阶段，强制高风险算法面向公允主体公开其决策规则与数据来源的关键信息；在运行阶段，建立面向受影响者的异议申诉与纠偏机制。程序正当的价值在于：即使我们无法穷尽每一处细节的公平，也能够通过可检验、可救济的过程安排，把正义托付给经得住检验的规则与流程。

（二）推动分配正义的实质性落地

程序安排需与实质目标相结合。应把“机会开放”与“有利于最不利者”作为算法设计的目标之一，通过去偏数据处理、公平性约束训练与多元评估指标，降低算法对弱势群体的系统性不利。对其输出的差异化结果进行定期评估，检验其是否符合差别原则的要求。实质与程序并重，才能避免程序正义沦为形式主义的自我安慰。

（三）强化算法审计与问责的制度供给

应建立独立、专业、可问责的算法审计制度，对涉及公民重要权利的算法系统进行事前的伦理评估与事后的持续监测。审计应覆盖数据、模型与决策效果三个层面，并配套明确的问责规则，使算法不公的责任能落实到具体的参与主体。立法层面应进一步细化自动化决策的解释与救济规定，明确“算法可解释”的最低标准与举证责任分配，防止黑箱成为逃责的护身符。

（四）提升公众参与与多元监督

应畅通利益相关者参与算法规则形成的渠道，推动平台公示算法社区准则并接受公开评议；加强面向公众的算法素养教育，提升普通用户理解、评价与监督算法决策的能力；鼓励第三方机构、学术研究与媒体对算法系统开展独立的公益性质检。多元主体共同参与的监督结构，是弥补企业自律不足、防止算法被资本独白的关键社会机制。

（五）推进全球治理的合作与共识

算法正义问题具有跨国属性，跨境平台的数据流动与推荐逻辑往往溢出单一国家法的管辖。中国应积极参与国际算法治理规则的讨论，在尊重不同法文化的前提下，推动形成关于算法透明度、数据权利与自动化决策的最低共识，既维护本国公民的数字正义，也为全球数字经济治理贡献建设性方案。值得强调的是，上述对策并非割裂零散的补救措施，而是相互支撑的有机整体：未以程序正义为前提的实质规制会因缺乏透明度而落空，脱离实质公平目标的程序安排又可能沦为形式主义，因此唯有以“人”的尊严与平等为最高依归，把程序、实质、审计、公众与全球层面的制度力量协同起来，算法才能从“效率的代理”回归“正义的载体”。

八、结论与展望

本文从分配正义与程序正义的理论视角出发，对算法正义问题进行了系统的规范考察，主要得出以下结论。

第一，算法正义不能被化约为统计学意义上的公平。偏差的均等化并不能自动带来正义，因为真正的公正常常要求我们超越对结果的机械比较，转而审视决策过程是否尊重了个体的权利与尊严。算法正义必须在实质分配与决策程序两个维度上协同把握。

第二，程序正当应当成为算法治理的规范性重心。由于算法决策的“唯一正解”往往并不存在，正义的实现更应依托于透明度、可解释性、参与性与可救济性等程序条件的达成，并辅以实质的反歧视约束作为反向检验。

第三，中国可以在数字正义的建构中发挥独特的制度优势，在保护个人信息、规制算法歧视、保障程序权利等方面形成可复制的经验，并为全球算法治理的国际对话注入东方文化中对“公正”“仁爱”“和谐”的价值体认。

展望未来，随着生成式人工智能与自主代理技术的进一步发展，算法将可能承担更为复杂的社会职能，算法正义的问题域也将不断拓展。如何在自动化程度不断提高的条件下维护人的主体地位，如何在效率提升与价值守护之间保持动态平衡，仍需哲学、法学与计算机科学的持续跨学科对话。本文希望以这些初步的思考，为算法正义的理论建构与制度建设提供一个具有解释力的分析起点，也期待更多研究者在这一重要而紧迫的问题上深化推进。

参考文献

[1] 罗尔斯. 正义论[M]. 何怀宏, 何包钢, 廖申白, 译. 北京: 中国社会科学出版社, 2009.

[2] 阿马蒂亚·森. 以自由看待发展[M]. 任赜, 于真, 译. 北京: 中国人民大学出版社, 2002.

[3] 诺奇克. 无政府、国家与乌托邦[M]. 姚大志, 译. 北京: 中国社会科学出版社, 2008.

[4] 哈贝马斯. 在事实与规范之间[M]. 童世骏, 译. 北京: 生活·读书·新知三联书店, 2003.

[5] 梁志文. 算法歧视的规制路径[J]. 法学研究, 2021(6): 45-61.

[6] 何巧玲. 自动化决策的正当程序要求[J]. 东方法学, 2023(2): 88-102.

[7] 王锡锌. 个人信息保护法研究[M]. 北京: 北京大学出版社, 2020.

[8] O'Neil C. Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy[M]. New York: Crown, 2016.

[9] Zuboff S. The Age of Surveillance Capitalism[M]. New York: Public Affairs, 2019.

[10] Barocas S, Selbst A. Big Data's Disparate Impact[J]. California Law Review, 2016, 104(3): 671-732.

[11] Passi S, Barocas S. Problem Formulation and Faithfulness in Machine Learning[C]. Proceedings of the ACM Conference on Fairness, Accountability, and Transparency, 2019: 83-92.

[12] Kusner M, Loftus J, Russell C, Silva R. Counterfactual Fairness[C]. Advances in Neural Information Processing Systems, 2017.

[13] Corbett-Davies S, Goel S. The Measure and Mismeasure of Fairness[J]. Journal of Machine Learning Research, 2018(39): 1-28.

[14] 中国信息通信研究院. 人工智能发展白皮书[R]. 北京: 中国信息通信研究院, 2024.