[44]对此种立场,学界也有人表示赞成。
二是《算法推荐管理规定》中的算法分级分类安全管理制度，结合数据维度（如数据重要程度）和主体维度（如用户规模）进行制度设计，但不同分级分类标准如何厘清各自职能和边界，以及各标准之间如何衔接，需要进一步出台规范予以调整。第三， 应建立敏捷治理体系，并留足前瞻性制度发展空间，以保障技术的长远发展。
在算法监管本身调整对象就有较大局限的情况下，深度合成作为未来技术发展重要领域的人工智能技术和应用，难以被算法规范有效涵盖。深度合成技术，是指利用以深度学习、虚拟现实为代表的生成合成制作文本、图像、音频、视频、虚拟场景等信息的技术。生成型人工智能需要海量算力，而面向一国提供生成型人工智能的服务器可能位于世界各地，这与现有的数据本地化存储、保障本土数据安全的数据处理方案存在冲突。我国在信息内容安全领域已经具备相较于其他国家更多的实践经验，坚持分层治理，尤其是加强生成内容的专门化治理，可避免合规成本过高阻碍深度合成产业的发展。深度合成的前期治理聚焦生成合成的虚假信息是全球共识，欧盟、美国均有相关立法尝试与监管举措。
从产业链角度看，技术底层的大模型与数据集成为真正意义上的信息基础设施。鉴此，我国的深度合成监管应围绕服务提供者设计制度：一是在生成型人工智能的治理中，应对技术开发者提出更严格的要求，如训练数据的标注、文件记录和保存、保障技术透明度等。但是，我们已经迈入大数据时代的这一现实决定了，只有如此推进失信惩戒法治化，才符合社会治理创新的需要与治理革新的趋势，才能真正发挥失信惩戒的社会治理效能。
进入专题： 失信惩戒 法治化 风险管控 大数据 社会治理革新 信用算法 。面对基于数字化权力的失信惩戒，不仅需要建立个体信息权益制度，更需要国家建立强大的数字能力规制算法权力。当然，因为涉及公民对于公共资源的公平分享权，行政机关不能像市场主体那样，以契约自由为名不受限制地实施失信惩戒。在美国学者看来，这一危机根源于经济发展模式的变化，根源于围绕着工业化时代的监管问题和监管能力而设计的行政法未能及时向信息化时代转向。
在将失信惩戒视为法律制裁思维的主导下，当下信用立法没有采纳经济学界对失信惩戒的界定，而是将市场主体实施的失信惩戒规定为提高失信主体交易成本之举，[22]以避免突破法律制裁只能由国家垄断这一政法原则。[40]林均跃：《社会信用体系原理》，中国方正出版社2003年版，第53页。
故此，为避免不精准的信用评级生成后覆水难收，就必须以信用算法为失信惩戒法治化之中心。我国个人信息保护法第6条规定：处理个人信息应当具有明确、合理的目的，并应当与处理目的直接相关，采取对个人权益影响最小的方式。[49]就此而言，与旨在通过事后制裁来治理失信行为的行政处罚化思路相比，从风险管控视角出发，我国当下信用立法所建构的公法化失信惩戒体系，可以得到更为体系化、层次化的解释与建构，并由此具备一体法治化的契机。[21]林均跃：《论公共和市场两种不同类型的失信惩戒机制及其互补关系》，载《征信》2022年第1期，第25页。
如果失信惩戒耗费了更多资源，却只是保障了有限资源的安全，那这种得不偿失的失信惩戒就违背了风险管控原则，是不可取的。[59]在算法驱动下，法律的介入路径将由行为后转向行为前，即由聚焦如何修复和恢复社会转向如何规训和塑造社会，由裁断行为后果前移为塑造行为逻辑，也就是前移到对社会关系架构的建设上来。上述困境源于现行信用立法与学理将违法与违约视为失信，将失信上升为法律上的失范，进而将失信惩戒视为制裁、矫正失范行为的法律制裁。有学者据此指出，在我国行政处罚法第2条为行政处罚增设定义条款后，从实质层面将大部分失信惩戒措施定性为行政处罚已经争议不大。
注释: 本文系国家社科基金重大项目社会信用体系的法律保障机制研究（项目编号：21ZD199）、辽宁省社会科学规划基金重大委托项目数字辽宁背景下数字政府的法治化研究（项目编号：L22ZD002）的阶段性研究成果。[76]行政机关应该基于大数据思维，开发更具包容性、更能平衡风险管控与交易扩张需求的算法，尽量保障市场主体的交易自由以激发市场活力、扩大交易机会。
有学者甚至指出，公共型失信惩戒机制单打独斗不是治理失信的终极办法，市场型失信惩戒机制才是根治失信的厉害后招。难以解释其他行政机关与市场主体参与联合惩戒的合法性、动力问题。
当然，在管控、规避交易风险的同时，失信惩戒在客观上具有不容否定的惩戒效果，即它让失信者失去了交易机会或是要付出更多的成本才能获得交易机会。难以解决由此带来的过惩失当、救济无力问题。[30]认为借方有信用，即意味着贷方信任该人，授信予其没有风险。这就意味着，风险管控不仅是失信惩戒的目的，也是其必须自始至终应予遵守的根本原则。但是，直到参与招投标被拒之前，该市场主体都不会知道其已经被列入黑名单，更不会知道原因与过程。如前所述，行政机关应该作为资源配置主体实施失信惩戒，这样才有可能因同质于市场主体的风险管控需求而形成公私联合的社会信用惩戒。
正是基于这两方面的效用，2019年1月发布的《国务院办公厅关于全面推行行政执法公示制度执法全过程记录制度重大执法决定法制审核制度的指导意见》第17条提出：一是要推动行政执法裁量的决策辅助系统，规范行政自由裁量权，确保执法尺度统一。也可以将失信界定为市场主体不足为信，向其配置公共资源存在风险。
[92] 二是信用算法的试点试验机制，即通过同一领域、同一类型信用风险的多类型算法试验，来评判哪种信用算法更具包容性、可解释性、准确性，能更好地实现个体发展与风险管控之间的平衡。[3]2021年修订的行政处罚法以很大力度回应了这一呼声。
一是行政机关不是在强制性地剥夺该市场主体的自由与财产，而是出于管控风险、保全自己的考虑而不向其配置资源，所以不需要通过法律授权与正当程序获得正当性。采取通报批评、公布违法事实等烈度居中的失信惩戒，则是通过广而告之的方式，提醒社会大众注意并预防交易风险。
预防论的刑法并非刑法主流，以预防违法为主要目的的诸多行政强制措施只能依附于、混同于行政处罚进而被严格限制，即为鲜明例证。[24] （四）不利于社会信用制度的体系化 其一，不利于市场主体实施的市场性惩戒与行政机关实施的失信惩戒的体系化。[31]F. Pasquale, Restoring Transparency to Automated Authority,9 Journal on Telecommunications High Technology Law 235,248(2011). [32]See Ian O'Neill, Disparate Impact, Federal/State Tension, and the Use of Credit Scores by Insurance Companies,19(2) Loyola Consumer Law Review 151,152-153(2006). [33]参见《公平信用报告法》第1681条b款。正如美国制度经济学家康芒斯指出的，所有的，无论是家庭的、商业的或政治的各种经济和社会关系的互动都是交易，而且，每一个交易都有期望的经济维度与心理维度。
根据算法规制的场景化原则，[77]计算失信可能性及其危害程度的信用算法必须符合具体场景、具体领域下风险管控的需求，必须依托失信风险的类型与领域而类型化、具体化。（一）以信用算法作为失信惩戒法治化的中心 失信惩戒旨在管控将来的交易风险，因此信用算法是典型的预测算法。
其若主导失信惩戒，就会引发失信惩戒的性质变化及相应的合法性危机。它们在更大范围内提高了相对人的交易成本，却又没有禁绝他们的交易自由，是因为他们违法可能性较高或是危害较大，但又没到以断绝交易自由的方式来预防的程度。
算法以信息为前提，特定的算法需要特定的信息，特定的信息服务于特定的算法及相应的风险管控需要。[55]参见曾光辉编著：《信用大数据时代：赋能社会治理、金融科技与数字经济》，中国工人出版社2021年版，第29页。
其次，风险管控原则意味着信用算法要以包容为原则。如果能通过加大检查频次或严格审查等方式管控风险，就不要采取通报批评、面向社会发布黑名单等形式。前者提出，建设社会信用体系，是整顿和规范市场经济秩序、改善市场信用环境、降低交易成本、防范经济风险的重要举措。失信惩戒是为了管控风险而不是单纯地限制交易、规避风险。
其运用了公民的哪些个人信息、这些信息与算法的关联及其权重是什么。人是社会关系的总和，必然呈现出多面向、动态化的信用形象，其信用必须结合具体领域、综合所有相关信息进行场景式判断。
按照行政处罚的思路，加强监管措施、限制给付类措施与不面向社会公开的黑名单不属于行政处罚，而其他的失信惩戒措施都属于行政处罚。[51]《国务院办公厅关于加快推进社会信用体系建设构建以信用为基础的新型监管机制的指导意见》（国办发〔2019〕35号）所提出的大力推进信用分级分类监管。
在大数据与人工智能的辅助下，行政机关可以在社会问题还未达到明显、重大、突出之时就迅速预测出来，并根据相对人违法风险的等级与危害程度，有针对性地配置执法资源消除、隔离违法风险，而不是在违法之后再制裁。究其根本，正是因为行政处罚式失信惩戒背离了信用数据—信用评价模式，割裂了信用数据与失信惩戒的关联，丧失了基于大数据与人工智能而获得更精确信用评价的可能性。