摘要：自2023年中央金融工作会议将数字金融列为金融“五篇大文章”之一以来，数字金融的发展得到广泛重视。算法技术与金融行业正在进行深入且广泛的融合，但由于算法技术的“黑箱”特性，使数字金融法律规制面临挑战。在厘清算法黑箱性质与内涵属性的基础上，结合算法黑箱诸多表征进行分析，揭示出知产保护、技术障碍以及认知壁垒等算法黑箱的内在成因。为化解算法黑箱风险须遵循缓解法益冲突、科技治理以及消弭信息不对称的规制逻辑。采取算法实质审查、多元协同治理和强化解释权利等规制路径实现法益冲突的平衡，并提升和保证规制效能与力度。

关键词：数字金融；算法黑箱；规制逻辑；优化路径

一、问题的提出

2024年12月，中央经济工作会议明确指出，要以科技创新引领新质生产力发展，开展“人工智能+”行动，加强国家战略科技力量建设。同时，有效防范化解重点领域风险，牢牢守住不发生系统性风险底线也是中央经济工作会议精神的重要内容。自2023年中央金融工作会议将数字金融列为金融“五篇大文章”之一以来，数字金融的发展得到广泛重视。数字金融涵盖移动支付、智能金融服务等多个领域，大数据和人工智能等信息技术与金融行业正在进行深入的融合。其中人工智能算法技术被广泛地应用于金融产品与服务之中，极大提高了金融服务效率与水平，同时也给金融业务模式、服务方式和市场竞争格局带来了冲击与变革。

随着算法大模型的快速迭代升级与普及，算法技术已从“处理工具”转变为“决策主体”[1]。其在带来革新与优化的同时，自有风险也不断放大，其中算法黑箱风险受到广泛关注。“黑箱”意指输入到输出经历的内部程序未知或难以解释[2]，代表系统内部的不透明性。大模型深度学习的过程强化了内部的不可解释性，符合“黑箱”特征。算法黑箱遮蔽了数据处理和交易决策过程，技术性透明度缺失引发监管挑战，并在其“掩护”下派生出算法趋同、算法偏见及算法霸权等衍生风险。在金融等严肃且敏感的领域，算法黑箱风险规范价值十分重要。因此，揭示其成因并探索有效应对措施，是防范当前数字金融风险的重要前提。

二、数字金融算法黑箱风险的成因

算法黑箱风险是因多方面因素共同导致的，不能仅仅认为是技术发展使然，同时也不能寄希望于仅凭技术发展可以解决这一问题[3]。事实上，即便对算法进行理想化的披露，海量的专业条款和术语，也将在监管者和消费者面前形成“认知黑箱”。

（一）知产保护

《中华人民共和国著作权法》第三条明确将计算机软件纳入了“智力成果”的概念范围之内。当算法以计算机代码为表达形式时，可以通过“软件著作权登记”的方式来保护整套或某一部分的软件代码以及其中的算法逻辑。国家知识产权局于2023年公布了《专利审查指南（2023）》，其中第二部分第九章明确规定了“关于涉及计算机程序的发明专利申请审查的若干规定”[4]。这也意味着符合审查规定的计算机软件可以申请发明专利进而获得法律保护。

司法实践中，智某公司起诉光某公司案深圳中级人民法院指出，算法模型的选择以及权重排序源于权利人处理后技术成果，且构成最优选择并不为公众所知悉的，应作为商业秘密予以保护。同样，域外的司法判例中，如State v. Loomis案[5]、Viacom v. YouTube案[6]等，法院均支持了被告以算法属商业秘密而拒绝强制披露的抗辩理由。尤其是在Viacom v. YouTube案中，即便审查计算机源代码是认定搜索算法是否满足公正性要求的前提，法院同样也拒绝了原告强制披露的请求。

（二）技术障碍

目前数字金融领域主要是以“人工智能+”的方式进行，量化交易、智能投顾、大数据征信等创新应用均已逐步投入实践。而这类“人工智能”主要是以算法大模型为基础，实现广泛的数据处理、分析功能，进而为金融交易决策、智能金融服务提供科技赋能。而算法大模型的高复杂度特性，无法完整清晰地解释其内部决策过程，从而导致算法黑箱的生成。

算法大模型需要处理海量数据，数据之间的关系错综复杂，模型从海量数据中自动学习和提取特征，其得出结论的过程难以用简单的语言解释清楚。并且，大型语言模型的核心是概率预测，而不是基于严格的逻辑规则来生成输出。值得一提的是，在技术研发层面，解决算法黑箱问题并不是必需的。绝大部分的科技企业是以功能导向开展研发工作，其所追求的是实现预期功能。功能实现并不需要完全理解或探明其内部的决策过程，即便是为了优化调试，实现算法大模型的可解释性的成本往往大于其他技术手段。

（三）认知壁垒

数字金融领域，算法虽为消费者带来便捷服务，却进一步扩大了双方在信息获取与专业能力上的差距，金融消费者与金融机构之间信息和知识的不对称致使认知壁垒的存在。算法内部机制对普通金融消费者近乎完全不可见，消费者仅能接触到交互界面层的信息，难以深入了解算法实际运作方式及其潜在影响，无法对算法决策做出合理评估与质疑。此外，算法本身的专业性与复杂性极高，功能的实现受到数据样本、特征选择、参数设置等多因素影响，普通消费者即便面对完全公开的算法，也因缺乏相关专业背景而难以理解。从技术层面来看，社会公众的算法知识素养普遍欠缺。算法代码量庞大且不断随时间更新升级，不仅普通公众难以知悉其运算规则与决策机制，就连专业人士也难以完全明晰所有代码的学习模式与决策模式，这极大地削弱了算法的透明性与可解释性。在现有技术水平与社会结构下，编写和阅读代码属于专业技能，即便将代码公开，普通使用者或公众也无法正确理解。

三、数字金融算法黑箱风险的规制逻辑

数字金融算法黑箱风险规制需遵循平衡技术创新与权益保障的逻辑。当前监管面临算法备案制度与知识产权保护的冲突、技术壁垒导致的监管滞后性及信息不对称引发的系统性风险三重挑战。需通过协调商业秘密保护与算法透明度、强化科技治理应对技术迭代、完善算法解释权制度等路径，构建兼顾效率与安全的规制框架，从而实现金融创新与投资者权益的动态平衡。

（一）缓解法益保护冲突

目前我国对于数字金融算法黑箱风险的监管主要通过算法备案、算法披露以及申报核查管理等手段。科技企业、金融机构履行算法备案、算法解释等义务与知识产权保护规定的法益冲突是近些年困扰司法实践的重要问题。不同法院在处理这一冲突时也存在一定争议[7]。根据国家互联网信息办公室等国家部门在2022年3月施行的《互联网信息服务算法推荐管理规定》建立的互联网信息服务算法备案系统中可以一窥算法备案制度的报备要求（见图1）。

境内深度合成服务算法备案清单（2024年12月）

图1：2024年12月境内深度合成服务算法备案清单（金融类节选）

从公开的表格内容来看，算法备案的信息较少，投资者可能需要更多的细节，例如数据处理方式、隐私保护措施以及可能的法律和伦理问题，以便更准确地评估相关风险。但如若报备内容过多，又将受到合规成本与商业秘密的限制，这便陷入了法益保护冲突的两难境地。为有效应对算法黑箱风险，需在商业秘密与算法透明之间寻找平衡，避免厚此薄彼。

（二）科技治理应对技术壁垒

美国OpenAI公司于2022年推出ChatGPT，其是一种基于深度学习的自然语言处理模型。ChatGPT的面世让人们意识到人工智能在生产生活中的巨大应用潜力，国内科技公司也快速跟进，当前国内语言大模型的性能、功能以及优化程度并不输ChatGPT，且有超越之势。后ChatGPT时代的大模型拥有处理能力、多模态交互以及应用场景等多维度的提升。金融行业一向以注重效益与效率著称，以极快的速度拥抱了人工智能领域的科技突破。

科技治理是应对技术快速更迭的有效手段。我国证监会发布的《中国证券会监管科技总体建设方案》以及《稽查执法科技化建设工作规划》已经清晰地展现出科技治理路径的重要性。从域外的实践来看，英国监管机构发布的《支持监管科技的发展与应用》以及美国的《机器人监管指南》中都提到聘请熟悉算法技术的第三方专业机构参与监督，以应对技术壁垒造成的监管不能。但如何在传统监管框架与科技治理之间进行协调，如何发挥科技治理应有的规制效能将是下一步立法与规制实践的重点。

（三）消弭信息的不对称

数字平台的自动决策系统依托复杂的深度学习与机器学习模型，导致用户仅能接收结果却无法知悉规则依据。相较于传统金融阶段供需双方的信息差，算法黑箱进一步巩固了平台方的技术垄断优势，通过动态优化的算法系统持续扩张信息鸿沟，形成创新者与消费者间不可逆的认知断层。消弭参与主体之间的信息不对称是实现对算法黑箱风险的重要规制路径。

算法解释是消弭信息不对称最为直接的方法。算法解释即为对算法运行过程、数据处理流程以及算法决策的作出进行解释，以提高算法的透明度，避免算法歧视、算法趋同等衍生风险的出现。基于这一概念，法律层面的保障措施便是赋予相关主体向算法所有者提出算法解释请求的权利，也即算法解释权。但由于目前算法大模型的性能不断提升，算法复杂程度与日俱增，算法解释的难度也不断提升。须明确算法解释权的适用边界，以应对日益复杂的算法技术带来的规制风险。

四、数字金融算法黑箱风险的规制路径

算法黑箱的存在给数字金融法律规制带来了挑战，其根源在于新兴事物带来的新的法益保护目标与传统监管框架的适应性问题。数字金融算法黑箱风险的规制路径应基于算法黑箱风险之成因的剖析，遵循规制逻辑，以平衡法益冲突、提高规制能力以及保证规制力度为目的进行。

（一）算法实质审查以平衡法益冲突

算法实质审查是指监管部门对金融科技公司算法产品的内在逻辑、技术架构及运行机制进行的深度核查，旨在揭示算法黑箱的潜在风险并确保其合规性。与形式审查不同，实质审查聚焦于算法的“底层逻辑”。其核心目标是通过技术性审查，明确责任主体，评估算法对金融市场的影响，这一过程强调“事实发现”，在保障算法透明度的同时，兼顾商业秘密保护的需求。通过审查算法的底层逻辑、数据输入、参数设置和代码结构，揭示其运行机制，确保算法的可追溯性，形成有效的技术穿透监管。同时明确算法设计、开发、部署和应用各环节的责任主体，确保在算法出现问题时能够迅速定位并追究责任，实现责任固化。算法实质审查即通过技术穿透、责任固化的分层审查机制，以有限透明实现有效监管，既防范算法黑箱的隐性风险，又保护企业的创新动力，在算法解释权与商业秘密保护之间寻找平衡点。

（二）多元协同治理以提升规制能力

数字金融算法黑箱风险的复杂性、跨领域性以及快速迭代的特点，使得单一治理模式难以有效应对，多元协同治理成为必然选择。多元协同治理能够充分发挥不同主体的优势，通过行业协会的自律、企业的自我约束以及第三方机构的专业评估，及时发现和应对算法黑箱风险。其中科技治理是多元协同治理的核心驱动力。自动化监管和合规代码嵌入是科技治理的两大重要手段。自动化监管是将监管系统与金融机构的后台系统直接连接，实现数据的实时采集、分析，能够有效解决算法黑箱带来的滞后性和不透明性问题。合规代码嵌入则是在算法设计过程中预置法律规则，将监管要求内化于算法运行过程中，从而减少算法偏差和风险。这种方式强调在算法开发阶段就融入合规要求，确保算法的设计和运行符合法律法规和伦理标准。通过“法规代码化”，可以提高法律法规的可执行性，同时也为金融机构提供了一个明确的合规框架，降低了合规成本和法律风险。

（三）强化解释权利以保证规制力度

强化算法解释权不仅是保障金融消费者权益的关键手段，更是提升规制效能的必要路径。应明确权利行使边界，确保规制力度与公平性的双重提升。须从解释主体、内容、标准三个维度释明算法解释权适用边界。解释主体方面应从个体到多元的权责重构。算法影响的广泛性要求将监管部门、社会组织和法人纳入启动主体。行业协会或监管机构可主动要求解释，形成“用户自下而上申诉”与“监管自上而下介入”的双向驱动。解释内容方面应注重核心逻辑与适度披露的平衡，遵循“可理解性优先”原则，既满足透明需求，又避免过度披露引发的技术泄密。在解释标准方面须进行场景化分层与动态适配，依据决策影响程度设定差异化解释标准。常规场景仅需告知考量因素，而关键场景则需详细说明因果关系，包括算法逻辑与人工干预途径，可在相关规定中明确分层标准，并通过动态审查机制适应算法迭代特性。

参考文献

[1] 王怀勇：《金融科技的算法风险及其法律规制》，载《政法论丛》，2021年第1期，第105—116页。

[2] 程雪军：《金融科技平台算法黑箱的国际规制与中国因应》，载《国际经济法学刊》，2023年第2期，第26—44页。

[3] Pasquale, F, “The Black Box Society: The Secret Algorithms That Control Money and Information”, Harvard University Press, Reprint edition, 2016.

[4] 国家知识产权局：《专利审查指南》（2023）（局令第78号），https://www.cnipa.gov.cn/art/2023/12/21/art_99_

189202.html，最后访问时间：2025年7月18日。

[5] Plainti-Respondent, v. Eric L. LOOMIS, Defendant-

Appellant, 881 N.W.2d 749 (2016).

[6] Viacom Intern., Inc. v. YouTube, Inc., 676 F. 3d 19 (2nd Cir., 2012).

[7] 刘琳：《算法解释权与商业秘密保护的冲突化解》，载《行政法学研究》，2023年第2期，第168—176页。