正义
正义(justice)是伦理学、政治哲学与法哲学的核心概念,通常指一种"给予每个人所应得"的正当秩序,以及在利益、负担、权利与机会的分配中体现出的公平性。在科技语境下,正义讨论的重心已从传统的社会制度与人际关系的"应得"问题,转向技术特别是算法与数据系统在资源配置、机会分配和决策过程中是否公平的问题,由此衍生出算法正义、数字正义、数据正义等概念。当代关于科技正义的论述一方面沿用分配正义、程序正义等经典理论框架,另一方面也提出,算法与大数据正在改变正义得以实现的前提条件,使正义从依赖比例衡量与言语论证的形态,转向可量化、可计算的形态,并带来新的不平等与权力失衡风险。
概念的内涵与理论源流
在西方思想传统中,正义长期被理解为一种"合比例"的秩序,即不正义意味着对应有比例的破坏。现代社会把正义的主要内容理解为发展机会与物质利益的分配,其核心理念趋向"人人平等"。与之相邻但有所区别的是"报的正义",它既包括司法意义上的"报仇",也包括交易意义上的"报酬",核心理念是"应得其所"——正义因此在汉语中常与"公正""公道"等词互换使用。
当代政治哲学中影响最大的正义理论之一来自美国哲学家约翰·罗尔斯(John Rawls)。罗尔斯在《正义论》中提出"初始地位"与"无知之幕"(veil of ignorance)的构想:假设人们在选择社会基本结构时,并不知道自己将来会处于何种社会地位、拥有何种天赋与处境,由于没有人能够设计出有利于自身特定条件的原则,所达成的公正原则便是一项公平协议或交易的结果。罗尔斯引入这一构想的目的,是"建构一个公平程序,在此基础上商定的任何原则都是公正的",也就是以纯粹的程序正义作为正义理论的基础。在这一框架中,正义不仅关注分配的结果是否平等,也关注产生结果的程序是否公平。
分配正义与程序正义
对正义的分析通常区分分配正义与程序正义两个维度。分配正义关注"谁得到什么",即社会的利益、资源、机会与负担应当如何在成员之间划分;程序正义则关注"如何做出决定",即资源与机会的分配是否经由中立、公开、可参与、可问责的程序。两者并不互相替代:一种结果即便在表面上符合平等,如果其产生过程缺乏正当程序,仍可能被认为不正义;反之,一个形式上中立的程序,若反复产生有利于特定群体的结果,也可能引发对实质正义的质疑。
这一区分在医疗资源的紧急分配中体现得尤为直观。急诊分诊依据患者症状的严重程度而非支付能力或社会地位来决定救治次序,被视为程序正义与分配正义结合的典型:分诊标准作为一种公开、可适用的程序,服务于把稀缺救治资源分配给最需要者的分配目标。类似逻辑被广泛用于讨论ICU床位、器官移植、疫苗等稀缺资源的分配规则设计。
数字社会中的正义转型
进入数字社会后,正义的实现条件发生了显著变化。全国哲学社会科学工作办公室刊文指出,人类通过代码设置、数据运算与机器自动化判断,可以呈现出更精确、更客观的"正义",正义的"计算化"正逐步替代对正义的比例衡量,正义与非正义可以通过量化计算而非言语修辞被可视化地展现出来。该文把这种新形态概括为"计算正义",并提出它包含"正义的计算"与"计算的正义"双重要求:前者要求优化计算与预测的准确性,实现数学意义上的"公平";后者要求技术理性的价值对齐,以数字正义原则划定数字技术应用的正当边界。
这一转型的理论根源在于,罗尔斯意义上的"无知之幕"正被"大数据主义"深刻改造。算法通过对个体行为模式、偏好与需求的深度挖掘,把资源配置转化为数据驱动的动态匹配过程。有学者指出,算法赋予个体、组织乃至国家穿透"无知之幕"的能力,使其能够基于庞大的数据流进行精准预测与个性化决策;这种以信息优势和算法技术为主导的资源配置方式,在提升分配效率的同时,也推动正义原则重构——公平不再仅意味着无差别对待,而融入了对差异化需求的精确响应。由此产生了"个性化法律"的可能:算法能在普遍规则之外回应具体情境中的个体需求,弥补形式正义难以兼顾特殊情形的局限,但也可能因过度差异化而侵蚀法律面前人人平等的原则。
算法正义的结构
学界对算法正义的构成提出多种分析框架。西南政法大学的相关研究从形式构造上把算法正义概括为四个方面:分配正义,涉及算法掌控者与大数据生产者之间数据资源的合理分配;程序正义,关注正当程序要素在算法使用过程中的满足程度;信息正义,围绕系统的可见性与可解释性展开;互动正义,通过协商与对话,为被决策者多种权利、利益和负担的公正处理提供指引。在内容构造上,该研究又把算法正义分解为数据正义、狭义的算法正义与代码正义三个层次,分别对应数据不公的生产机制、数据处理的公平性与算法决策的合理性、以及代码编写中的价值偏好问题。
程序正义在算法场景下被具体化为"算法正当程序"。相关研究提出,需要对传统正当程序所要求的中立、公开、准确、可问责、尊严等要素进行重塑,以回应自动化决策带来的挑战,并强化算法透明与可解释性、算法问责机制以及结构化的人工介入机制等保障措施。在规范层面,源头数据规制、算法赋权制衡、平台算法问责等制度,被视为保障算法正义实现的实践基点。
资源分配中的正义风险
算法深度介入资源配置带来几类突出的正义风险。首先是黑箱效应。有分析指出,算法的不透明使其具体关联建构主要取决于算法背后的利益结构:当算法背后的利益多方形成平衡结构时,配置的正义性较有保障;若由强势结构主导,由于自我约束的意愿、力量与效果有限,配置失衡的风险就会显著上升。这意味着算法的公正性不能仅从其技术输出判断,还须考察其背后的权力与博弈结构,以及国家监管、社会监督对利益结构的干预效果。
其次是数据偏差导致的边缘化。如果某些群体在数字空间中的数据呈现不足、数据缺失或存在偏差,算法便可能系统性地忽视其需求,从而在就业、信贷、公共服务等场景中复制甚至放大既有不平等。针对这一问题,"数字平等"被提为数字治理中的迫切议题,其要求个体能够平等享有数字资源、参与技术决策并对技术影响保有相应控制权;有研究进一步把数字平等归纳为可见性、技术参与度与不歧视三个维度,并指出它与《全球人工智能治理倡议》以及首个全球性人工智能声明《布莱切利宣言》所强调的目标相呼应。
制度回应与争议
面对上述风险,各国与国际组织尝试以原则与制度加以回应。在理念层面,促进公平公正、避免算法偏见被写入多国人工智能伦理规范,要求在算法设计、训练数据选择与模型优化等环节采取措施,防止因民族、性别、年龄、地域等差异产生歧视。在制度层面,算法影响评估、算法审计、可解释性要求与人工复核机制,成为把抽象正义原则转化为可操作规则的主要工具。
争议依然存在。一些学者认为,算法正义能否作为独立于传统正义的概念存在,取决于它是否拥有不同于传统理论的基础逻辑与问题结构;另有观点担心,把正义过度等同于可计算的最佳化,会遮蔽那些难以量化的价值,例如尊严、关怀与对历史不公的矫正。还有批评指出,算法宣称的客观中立可能掩盖其训练数据与优化目标设定中的价值选择,使不平等以技术中立的名义被固化。这些争论表明,正义在科技语境中既是一个可计算的技术问题,更是一个关于权力、价值与制度选择的公共问题。
参见
- 算法公平
- 数字正义
- 行善原则
- 不伤害原则
- 算法治理
- 罗尔斯
参考资料
- 全国哲学社会科学工作办公室. 周尚君:数字法理学的基本范畴. 中国社会科学网, 2025-02-21.
- 浙江在线·社科在线. 数智时代的正义:复杂性及其当代旨归. 社科在线, 2022-06-23.
- 西南政法大学机构知识库. 论算法正义. 西南政法大学, 2024.
- Stanford Encyclopedia of Philosophy. John Rawls. Stanford Encyclopedia of Philosophy, 2024.
- 北京社会科学. 算法正义的提出与证立. 北京社会科学, 2024.