算法风险评估在审前羁押程序中的应用

张丽霞

（北京师范大学 北京 100875）

审前羁押是刑事诉讼程序中的重要环节，面对实践中的高羁押率，是否羁押的判断标准一直是学界和司法实践中关注的重要问题。在我国刑事司法，审前羁押①集中表现在逮捕程序的设置上。我国2012年《刑事诉讼法》第79条明确规定了逮捕的条件②，学界将其归纳为逮捕适用的三要件：证据条件，即有证据证明有犯罪事实；罪责条件，即可能判处徒刑以上刑罚；社会危险性条件，即采取取保候审、监视居住等不足以防止发生社会危险性[1]。其中前两个要件是确定的，可以进行相对确定的分析和判断，第三个社会危险性则是相对主观的变量，这一变量通常由检察官依靠经验法则自由裁量，具有不确定性，导致在我国刑事司法实践中，以证据条件和罪责条件为主的逮捕审查冲淡了社会危险性条件的审查，够罪即捕、以捕代侦等现象使得我国的审前羁押率一直居高不下。实践中负责批捕的检察官对社会危险性的评估大多依靠个人经验即直觉、本能和正义感，检察官的自由裁量权过大，导致这种综合评估的结果不稳定，也比较模糊。有学者认为建构以社会危险性为核心的逮捕审查程序的关键是探索社会危险性的科学评估方法[2]。如何科学定量地评估社会危险性也一直是学界关注的重要问题，有学者建议参照西方国家采用科学定量的方法来对社会危险性进行评估[3]，以期改变以往检察人员以个人经验为主的“综合估量”的模糊性和任意性。事实上在美国已经开始将算法应用于刑事诉讼中审前羁押的风险评估，用算法来预测犯罪嫌疑人是否会再次犯罪、是否会准时出庭等，美国实务界希望通过更精确的算法风险评估来优化审前羁押体系，降低羁押措施的适用。

在科技时代的大背景下，我国也有学者开始关注使用人工智能来解决羁押社会危险性评估问题，有学者提出“人工智能检察院”的设想，希望通过大数据和云计算实现对审前羁押的过程和结果进行分析和预测，通过算法风险评估对公安机关的侦查进行监督[4]。上海高院研发的“推进以审判为中心的诉讼制度改革软件”，即为代号“206”的“上海刑事案件智能辅助办案系统”的项目中也包含了有关于社会危险性评估的模块审查逮捕中社会危险性。在新的时代背景下，算法风险评估能否针对审前羁押风险给出一份符合期望的答案？本文试从算法风险评估的建构及其原理出发，探讨在我国逮捕程序中引入算法风险评估的必要性和可能性，并结合逮捕审查的程序要求来探讨引入算法风险评估给传统刑事诉讼程序带来的新挑战以及可能的规制路径。

一、算法风险评估的原理及建构

（一）算法风险评估的原理

风险评估最早应用于经济和管理学领域，是指量化测评某一事件或事物带来的影响或损失的可能程度。具体到刑事司法领域，风险评估是指利用犯罪嫌疑人的历史数据比如是否曾经被逮捕、被定罪等，来预测其未来行为的可能性，是精算正义理念下司法裁量数字化智能化的体现。英美法系对罪犯风险评估技术发展比较成熟，评估工具已经从第一代临床评估发展到第四代结构性专家评估，被广泛的应用到犯罪预测、法庭审判、监狱管理、国家安全防卫等方面[5]。风险评估的本质是利用统计学原理将各项风险因素的相关性数字化，根据数字计算转换成风险类别，例如，对影响未来行为的变量犯罪嫌疑人的年龄、籍贯、住所等进行回归分析，确定其与再犯或者未能出庭的相关性，进而通过计算得出风险级别。算法风险评估是随着现代科技的发展，计算机和风险评估技术的结合，具体是指将风险模型转化为计算机语言，即算法。算法风险评估最大的特点是定量分析和循证为本（Evidence-based）。审前羁押程序中的风险评估，一方面，对是否羁押中涉及的因素进行量化分析，帮助刑事裁判者更加精准的把握是否羁押的条件，在保障诉讼程序顺利进行的前提下，尽量减少羁押措施的使用，进而有效保障犯罪嫌疑人和被告人的权利。另一方面，在循证为本的理论指导下，经过不断验证，使得评估因素成为判断羁押的“证据”以确保羁押有据可查，增加犯罪嫌疑人、被告人对羁押决定的接受度。严格的说，算法风险评估是数据驱动的人工智能与专家经验结合的产物，不是简单将法条转化为计算机语言，它的建立需要依赖刑事裁判者的理性思维和逻辑判断。以2017年上海高院研发的“上海刑事案件智能办案辅助系统为例，据技术人员介绍人工智能的三个重要环节是专家经验、模型算法和海量数据。首先由公检法业务骨干对扫入系统的卷宗内容进行标注，建立数据库，再在专家经验的基础上，指导机器建立模型进行学习[6]。

（二）算法风险评估的建构

算法风险评估的建构是指以“逃避诉讼可能性”“再犯可能性”等为评价基准，将涉及到的因素全部筛选出来，并依据各要素风险等级的大小将涉及到的风险因素及其影响量化，根据一定的规则建立综合算法评估模型。建构算法风险评估的关键是如何筛选出影响社会危险性的风险因素，如何在这些风险因素之间建立关联。比如美国的算法评估工具COMPAS和LSI-R主要涉及五个主要领域：犯罪情况、人际关系、个性、家庭还有社会排斥程序，此外还包括工作经历、经济状况、家庭成员犯罪记录、年龄、性别、婚姻、受教育情况等。美国安妮凯西基金会研发针对未成年人审前羁押的risk assessment instrument简称RAI)的主要风险因素分为四类：犯罪事实情况、以往的违法或者犯罪经历、加重情节因素（消极因素）和减轻情节因素（积极因素）[7]。国内司法实践中社会危险性算法风险评估主要集中在理论层面的探讨，有学者建议参考美国司法部审前风险评估的模型从理论的角度将涉及到的风险因素进行分类，认为我国风险评估因素主要是三个方面，即认人身危险性因素，如有无前科，是否可能再犯等；社会危险性因素，如给社会造成不利后果；诉讼可控性因素，如是否可能妨碍诉讼，隐匿证据等，再运用SPSS软件对这些因素进行Logistic回归分析，确定每个因素跟最后是否逮捕或者羁押的相关程度，最后建立算法模型[8]。有学者根据长期的办案经验列出了是否可能被判处刑罚、是否是本地人、是否有固定住所、是否是累犯、是否曾逃跑、是否是学生等11项等可能影响社会危险性的因素，再以“有社会危险性”和“无社会危险性”进行模式化的组合，比如：可能判处徒刑以上刑罚＋外来人员是有社会危险性；可能判处徒刑以上刑罚＋本地人等构成“无社会危险性模式”[9]。笔者比较赞同以统计学原理对审前羁押的风险因素进行回归值分析，再根据各个风险要素与最终评估结果的关联度建立模型算法。但是纳入哪些风险要素需要进行深入探讨，现有的算法模型代表的是群体特征的因素，一些具有个性化的犯罪嫌疑人的情况有时候也对最终的结果产生影响。如前文提到的算法模式离不开刑事裁判者的主观能动性，算法风险评估的建立也必须重视刑事裁判者的裁判逻辑，将其理性经验纳入算法模型。例如第四代的结构性专家评估，强调以其生存的特定社会环境、亚文化氛围为背景，而非孤立地分析和解释犯罪嫌疑人、被告人的行为特征[10]。

二、在审前羁押程序中建立算法风险评估的必要性和可行性

（一）建立算法风险评估的必要性分析

1.建立算法风险评估有助于提高审前羁押措施适用的精确性。正如“直觉的判断被迫让位于精准的数据分析”[11]，传统的审前羁押风险评估的产生更多地基于办案人员的个人经验，以主观判断为主，但是以算法为核心的风险评估是建立在大量数据分析基础上的量化风险评估。在我国司法实践中，不管是针对未成年人还是成年人，审前羁押措施都有滥用之势，在我国目前的法律框架下，对于逮捕社会危险性的审查主要根据现有掌握的材料和办案的经验进行主观判断。此外，是否羁押往往还受到社会舆论的影响，在社会公众朴素的法律观念中，触犯重罪即需要逮捕，以舆论关注的少年涉嫌强奸少女后被取保候审一案为例，社会舆论认为一个犯了强奸罪的未成年人由羁押变更为取保候审不合理，在公众的普遍观念里，触犯了强奸等重罪经应该逮捕，变更强制措施就是于法无据[12]。但是否逮捕不仅仅需要证据和刑罚条件，还要审查判断犯罪嫌疑人的社会危险性。值得注意的是社会危险性的判断是对未然的一个判断，不能只靠主观经验，构建一种相对模式化、符合实践需求的审查逮捕社会危险性评估量化模型是必要的，对于办案人员准确把握逮捕条件，提高逮捕措施适用的准确性具有重要的参考价值。虽然，利用算法评估所得出的结论虽然不能做到百分之百的精准，但采用量化分析，可以为办案人员在判断逮捕必要性提供客观定量的标准，为检察官做出是否批准逮捕给出定量的数据参考。

2.建立算法风险评估有利于降低审前羁押率，贯彻羁押例外原则。根据刑事司法所秉持的无罪推定和国际通行的羁押例外原则，为保护犯罪嫌疑人的人权，审前非羁押应该是常态，对犯罪嫌疑人、被告人人身自由进行限制和剥夺应该是特殊情况下的例外选择。《公民权利与政治权利国际公约》第9条第3款明确规定“等候审判的人受监禁不应作为一般规则，但可规定释放时应保证在司法程序的任何其他阶段出席审判，并在必要时报到听候执行判决。”在审前程序相对完善的英美国家最先开始关注在审前释放程序中引入以算法风险评估来预测犯罪嫌疑人是否会在开庭时顺利出庭，是否会再次犯罪等的可能性。以未成年人刑事司法为例，自1992年起，美国安妮凯西基金会发起了“未成年人羁押替代倡议”，该倡议主张正确使用数据，系统地诊断和评估未成年人审前羁押的条件和标准，建立数据模型，以取代主观标准，使得所有未成年人审前羁押的审查都有据可查，该倡议有效降低了审前羁押率，是美国少年司法改革最成功的举措之一。

3.建立算法风险评估能有效抑制司法人员的主观随意性，提高司法效率。建立算法风险评估是对执法者自由裁量权的一个限制。有自由就需要有限制，执法者的自由裁量权过大且缺乏适当的限制也是造成目前司法实践中羁押普遍适用的一个原因。不管是国外还是国内，逮捕的社会危险性集中体现在是否能保障诉讼程序的顺利进行以及犯罪嫌疑人的再犯可能性的高低。美国全国经济研究所一份最新研究报告显示，人工智能软件比法官更准确地预测犯罪嫌疑人释放后的行为，他们预计算法风险评估可将被告人等候审判的时间缩25%左右[13]。此外，在我国人少案多的情况下，限制办案人员的自由裁量权，可以减轻办案人员的办案压力，减少工作中不必要因素的影响，在实现司法目的的同时，提高办案效率。

（二）建立算法风险评估的可行性分析

1.海量数据的占有为计算机法律语料库的建立奠定了基础。我们身处在一个到处充斥着数据的时代，我们每天都在生产着数据，这些数据也源源不断的出现在政府或者商业机构的数据库里。随着时代的发展，以大数据为基础的算法介入司法，人类从以往的经验判断转向算法判断，逐渐成为人类利用已有的数据测量、记录和分析现有制度的新方法。镶嵌理论认为，单个分散的数据或者没有很大的价值，但是利用科学统计原理，将分散的信息组合起来，则可能产生不可估量的整体价值[14]。我国司法新一轮司法改革基础信息化建设提供了大量的数据样本，通过专业人员对数据的分析和处理，建立算法模型，将法律规定、案例中的自然语言、法律概念以及推理规则翻译成机器语言，标准化统一的海量数据使得开发人工智能风险评估工具成为了可能。

2.科技的发展为智能算法模拟法律裁判者的法律推理提供了必要的技术条件。人工智能AlphaGo战胜围棋高手开启了新一轮技术革命，智能产品人脸识别、智能推送等开始渗透人类生活的方方面面。人工智能与法律结合的难点如何明确裁量因素、模拟裁判者的裁量过程建立专家算法模型，需要专业技术人员在司法人员以及其他学科人员的配合下对数据进行大规模的统计分析，使计算机深入学习这一过程。贝叶斯网络、语义技术、向量空间模型、本体论、认知神经科学等科研成果的出现促进了计算机深度学习的发展，提高了法律人工智能产品的实用性和准确性，其中贝叶斯网络用于证据审查人工智能产品研发，将不同情况证据关系、证据推定和证明力转化为数值，提高审查结果的客观性[15]。算法风险评估模型是模糊数学应用，其利用已有的变量信息来推断其他的概率信息，根据所掌握的犯罪嫌疑人的信息对其社会危险性进行评估，并通过计算机深度学习不断完善。

3.官方和市场的双重驱动为算法风险评估的建构营造了良好的外部环境。官方层面，自2016年中办国办印发的《国家信息化发展战略纲要》中，将“智慧法院”纳入国家信息化发展战略。2017年7月8日，国务院发布《新一代人工智能发展规划》提出推动社会治理的智能化，促进人工智能司法裁判中的应用，实现司法裁判的智能化。全国司法系统自上而下开始司法智能化的探索，司法辅助系统的研发大大提高了公安、检察官、法官等办理案件的效率，对于推进以审判为中心的司法体制改革也有助力。此外，在市场利益的驱动下，公司、律师等也投入智能司法的研发中，例如，北京华宇元典信息服务有限公司，华宇元典致力于法律智能领域，研发智能辅助产品，依托数据智能，将法律与科技深度融合。

三、在审前羁押程序中建立算法风险评估的局限及其克服

（一）建立算法风险评估的局限

1.算法黑箱与刑事正当程序。刑事程序的正当性要求法律具有可预测性和确定性，具体是指人们对行使权利而产生的结果作为正当性的东西加以接受，质言之，人们接受一个裁判结果是因为其程序正当。但是“算法黑箱”的存在与刑事程序的正当性有着天然的冲突，算法风险评估具有预先编制、不对外开放、相对确定等特点，从输入数据到产生模型，计算机基于对经验数据的自动学习生成了高级的认知结果，这种机器学习的过程是不透明的，在公众和在整个司法过程中也不透明，因此普通公众不会了解算法的建构原理，自然也就不知其正当性何在。以美国鲁米斯上诉最高法院一案为例，鲁米斯认为初审法院的法官采纳了州政府罪犯改造部门提交的量刑前调查报告（PSI），该报告中包含再犯风险评估内容COMPAS（Correctional Offender Management Profiling for Alternative Sanctions）它是根据对犯罪者的访谈和来自司法部门的信息来评估再犯的风险，侵犯了他的正当程序权利，COMPAS算法的提供者Northpointe公司以算法为商业秘密由，拒绝公开算法原理。虽然威斯康星州最高法院最终否定了鲁米斯的正当程序和平等权主张，但是美国大法官也提醒法官警惕使用COMPAS算法所可能带来的风险[16]。

算法偏见是我们不能回避的问题，算法风险评估的基础是数据，数据的来源、数据的内容有可能会损害程序正义的价值。尽管数据无罪，但是不正当形式取得和表达不正当内容的数据则有可能会降低犯罪嫌疑人或者公众对算法风险评估结果的接受。算法中涉及到性别、地域、疾病、职业等信息，在中国语境下都有可能会导致歧视。例如“无业、在本市无固定住所、外地人口”与“企图自杀或逃跑”对应；“不和解、不赔偿”与“可能对被害人实施打击报复”对应；“有前科、由赌博、吸毒恶行、无生活来源”与“可能实施新的犯罪”对应。如前文提到了司法实践中总结出的有无社会危险性的模式化组合“可能判处徒刑以上刑罚＋外来人员是有社会危险性”中就包含有对“农民工”等外来人员的隐形歧视，算法的研发者也可能把自身的某些歧视写入算法之中，比如对艾滋病、甲肝乙肝等传染病患者的歧视，或者对于福建莆田、浙江温州人等地区歧视等。算法必要包含价值判断，价值中立的平等算法是不存在的，我们需要时刻反省和重思其背后的伦理基础，避免某些不正当的算法。

2.算法评估与证据裁判原则。据裁判原则是法治和理性对刑事裁判的必然要求。逮捕是一项涉及公民人身权利的重要措施，逮捕的条件理应符合证据裁判的要求，社会危险性的审查亦然。但是算法风险评估与证据裁判原则存在两个隐含的矛盾：一是算法风险评估的因素本身的真实性和准确性有待验证，作为风险因素的很多本身就是需要用证据加以证明的，比如犯罪嫌疑人以犯罪所得为主要生活来源或者犯罪嫌疑人有吸毒、赌博等恶习，需要公安机关提供相应的证据加以证明。在算法的建构过程中，如何建立证据链来证明风险因素的真实性和准确性是值得关注的问题，目前学界尚未对逮捕条件中社会危险性的证明模式形成统一定论，如何让机器来深度学习这一裁量过程也是该技术发展的关键问题。二是风险评估结果的属性不明确，有学者认为应该承认专业性风险评估的证据能力，弥补检察机关、侦查机关以及律师等在社会危险性判断的专业不足[17]。还有学者认为法律AI（算法风险评估）实质上是另一种形式的经验法则，它可能包含犯罪嫌疑人个人信息、犯罪历史、个人品格、生活经历等，算法模型的建立主要是基于经验法则，风险评估的结果应该视为一种“经验证据”[18]。还有学者认为算法风险评估的结果可以作为品格证据运用到审前程序中，品格证据具备反映犯罪嫌疑人、被告人在涉案前的一贯表现的功能，会对其是否选择逃避刑事追诉、干扰刑事诉讼进程和在等候审判期间再度犯罪产生基础而深远的影响。笔者认为，在逮捕审查诉讼化的过程中，算法风险评估的引入势必需要对其法律属性予以明确，并设置相应的程序保障其效果的实施。

3.算法判断与执法者的自由裁量权。算法风险评估的运用一方面可以对自由裁量权进行限缩，另一方面又有可能会限制使用者的自由裁量，隐含的是算法判断与执法者自由裁量权的界限问题。目前在司法领域应用的人工智能产品大多只是封闭的“专家系统”，而不是有自主学习能力的“人工智能”，事实上，关于犯罪嫌疑人是否有逃避诉讼、是否有再犯的可能性的评估是一个复杂的过程，不能完全放弃执法者的自由裁量权。从英美法系风险评估的发展历史来看，第一代的风险评估是一种非结构性的判断，主要是基于专业人员的主观判断的临床评估，“自由裁量”的范围过大；第二代评估工具基于一系列个体评估条目的精算风险评估，但是涉及的风险因素多是静态的、不变的，“自由裁量”范围过于狭窄；第三代和第四代评估工具在两者之间需求平衡，将静态风险因素和动态风险因素结合，且第四代评估工具不仅关注危险评估、需要评估而且与个案管理相联结，在评估基础上向管理人员提供干预的结构性计划。由此可以看出，算法风险评估不是单纯的技术更迭，在介入刑事司法程序过程中，必然与执法者的自由裁量权存在冲突，算法判断和执法人员综合自由裁量两者不可偏废其一，在接受技术便捷的同时，还需重视自由裁量权的重要价值。

以英国早期探索为例，英格兰少年司法委员会在最初推行风险评估工具Asset的过程中，有学者质疑评估工作无法满足个性需求，会使得专业人员的自由裁量被计算机替代，将专业知识商品化。也有学者认为智能化工具对司法实践的真正影响取决于其被运用的方式，建议将管理问责与裁量权相结合，在引入技术性工具的同时，建立高责任和高自由裁量的最佳实践模式[19]，也就是重视执法者的自由裁量权，建立执法者的高度责任制。笔者认为，科技的高速发展带来的技术变革与法律必然发生冲突，在运用科技技术服务法律的同时需要明确界限，算法风险评估诚然可以审查和预测犯罪嫌疑人的社会危险性，但如何根据评估结果作出准确的逮捕或者释放决定以及制定个性化的释放监管方案才是最关键的问题，最终需要执法者专业的自由裁量和判断，否则再精确的风险评估工具也无法做到真正的解决我国审前羁押的问题。

（二）算法风险评估的可能规制路径

1.明确算法风险评估的程序公开。公开算法是刑事程序公开原则的基本要求，关键在于加强对算法风险评估的数据来源的监督审查。笔者认为，以立法方式，对算法的应用采取必要的法律监管，是一种较为便捷的防范算法黑箱可能或潜在风险的措施。虽然数据无罪，但是带有偏见的数据会导致非正义的发生，当人工智能技术高度发达，即高级智能技术、超级智能技术发展到可以生成新规则的阶段，应当制定并实行有效的制度，对规则生成、经验积累、技能传承等方面的数据予以严格控制，确保数据源于司法官的判断，而非纯粹来自智能系统；确保算法涉及的数据来源、数据类型、数学建模等公开可供检查。简言之，凡是与裁量性判断有关的数据，必须保持刑事执法者的主体裁量地位，算法风险评估模型处于辅助地位且必须满足相对性、可靠性、适度性和可控性的要求。

2.在算法风险评估中贯彻证据裁判原则，加强程序审查。虽然我国目前风险评估的软件还处于尝试阶段，但是程序审查规范化对于保障算法风险评估使用的正当性和科学性至关重要。贯彻证据裁判原则，在算法风险评估的建构中，将社会危险性条件进行细化，坚持以证据为核心，且不能仅仅依靠侦查机关收集的证据，以防止风险评估的偏向性。建议参照西方国家采取中立第三方评估的方式提高评估的专业性，并设置专业的缓刑官对评估结果进行专业判断，将技术与专业人员的自由裁量相结合。此外，加强算法风险评估程序审查，规范算法风险评估的研发流程和应用流程。为了使得算法模型更加科学，需要相关利益方，包括公安机关、检察机关、法院以及技术部门等的通力合作。一方面可以在事前加强对研发过程中研发人员的伦理审查，确保确保该类人员具有从事相关行业的职业伦理底线；另一方面，事后对相关智能产品进行核查，以确保流通中的智能产品不存在任何伦理问题。比如，美国未成年人审前羁押风险评估工具的研发，从样本选择、关键字输入到建立模型，不断的实验和修正，再到试点监测评估，到最后的实地使用，有着流程化的风险评估的流程。

3.加强算法风险评估的程序救济。在审前羁押程序，犯罪嫌疑人、被告人面对的是强大的国家机关，算法风险评估数据和算法本质上也是国家权力的另一种形式的延伸。为了保障犯罪嫌疑人、被告人的权利，我们必须明确其程序救济的权利。虽然我国刑事诉讼法规定了羁押必要性审查制度，有学者认为不应以羁押必要性审查替代逮捕救济的立法缺失[20]，因为羁押必要性审查也需要以社会危险性评估结果为依据，那对算法评估结果的救济就不能仅仅依靠检察监管的侦查监督，还需要给与诉讼当事人权利救济的直接途径。笔者认为如果算法风险评估引入审前羁押领域，对于算法的审查也应该纳入羁押必要性审查的范围，并给予犯罪嫌疑人在羁押必要性审查程序中提出异议的权利。此外，可以参照民事执行领域对第三方评估报告异议时的做法，设立一个专门的审查委员会，犯罪嫌疑人或者被告人对算法或者算法风险评估的结果有异议的时候，可以向检察院提出申请，检察院由专门的审查委员会对算法或者算法风险评估的结果进行审查，从而起到救济的作用。

四、结语

人工智能在刑事领域的应用可能给人类的司法带来根本性变革，算法风险评估可以提高审前羁押审查的规范性和精确性，但是必须明确其辅助地位，人工智能在涉及权威性法律判断的场合只能起辅助作用，不能取代人类作出自动化决策，在审前羁押中要达到犯罪控制和保障人权的平衡，不能仅仅依靠算法，关键还是司法者的自由裁量，如何界定算法和自由裁量的界限应该是我们今后制定程序规则需要关注的重点。人工智能可以打开我们的视野，提高司法效率，但是司法的终极价值，比如公平和正义，还是要由司法者来做最终决策。

[注释]：

①我国《刑事诉讼法》规定的审前羁押制度其实包括拘留和逮捕，与国际通行的arrest和detention相区别不同，我国刑诉中逮捕既是抓捕也意味着羁押状态。为保证论述的集中性，本文对我国审前羁押程序的论述主要围绕逮捕制度展开。

②对有证据证明有犯罪事实，可能判处徒刑以上刑罚的犯罪嫌疑人、被告人，采取取保候审尚不足以防止发生下列社会危险性的，应当予以逮捕：（一）可能实施新的犯罪的；（二）有危害国家安全、公共安全或者社会秩序的现实危险的；（三）可能毁灭、伪造证据，干扰证人作证或者串供的；（四）可能对被害人、举报人、控告人实施打击报复的；（五）企图自杀或者逃跑的。