美国刑事司法人工智能应用介评

□卫晨曙

(中国政法大学，北京 100088)

一、问题引入

大数据、人工智能在司法领域的应用与规制已经成为学界研究的热点。在我国，大数据、人工智能在司法领域中主要表现为各种“智能办案系统”。在美国，刑事司法系统中的大数据、人工智能应用主要表现为刑事司法中的“风险评估工具/软件”(Risk Assessment Tool/Software)。在关于人工智能司法的讨论中，美国的卢米斯诉威斯康星州案(Loomis v，Wisconsin)几乎成为论及刑事司法人工智能所必谈的案件，这一案件中涉及的COMPAS(The Correctional Offender Management Profile for Alternative Sanctions)系统，已经成为介绍美国刑事司法人工智能应用的典例。但是，当前学界关于美国刑事司法系统中人工智能应用的引介仅局限在COMPAS系统以及相关智能系统上，[1]而对于大数据、人工智能技术如何进入美国刑事司法体系，美国刑事司法系统风险评估工具的历史演进等问题缺乏关注，这些问题不仅是了解美国刑事司法人工智能应用的途径，同时也能为我国司法大数据、人工智能技术的应用提供有益镜鉴。

二、理念与方法：人工智能进入美国刑事司法的前期准备

大数据、人工智能技术进入美国刑事司法体系并非一蹴而就。目前，言美国刑事司法人工智能所必称的COMPAS系统，是美国刑事司法系统内风险评估工具的一种，在大数据、人工智能卷起热潮之前便已存在。从历史上看，风险评估工具进入美国刑事司法体系得益于美国刑事司法理念的转变和循证学科提供的方法论帮助，这两种合力内外呼应，使其得以顺利进入刑事司法体系。

(一)修复性司法理念的回归

修复性(rehabilitation)司法理念，是指法院应当对被告人进行个性化量刑，以实现对被告人的教化为最终目标，以促进被告人再次回归社会。这一理念自十九世纪晚期起，在美国刑事司法中占据主流地位长达七十年之久。在这种理念的影响下，法官为了实现对刑事被告人的个性化量刑，需要综合考虑被告人的年龄、性别、种族、教育程度、家庭背景等一系列信息，这在当时造成了联邦和各州法院的法官在法定刑期内，几乎享有不受控制(unfettered)的自由裁量权的局面。[2]这种理念很可能导致量刑的差别化待遇，尤其是在美国这一对种族歧视问题极为敏感的国家，因为肤色不同而获得不同量刑结果的判决，引发了学界与民众的质疑与不满。为了实现刑事司法的规范化与统一性，二十世纪七十年代到八十年代，美国刑事司法理念转向了惩戒性(retribution)司法。惩戒性司法理念是指在刑事量刑时应关注被告人的犯罪行为，即“司法裁判的是行为，而非行为者”。惩戒性司法理念一定程度上收紧了法官的自由裁量权，同时，为了贯彻惩戒性司法理念，二十世纪七十年代美国联邦政府及各州政府采取了严厉打击犯罪的刑事政策(tough-on-crime policies)，随之而来的是罪犯羁押率的大幅提升，(1)有数据统计，在1970年，美国联邦和各州监狱的在监人数不超过两百万，但从1970年到2010年间，这一数字翻了四倍，到2010年美国每99个人当中便有1人曾受过羁押或监禁。See Erik Luna & Marianne Wade，Prosecutors as Judges，67 WASH，& LEE L，REV，1413，1493(2010).过高的罪犯羁押率为美国带来了高昂的司法财政压力以及巨大的社会成本。

惩戒性司法是对修复性司法的一次纠正，但是出现了矫枉过正的后果，引发了美国在监人数不断飙升的局面，为了应对这一局面，美国刑事司法机关又将目光转向修复性司法所提供的司法理念上，即借以刑事被追诉人的自身要素而非实然行为预估其再犯风险与社会危险性，从而实现精准量刑，以减少不必要的收监人数从而降低监狱羁押率。[3]修复性司法理念又逐渐回归至美国刑事司法体系中。但是，对行为人将来行为预测的准确性问题掣肘了两种司法理念的调和与平衡，美国刑事司法系统亟需一个更为高效、准确的评测方法。在此背景下，循证学的出现满足了美国刑事司法机关的需要。

(二)循证科学的方法论指导

循证学(evidence-based science)是二十世纪八十年代最早在临床医学领域出现的诊断方法，具体是指“慎重、准确、明智地应用当前所能获得的最佳研究证据来确定患者的治疗措施。其目的在于将最好的研究证据与临床医生的技能、经验和病人的期待、价值观三者完美结合，并在特定条件下辅助实践。”循证学从医学领域不断向管理学、社会学、教育学、法学等其他领域延伸，最终形成了具有一般意义的循证方法(evidence-based approach)。循证学的核心思想是决策应当尽可能以客观证据为依据，在证据研判的基础上精准施策。循证学进入刑事司法领域后的典型应用是循证量刑(evidence-based sentence)。具体而言，循证量刑就是采取定量的方法进行量刑决策，对影响社会危险性和再犯可能性的因素进行分类，主要分成行为人自身特征要素(particular offender characteristics)和诱发犯罪要素(criminogenic needs-factors)，前者例如性别、年龄、种族、受教育程度、家庭背景、婚姻状况以及薪资收入等，后者例如行为人是否酗酒，是否是瘾君子等等，将这些因素全部量化后采用精算方法(actuarial approach)评估被告人的再犯风险，一般将风险等级划分为低中高三等，在法官进行量刑时提供参考。[4]循证量刑调和了修复性与惩戒性司法两种司法理念之间的矛盾，美国有学者称：“循证量刑使得法官在量刑时，不仅关注被告人的犯罪行为，同时也关注修复性司法理念指导下的、与被告人再犯风险息息相关的自身因素，保障量刑更为精准。”[5]

美国刑事司法理念的变化与循证科学的交合，推动了刑事司法场域中风险评估工具的产生与应用，同时也为目前的大数据技术、智能算法进入美国刑事司法系统奏响了先声。随着智能时代的来临，大数据技术为循证量刑提供了更为丰富的数据样本，同时深度学习等智能算法的研发应用为循证量刑提供了更为高效的分析工具。目前美国刑事司法体系中的COMPAS系统，是在以往风险评估工具应用的基础上所进行的第四次升级更新，在大数据时代的刑事司法中继续发挥着重要作用。

三、迭代与更新：美国刑事司法中人工智能的应用系谱

在美国刑事司法体系中，风险评估工具集中应用于审前阶段(pretrial)和量刑阶段(sentence)，目前已经完成了四次迭代更新，形成了较为完整的风险评估工具应用系谱。[6]

(一)第一代风险评估工具

二十世纪前半叶，是美国刑事司法风险评估工具应用的奠基期。准确而言，上世纪二十年代至七十年代，美国刑事司法系统中尚未有风险评估工具的应用，当时只是在修复性司法理念的指导下，刑事裁判者(法官、假释官)和相关专业人员(心理学家、精神病学家以及相关社会工作者)通过专业知识、裁判经验、临床诊断以及非结构性访谈等经验方法对行为人的再犯可能性作出评估。但是，由于裁判者通过经验分析来预估被告人的再犯可能性，准确性难有保障，未得到推广使用。第一代风险评估工具是修复性司法时期刑事司法系统的一次尝试，虽然其评估要素选择的科学性、评估结果的准确性等尚未成熟，但是其在美国刑事司法系统中所形成的风险评估理念及相关方法，为现代风险评估工具的应用奠定了基础。

(二)第二代风险评估工具

第二代风险评估工具出现在二十世纪七十年代。这一时期，美国刑事司法系统更多地依靠精算方法和循证方法，逐渐抛弃了经验性的评估。首要是将行为人的风险因子量化，使其能够成为计算的数值，然后累积计算不同风险因子的数值总和，数值越大则行为人的再犯风险越高。第二代风险评估工具的典型代表有：暴力犯罪评估指南(Violence Risk Appraisal Guide，简称VRAG)，VRAG是在暴力犯罪方面最受欢迎的风险评估系统，其包含12项风险评估因子，包括年龄、婚姻状况、犯罪前科以及精神疾病等相关因子；Static-99，这是在性侵类犯罪方面应用较为广泛的风险评估系统，其包含10项风险因子，其中5项和被告人的犯罪前科有关，其余因子包括受害人性别、行为人年龄以及双方是否同居等；联邦审前风险评估系统(Pre-trial Risk Assessment tool，简称PTRA)，PTRA是近年来研发出的在缓刑方面适用的风险评估系统，其包含了11项风险因子，例如所犯罪刑的严重性、教育程度、年龄、工作状况等等。

相对于第一代而言，第二代风险评估工具采取了一种量化统计的方法，根据业已量化的风险因子辨别行为人再犯风险的高低，但风险因子主要为静态风险因子(static risk factors)，缺少动态风险因子(dynamic risk factors)。静态风险因子是指影响刑事再犯率的因素中不会轻易发生改变的因子或者是既定事实的因子，一般具有历史性、不可更改性以及不受干预性等特点，例如犯罪前科、初次被捕年龄、性别等。动态风险因子一般指的是会随着时间改变影响再犯率的因子，例如行为人的当前年龄、工作状况、是否正在接受药物治疗等，这些动态风险因子通过定向干预处理能够降低其对再犯风险率的影响。因而，在静态风险因子占据大量比重的情况下，可能会导致行为人的再犯风险率固化，以此为基础进行的风险评估缺乏灵活性。

(三)第三代风险评估工具

第三代风险评估工具出现于二十世纪七十年代晚期至八十年代初期。第三代风险评估工具引入了动态风险因子，通过动态风险因子与静态风险因子的协同运作预测再犯可能性。第三代风险评估工具的典型代表有，第一，The Historical，Clinical，and Risk Management violence risk assessment(简称HCR-20)。HCR-20是在暴力犯罪再犯风险预测方面应用性广以及预测准确性高的风险评估系统，顾名思义，其包含了20种风险评估因子，主要分为三大类：罪犯犯罪历史性因子(the historical factors)，这一类风险因子类似于静态风险因子，包括首次进行暴力犯罪的年龄、人际关系、就业状况、滥用药物状况以及精神疾病等十项因子；临床因子(the clinical factors)，包括自知力缺失(lack of insight)、易冲动、态度消极、有精神疾病症状以及治疗无感等五项因子；风险管理因子(risk management factors)，包括罪犯改造计划不具备可行性、罪犯缺乏人文支持、压力等五项因子。[7]第二，水平评估量表(The Level of Service Inventory-Revised，简称LSI-R)。LSI-R的特点是通过对可能引发犯罪的风险因子进行分析来预估再犯可能性。具体包括了54项风险评估因子，大致可以归为十类：犯罪前科、教育/工作状况、经济状况、婚姻家庭状况、居所状况、娱乐消遣、伴侣状况、酒精药物、情感状况以及个人定位等。这些风险因子一般通过半结构化访谈获取，在此基础上进行数值累计，数值越高则行为人的再犯风险越大。第三代风险评估工具完善了风险预测因子的数据结构，能够根据罪犯的具体情况适时调整运行参数，提高了预测犯罪个体再犯可能性的正确率。

(四)第四代风险评估工具

第四代风险评估工具的特点，一方面是风险数据因子更为丰富，另一方面是数据运算采用了更为先进的算法。第四代风险评估工具的典型代表为The Correctional Offender Management Profile for Alternative Sanctions，即目前在美国刑事司法场域中耳熟能详的COMPAS系统。COMPAS是第四代风险评估中最为著名的风险评估软件，又被称为基于网络(web-based)的风险评估工具，旨在评估诱发犯罪行为的因素和罪犯再犯可能性。COMPAS主要包括两个风险预测模型，一是一般再犯风险预测(general recidivism risk)，另一个是暴力犯罪再犯风险预测(violence recidivism risk)，此外还有风险筛选模型以及审前释放风险预估模型等。[8]COMPAS的风险因子主要集中在五个领域，即犯罪相关因素，人际关系，个人人格，家庭关系以及是否有反社会倾向，所以COMPAS在提供风险评估估值的同时，也会提供暴力犯罪风险估值、再犯风险估值、不到庭估值以及社区矫正失败风险估值。此外，COMPAS的独特之处在于它能够提供诱使罪犯实施犯罪行为的画像(profile)，这些画像包括了关于罪犯的犯罪前科，主观恶性以及罪犯所处的社会环境等信息。[9]

四、纠纷与规制：美国卢米斯诉威斯康星州案的现实样本

卢米斯案是一起具有里程碑意义的司法裁判(landmark decision)，它是美国司法机关首次直面刑事司法系统中算法应用所引发的程序纠纷的案件。[10]它为我们观察刑事司法中人工智能技术应用所存在的问题，以及借鉴国外司法机关如何规制大数据、人工智能技术提供了较为鲜活的样本。

(一)卢米斯诉威斯康星州案

2016年，被告人埃里克·卢米斯(Eric Loomis)在一起飞车枪击案中因驾驶作案汽车而被捕，在案件审理过程中，卢米斯为了使控方减少对其所驾驶汽车系盗窃所得以及拒捕行为的指控，而进行了认罪答辩。在他认罪之后，法庭在量刑时参考了关于卢米斯的量刑社会报告(PSI)，这份报告中包含了通过COMPAS系统所计算得出的关于卢米斯的再犯风险估值。根据COMPAS系统的风险评估，卢米斯被系统认定为高风险人员，最终被判处6年监禁。

卢米斯对这一判决不服，向威斯康星州法院提起上诉，他认为：首先，COMPAS系统损害了法院根据准确信息对他进行量刑的权利(sentence based on accurate information)。由于COMPAS系统属于the Northpointe公司，评估系统的私有财产属性无法使他获得COMPAS系统的程序代码，进而使他无法评估系统的运算数据是否准确；其次，COMPAS系统损害了他个性化量刑的权利(individualized sentence)。因为COMPAS系统的数据是群体性的，用群体性数据对个人化风险进行评估是不准确的；最后，COMPAS系统在计算风险估值时将“性别评估”作为风险预测因子是不合适的，其存在性别歧视。

针对卢米斯提出的诉求，威州法院认为：首先，针对COMPAS的准确性问题。法庭承认COMPAS的私有财产属性妨碍了卢米斯进一步了解系统的风险估值的运算过程，但是，风险评估系统所应用的信息是来自卢米斯自己完成的问卷以及相关的公共记录，因此法庭认为卢米斯有机会去保障其所提供的信息的准确性。其次，针对卢米斯提出的个性化量刑的问题。法院认为，卢米斯案中COMPAS系统的结论并不是影响量刑决策的唯一决定性因素，它只是使法官量刑时参考的信息更为完整。最后，针对卢米斯提出的性别作为风险评估因子的问题。州法院认为，风险评估中把性别作为考量因素，是因为性别影响着评估结果的准确性，法院驳回了卢米斯的诉请，认为“如果性别因素促进了评估的准确性，那么其对于被告人是有益的，而非歧视性的。”[11]最终，威斯康星州法院驳回了卢米斯的上诉请求。

(二)美国法院对COMPAS系统的规制举措

首先，法院指明了风险评估工具风险估值的应用情形。[12]法院认为COMPAS的风险估值虽然不是影响法官决策的决定性因素，但是风险估值可以在一些案件中当作参考因素予以考虑。一是对本应收监的低风险罪犯采取非监禁性的刑事执行方式时，应当参考风险评估工具的风险估值；二是评估罪犯的社会危险性，以及相对于监禁刑而言，对罪犯采取社区监管(community supervision)的执行方式是否更为安全有效等问题时，应当参考风险评估工具的风险估值；三是法官在作出缓刑(probation)与社区监管的决定时，风险评估工具应告知法官相关刑罚执行方式的条件与期限。

其次，法院明确了风险评估工具在量刑时的应用界线。[13]一是风险评估工具不能用来决定对被告人进行刑事量刑的刑种；二是风险评估工具的风险估值不能被当作加重或减轻刑事量刑的正式因素。同时，为了保障上述措施的实施，法院强制规定法官在量刑时，必须解释除COMPAS风险估值以外其他可能影响量刑结果的要素。

最后，法院规定了应当对法官就COMPAS系统的局限性进行书面告知(written advisement)。[14]COMPAS系统的风险估值载于量刑前调查报告当中，该报告应当附有关于COMPAS局限性的书面告知，主要告知法官：1.COMPAS是私有性质的风险评估工具，特定信息无法公开，系统内风险因子的权重与风险估值的计算过程具有封闭性；2.COMPAS的风险估值基于群体数据(group data)，因此，其能判断出高风险人群而并非特定的高风险个人；3.数项研究已经表明，COMPAS的算法可能会因其区分少数族裔的算法设定而产生偏见；4.COMPAS系统对刑事被追诉人再犯风险与社会危险的预测的参照系是全国范围内的人口样本，其并未与威斯康星州内的人口样本进行交叉验证(cross-validation)，并且类似的风险评估工具必须受到持续性监管，以及为确保预测准确性应尽可能地与人口变化保持同步更新；5.COMPAS不仅仅是在量刑领域中适用，其研发的目的本身是为了辅助国家矫正部门进行罪犯治疗(treatment)、社区监管以及假释等决定。

五、比较与启示：我国刑事司法人工智能应用的域外参照

(一)中美刑事司法人工智能应用之比较

首先，针对人工智能介入刑事司法的动力而言。在我国，大数据、人工智能技术在刑事司法领域的应用镶嵌在我国法院信息化的过程中。(2)在我国法院信息化建设的过程中，在理论界与实务部门，已经有通过计算机技术进行司法裁判的尝试。例如，1993年武汉大学赵廷光教授研发的可以在PC机上运行的“辅助量刑系统”，该系统共分为“咨询检索系统”“辅助定性系统”和“量刑辅助系统”三个子系统，后两个系统可以进行人机对话，即能够即时处理用户输入的具体案情信息并同步显示可资参考的意见和结论。参见赵廷光：《论电脑辅助量刑的基本原理》《湖北警官学院学报》，2007年第2期。2006年，山东省淄博市淄川区人民法院启动“刑事量刑数字化管理制度”，法官在量刑时输入被告人基本犯罪情节，电脑就会根据相关法律条文进行适当量刑。“淄博市刑事量刑尝试数字化电脑协助法官量刑”http://news.sina.com.cn/c/2004-05-22/08342596209s.shtml。最后访问日期：2020年3月13日。当前，人工智能进入我国刑事司法的过程中存在着政治要求和司法现实需求两股动力。一方面，司法权的性质由政权的性质决定，我国法院一定程度上担负着国家政策实施的职能。大数据、人工智能成为全球范围内各国进行竞争的重要战略资源，面对此趋势，国家出台了一系列文件，要求国家各部门把握智能技术革命所带来的机遇。在这一自上而下的政策性要求下，我国司法机关拥抱大数据、人工智能技术成为必然。另一方面，我国司法机关内部“数目字管理”的司法管理制度，近年来员额制改革下“案多人少”的办案压力以及刑事一审收案数量逐年攀升等一系列司法现实状况，呼唤着大数据、人工智能进入司法领域，期望发挥其技术效能，破解司法改革的难题。相对而言，在美国，人工智能进入刑事司法的动力则相对单一，目的也相对单纯。经过上文的介绍可知，风险评估工具等智能预测系统进入美国刑事司法体系的动力主要源自于司法精准决策的需求，为审前风险评估、再犯风险评估等影响司法决策的重要变量提供准确、稳定的风险评估预测机制。

其次，针对刑事司法场域中人工智能技术的应用特征而言。其一，从各自刑事司法场域中人工智能所具备的功能而言，我国刑事司法中“智能办案系统”，往往是兼具不同功能的综合体，一般表现为一个智能系统同时承担着两种以上的功能，例如上海“刑事案件智能辅助办案系统”以证据指引功能为核心，兼具量刑辅助、类案推送、社会危险性评估以及案卷移送等功能。[15]而美国刑事司法中的风险评估系统功能较为单一，主要是计算、评估刑事被追诉人的社会危险与再犯风险。其二，从各自刑事司法场域中人工智能应用的侧重点而言，我国的“智能办案系统”通常是以“案”为中心，一般是根据案件类型为中心来构建办案智能系统，例如上海“刑事案件智能辅助办案系统”即根据命案、盗窃案件以及电信网络诈骗案等案件类型，分别构建适用于不同个案的智能判断模型。[16]而美国刑事司法体系中的人工智能技术则以“人”为中心，风险评估工具中计算刑事被追诉人社会危险性以及再犯风险的变量，皆是围绕刑事被追诉人的个人情况所抽象出的风险因子，例如犯罪前科、教育程度、婚姻状况等等，风险评估系统应用的最终落脚点是对具体个案中的刑事被追诉人进行风险估测。

最后，针对刑事司法体系中人工智能的应用范围而言。我国刑事司法人工智能技术分布领域较广，适用程度较深。一方面，人工智能技术几乎涵盖了刑事诉讼的全过程，侦查阶段主要有侦查机关凭借大数据技术进行的“大数据侦查”，审查起诉阶段全国各地检察机关积极开展“智慧检务”等检察业务智慧化建设以及审判阶段中的“智慧法院”建设等；另一方面，人工智能技术不仅局限于改善司法权运行的外部环境，如智能语音、电子卷宗、案件管理等，同时也逐渐深入到了司法权运行的内部过程，如证据审查、类案推送、偏离预警与量刑辅助等。而美国刑事司法对人工智能的应用则相对谨慎，2014年美国联邦最高法院大法官罗伯茨在该年的年终报告中指出：“法院运用信息技术的主要目的是促进公正高效地审理案件，同时，由于联邦法院工作的特殊性，决定了法院在运用信息技术创新时应态度谨慎。”[17]美国刑事司法体系中，人工智能技术主要应用于审前羁押措施的社会危险性评估、对是否采取社区矫正、假释以及缓刑等执行方式的评估与决策等方面。

(二)启示

首先，我国司法机关以及政策制定部门，应当对大数据、人工智能技术在刑事司法场域中的应用保持谨慎态度。司法权，尤其是审判权作为一项保守的国家权力，其运行逻辑与智能科技的运行逻辑不尽相同，毋庸置疑，现代智能科技在提高司法效率，节省司法成本以及配置司法资源方面有着更突出的优势，但随着人工智能智能化的程度不断提高，智能系统自动化决策的自主性、智能系统算法的封闭性所引发的司法责任问题、决策正当性问题也日益成为刑事司法中不能回避的议题。因此，我国司法机关在面对大数据、人工智能等新一代智能科技时，应该抱有谨慎的态度，应当有选择、分阶段地引入智能技术，保障司法的固有属性不因智能科技的介入而发生异化，防止其成为阻碍、抵消与消解司法体制改革及改革成果的力量。[18]

其次，充分发挥大数据、人工智能技术在风险预测方面的核心优势，为社会危险性评估以及判后再犯风险评测提供技术支持。大数据的核心即是预测，美国刑事司法机关借助大数据对刑事被追诉人的未来行为进行预测，并取得了良好的效果。在大数据、人工智能成为刑事司法领域的热点之前，我国各地司法机关也有着类似的社会危险性评估机制，例如2005年上海闵行区检察院创建了未成年人非羁押措施可行性评估制度，通过对未成年人的犯罪情况、个体情况、家庭环境等方面的量化统计分析，经过综合评估后设置高、中、低三种风险程度，对高风险犯罪嫌疑人作出批准逮捕的决定，对中风险犯罪嫌疑人酌情处理，对低风险犯罪嫌疑人作出不批捕决定，采取非羁押措施。[19]当前应当抓住大数据技术带来的技术红利，将刑事司法领域大数据、人工智能应用的重心置于社会危险性评估与再犯危险性评估上，使大数据、人工智能技术的效能最大化，同时也为我国降低羁押率、拓展多元化的刑罚执行方式提供更为有益的技术支撑。

最后，面对智能办案系统，刑事被追诉人及其辩护律师以及法官应当具有质疑精神与反省意识。我国目前尚未出现针对刑事司法中的智能系统提出辩护意见的案例，这并不意味着我国刑事智能办案系统不存在问题，为了保障人工智能技术在刑事司法场域中更为规范、有效地运行，一方面，刑事被追诉人以及辩护律师应当具备对刑事司法智能系统决策结论的质疑与挑战精神。在刑事办案智能系统参与审判的案件中，辩护人尤其是辩护律师应当具有抗辩智能系统生成的自动化决策的意识。与传统的程序性辩护策略不同的是，面对刑事智能系统，辩护人不应再拘泥于诉讼活动中的程序性事项是否合法，而是将重心置于刑事智能系统在司法场域应用是否具有正当性的问题上。另一方面，智能办案系统的操作者(法官)，应当提高对刑事司法中的智能系统的认识与理解。在COMPAS案件中，威斯康星州法院法官雪莉·阿巴海姆森法官在协同意见中指出，卢米斯案审理法官缺乏对COMPAS系统及其工作原理的理解是这一案件中的“重要问题”。[20]法学知识与人工智能专业知识之间的专业槽可能会形成智能算法对裁判者的相对权威，进而产生算法支配裁判者进行决策的权力关系，破解这种权力关系的途径即是裁判者在自身的专业技能之外，能够对大数据、智能算法以及办案过程中应用到的智能系统的工作原理有一定的了解，提高对刑事司法智能系统决策的认知水平，逐渐破除因知识权威而形成的对智能系统的神秘感与依赖感。