技術與規范之間：人工智能致害犯罪中因果關系的認定路徑

作者簡介

左倩玉，女，山東聊城人，聊城大學法學院講師，中國政法大學博士研究生，研究方向：刑法學；

羅翔，男，湖南耒陽人，中國政法大學刑事司法學院教授，博士生導師，研究方向：刑法學。

摘要

人工智能技術基于深度學習、神經網絡等復雜架構所形成的“黑箱”運行機制，導致其致害犯罪中因果流程的不可追溯性，對傳統刑法因果關系判斷規則形成適應性挑戰，既難以通過直接觀察認定算法相關行為與損害結果的關聯，又無法依托一般社會經驗推演因果鏈條。對此，以刑法因果關系理論的“相對確定性”為底層邏輯，結合人工智能技術的概率論與統計學特質，可構建“人類主體行為篩選—因果貢獻度量化—可預見性歸責校準”的三階分析工具。同時，在輔助型、人機協同型、完全自主型人工智能的技術層級差異下，動態調整因果關系認定重心：輔助型人工智能側重操作規范與算法合規審查，人機協同型人工智能強調行為篩選與量化模型的協同，完全自主型人工智能聚焦風險防控與責任分配社會化。最終通過“規范判斷+數據支撐”的融合路徑，在現行刑法框架內實現人工智能致害犯罪的合理歸責。

關鍵詞

人工智能；算法；因果關系；客觀歸責；概率

??

一、刑法因果關系認定規則在人工智能領域的適應性困境

（一）人工智能算法“黑箱”對傳統因果關系認定的根本沖擊

人工智能算法“黑箱”源于其自主運算特性與技術結構的高度復雜性，導致算法決策過程不透明、難以解釋。這一特性從根本上改變了傳統因果流程的結構，形成了“主體行為—算法自主運算—損害結果”的新型因果鏈條，使得傳統依賴直接觀察與生活經驗的因果關系判斷模式面臨失效風險。

在事實認定層面，“黑箱”引發了雙重困境：其一，難以追溯“何種行為實際導致損害結果”；其二，更難以確定“原因”本身的載體與作用路徑。換言之，我們既無法清晰還原算法相關行為如何通過算法運算引發結果，也難以確認算法是否實質介入了因果進程。傳統因果關系理論在應對算法“黑箱”時亦呈現系統性局限性：若以條件說分析人工智能場景中的算法相關行為，則難以篩選出具有刑法意義的原因。如智能駕駛事故中，數據采集偏差、模型訓練缺陷、使用者操作違規等均是條件說中的“必要條件”。若通過合法則說進行判斷，則人工智能算法的非線性映射特性無法通過現有科學法則完全解析，合法則說的“法則驗證”難以實現。若適用相當因果關系說，則人工智能技術“黑箱”導致“一般社會經驗”無法覆蓋因果流程，如算法致害中，一般人難以預見諸如關鍵詞匹配等系統運行邏輯與用戶行為之間存在何種關聯，相當性判斷失去依據。

由此可見，在人工智能領域，算法作為高度不確定性變量介入因果流程后，事實因果關系的直接觀測難度顯著提升，并且難以通過一般社會經驗推演，進而連鎖性地提升了規范層面因果關系判斷，包括結果歸屬認定的復雜性。

（二）現有因果關系解決方案的路徑分野及其局限

學界針對算法“黑箱”引發的因果追溯與歸責難題，形成“打開黑箱”與“繞行黑箱”兩類探索路徑：前者通過算法開源、技術破解追求可解釋性，后者將“黑箱”視為整體，圍繞算法相關因素判斷結果歸屬，二者可互補推進。但當前對算法解釋能力有限，“繞行黑箱”方案占據主導地位，且分化為“回避派”與“直面派”。

“回避派”側重規避因果流程證立，如主張賦予人工智能刑事責任主體地位以替代因果論證、就人工智能犯罪增設危險犯或構建以“算法安全”為法益的“算法安全犯罪”體系，或按算法因果支配性分別適用過錯責任、嚴格責任、義務型責任。“回避派”呈現出基于主體的先在地位和義務進行結果歸屬的特征，雖減輕了因果關系證明負擔，但也可能導致對因果關系判斷環節的架空，使得結果歸屬判斷產生任意性，同時也會削弱其解釋力。“直面派”致力于證立人工智能致害犯罪的因果流程，如提出“建立合法則條件集—條件公式檢驗—疫學因果關系驗證”三階段方案；或通過相關責任主體與人工智能決策侵害之間的“現實關聯+控制支配程度”評價歸責；或借鑒疫學因果關系理論，根據致損高概率確定原因。“直面派”致力于解讀主體行為、技術缺陷與損害結果之間的關聯，但多局限于傳統領域中因果關系認定規則的直接使用，未能針對人工智能技術水平進行相應調適。

整體而言，規范層面上人工智能致害因果關系認定的核心困境是囿于決定論思路，試圖先定性地決定致損原因，追求確定的因果關系鏈條。然而在人工智能領域，我們只能追求一種相對確定的答案。因此，人工智能致害因果關系的特殊性使得我們須在固守傳統框架與直接放棄因果關系判斷之間尋找一條折中路徑。這條路徑的尋找，必須首先回歸刑法因果關系理論的底層邏輯，審視其是否內含應對此類新型風險的彈性空間。

二、人工智能致害犯罪因果關系的認定邏輯：技術視域中的相對確定性

（一）刑法因果關系理論的底層邏輯：在不確定性中尋求相對確定性

1.因果關系相對確定性的哲學根源

因果關系在哲學層面無統一定義，休謨與康德的理論為其核心基調。休謨將“存在”解構為人類觀念的投射，在此基礎上原因和結果本質上是感官被動接納的印象，因果關系是人們根據觀察和經驗得出的事物間的某種關系，屬于感覺印象或者習慣性聯想。休謨后期補充“若非因果關系”定義，實際承認了因果關系包含客觀聯系成分。康德則通過先驗演繹證明因果關系具有客觀普遍性，以“先驗自由”和“自然因果性”調和理性與經驗：先驗自由是宇宙論意義上自行開始一個狀態的能力，其賦予人自我決定和自我認知的能力，是經驗知識的基礎；自然因果性是人類理性創造出的帶有經驗性質的自發性理念。根據康德的觀點，現象界的因果關系始于經驗觀察，但依賴先驗的因果范疇和人的先天理性而具有必然性，卻因無法觸及“先驗自由”這一終極原因，只能無限趨近呈現相對確定性本質。

從哲學視角看，因果關系兼具先驗性與經驗性雙重屬性：先驗性為人類認知因果提供工具，反映在經驗領域中，因果關系是人對于世界規律的認識和理解。但受制于人類認知有限性，人對于因果流程的認識和預測總是不完整的，經驗意義上的因果關系也因此始終具有不確定性，但持續向確定性逼近。哲學層面因果關系的相對確定性特質為理解人工智能時代因果關系提供了理論參照。

2.因果關系相對確定性的刑法理論根基

刑法因果關系理論是人類應對經驗世界不確定性的規則合集，僅在因果復雜或存疑時凸顯價值。

條件說作為因果關系理論基石，將所有導致結果發生的因素視為原因，并且諸原因之間對結果發生的必要性是等值的，因此也被稱為等值理論。條件說的基礎源于因果概念“自身先法學性的哲學和自然科學的意義”，即事物之間的先在、普遍聯系，呈現為導致結果發生的所有具體條件的集合。然而這沒有解決法律人最關心的問題：在條件集合中選出具有刑法意義的原因條件，進而為歸責提供支撐，于是條件說發展出“若無前者，即無后者”的公式。這一公式看似絕對確定，實則是一種對因果流程的反事實想象——通過假設某一條件不存在，考察其對結果的影響。而且，條件說看似寬泛，實際上仍是規范視域下的事實判斷，正如氧氣雖是引發山火的必要條件、殺人犯為其母親所生養，但顯然不會有人去追究氧氣和殺人犯母親的刑事責任。因此，條件說理論即便在自然邏輯意義上絕對確定，但事實上仍然是一種相對確定。

合法則說在條件說中加入了以自然科學法則進行確證的過程：如果按照公認的自然法則，某個結果和某個行為之間存在著不可避免的聯系的話，該行為便被視為該結果的原因。也有學者認為“如果經驗法則與科學法則并不矛盾，這種經驗法則也包含在‘合法則’中”。無論從何種意義上理解“合法則”，科學法則、科學規律作為核心判斷依據，無疑增強了因果關系判斷的說服力。然而科學作為人類認識世界的方式之一，本質上仍是一種經驗上可重復驗證的范式，且具有可證偽性與適用邊界，如量子物理突破經典物理規則。因而合法則說無法覆蓋所有因果場景，僅能提供可接納的相對確定性結論。

相當因果關系說以“一般社會經驗”的“相當性”縮限條件說的因果范圍。但“相當性”的內涵存在各種表述，比如“一般可能性”“高度蓋然性”“某種程度的可能性”；“相當性”的判斷基礎存在主觀說、客觀說和折中說的長期爭議。可見相當因果關系說的標準并不十分確定，這在“日本大阪南港案”中體現得尤為明顯：即便第三人介入非常異常，法院仍然肯定了前行為人與被害人死亡之間的因果關系。這實則是從相當因果關系說的立場，對因果過程及結果發生的方式作抽象化處理，于是出現“因果流程不相當，但因果過程相當性卻可以肯定”的局面，至于可被允許的抽象化的程度，仍然是個模糊不清的問題。可見相當因果關系說并非必然性證明。

客觀歸責理論與因果關系理論密切相關，其對責任的限定是通過對條件說進一步篩選來實現的。客觀歸責理論在因果關系限定中，同樣呈現為經驗基礎上的相對確定，而非從因到果的必然性確證。其所包含的“風險提高理論”便是以行為引發結果的高危險性程度判斷因果關系是否成立，本質是蓋然性判斷。正如普珀教授將風險升高理論視為蓋然性法則，進而在非決定論領域中成為因果關系的替代理論。國內也有觀點稱風險升高理論是依據概率提升推斷因果關系成立的規則。可見客觀歸責理論仍屬規范層面的相對確定性判斷。

綜上，刑法因果關系從來不是自然科學意義上的絕對、唯一的因果律，而是一種規范意義上的、用于歸責的“相對可能性”判斷。

（二）人工智能算法邏輯與因果關系相對確定性的內在契合

刑法因果關系認定規則不追問導致結果發生的精準、唯一的原因，而是基于行為與結果的可能性關聯認定因果，無論是科學法則、社會相當性，還是風險升高判斷，均遵循“以可能性推斷確定性”的思維，這與人工智能算法的技術特征形成深層契合。

1.算法技術特質決定因果判斷轉向可能性關聯確認

算法“黑箱”作為因果鏈條追溯中的“技術屏障”，基本排除了嚴格的自然科學法則適用。一方面，深度學習的參數優化、多層神經網絡的非線性映射等自主運算機制，使得單一數據偏差或操作失誤的因果影響難以精準追溯，即便是開發者也無法完全解析從數據輸入到數據輸出的完整邏輯鏈條。另一方面，算法系統運行涉及數據收集、模型訓練、分析運算、結論輸出、執行操作等多個環節，其間的銜接不暢、數據損耗、轉碼誤差、人工智能幻覺等問題，進一步加劇因果流程的模糊性。即便算法完全公開、透明，算力、成本限制以及海量數據回溯導致的認知過載與算法信任危機等也會使得精準因果定位難以實現。更關鍵的是，算法本身并無刑事責任能力，歸責核心是人類行為主體，但算法偏差與人類主體行為的關聯性判斷涉及多主體職責劃分，必然嵌入規范評價而非純粹科學驗證。因此，涉人工智能算法的因果關系判斷必然脫離“必然性證實”，轉向以主體風險管控義務、行為與結果可能性聯系為核心的確認路徑。

2.算法概率統計方法為因果確認提供技術支撐

人工智能算法有賴于數學理論在計算機學科中的應用，其中居于核心地位的便是概率論與統計學，這與因果關系確認規則形成天然銜接。以貝葉斯網絡為例，其作為使人工智能實現由果到因自動化推理的基本工具，以概率論和圖模型為數學基礎，以條件概率和似然比計算處理信息傳遞和更新，實現對隨機變量的理解和預測，作出從結果到原因的逆向推導。如同由證據推導假設的“逆推理”邏輯。貝葉斯網絡等工具以概率計算替代經驗直覺，以假設驗證猜想，在海量數據中探尋變量之間的關系并致力于得出一般規律。例如在智能駕駛事故中，通過分析算法測試用例的覆蓋率等指標，評估開發者與系統故障的概率關聯。這為因果關系認定提供技術支撐，即借助概率計算評估算法相關行為與結果輸出之間的貢獻程度，以概率大小衡量行為與結果之間的可能性關系，推導因果關系的有無。需要注意的是，數據統計表達的是變量之間的相關性，不足以說明完整的因果流程，因此必須疊加刑法規范評價：概率計算提供技術工具，規范判斷確認最終結論。

3.技術演進與因果關系認定規則的適應性發展

人工智能的持續演進與廣泛應用已成時代趨勢，它將深度重塑人類社會生活與生產方式，其發展也對刑法因果關系理論持續構成挑戰，而因果關系推定規則會隨技術革新與社會變遷長期存續。

在當前弱人工智能階段，算法依賴被動觀察預測，本質是挖掘輸入與輸出信號的強相關性，未突破訓練模型與數據庫限制。像小米、華為等頭部車企將“智能駕駛”改稱“輔助駕駛”，便是因為當前智駕系統無法識別深度學習訓練外的邊緣場景。這表明，此技術階段基于數據概率統計的因果關系認定具有可行性。

未來向強人工智能進階時，算法對數據關聯性的依賴會降低，因果關系認定規則也將隨之革新。人工智能領域權威專家珀爾教授和麥肯齊教授提出，科學的因果關系含關聯、干預、反事實三個層級，當前人工智能處于最低的關聯層級，唯有跨越后兩個層級，才能觸及強人工智能門檻。珀爾教授還提出“do演算公式”與“中介公式”，分別對應因果推理中的干預效果和反事實假設效果。這意味著強人工智能須具備理解數據關聯背后因果邏輯的能力，能主動、謹慎地進行反思性操作，而這需以建立超越數據統計的成熟因果推斷模型為前提。屆時，刑法因果關系理論不會因技術變革被拋棄，反而會與人工智能因果模型相互印證，從而實現技術與規范的雙重演進。

綜上，刑法因果關系本質是在紛繁復雜的因果網絡中，根據法律目的截取一段“相對確定”的鏈條。人工智能算法的復雜性只是放大了這種不確定性，而非顛覆了因果關系理論的底層邏輯。確立人類主體算法相關行為與損害結果之間的高度蓋然性，成為人工智能致害因果關系認定的核心任務。這一認知既保持了刑法體系的穩定性，又為應對技術風險提供了必要的規范彈性。

三、客觀歸責理論在人工智能致害犯罪因果關系認定中的適配性

既然“相對確定性”是刑法因果關系理論應對復雜現實的固有彈性，那么是否存在一個成熟的理論框架，能夠將這種“相對確定性”操作化，并有效適用于人工智能領域？發端于德國刑法學的客觀歸責理論，恰能提供這樣一個理想的理論容器。

（一）鏈接歸因與歸責的協同方案

刑法因果關系問題的核心從不是純粹的事實發現，而是服務于刑事責任歸屬的規范判斷。人工智能致害案件的復雜性，恰恰要求一種能夠兼容事實查明與規范評價的協同方案。客觀歸責理論的體系價值，首先便體現在它成功地架起了連接“歸因”與“歸責”的橋梁。

羅克辛教授提出的客觀歸責理論是在條件說意義上的因果關系已經查明的基礎上進一步篩選，以聚焦于真正具備刑法規范意義上的可罰、需罰行為，從而在客觀構成要件層面對最終責任承擔進行限定，呈現出從事實歸因到規范歸責的融合性。雖然刑法因果關系理論本身潛在歸因與歸責高度重疊的特質，正如合法則說、相當因果關系說等，一方面是對條件說的限制，另一方面也是有關結果歸屬的規范判斷，實質上包含了客觀歸責的部分內容。但唯有客觀歸責理論將因果關系判斷由事實因果向規范責任過渡的基因顯性化、體系化，使歸因與歸責在清晰的邏輯層次上協同運作。

人工智能的技術特殊性使得因果關系認定方案需兼容事實歸因與規范歸責。在人工智能領域，算法自主性與“黑箱”特性易使得開發者、使用者等主體的算法相關行為與最終損害結果之間關聯性被技術性地“稀釋”；同時，技術中立的表象又可能為責任逃逸提供空間。如果在人工智能領域采用單一事實維度的因果關系概念，或將歸因與歸責進行范圍上的僵化切割，將陷入“有歸因無歸責”或“有歸責無歸因”的規范裂隙，如僅證明算法輸出與損害存在關聯，卻無法將之歸于具體主體，或在缺乏事實基礎的情況下，僅因恐懼結果發生而歸罪。唯有歸因與歸責協同，才能實現責任的準確定位。此外，在事實因果基礎上進行歸責限制，也能夠體現對處于創新關鍵期的人工智能技術的包容審慎態度。

（二）危險創設與危險實現的階層化審查

根據羅克辛教授經典界定，客觀歸責理論的基本構造由“不允許風險的創設”與“不允許性風險的實現”兩個遞進階層構成。其判斷邏輯主要采取反向排除法：在風險創設階段，排除危險減小的行為、缺乏危險的行為、單純修改自然因果且沒有增加危險的行為，以及在允許性危險范圍內的行為；在風險實現階段，排除危險及不允許性風險沒有實現的情形、不符合謹慎規范保護目的的后果、部分合法替代行為等。與此相對，穆爾曼教授將客觀規則理論進行了正向闡釋。他將“創設法不容許的危險”明確界定為對旨在防止構成要件結果發生的“前刑法舉止規范”的損害；而“法不容許的危險實現為結果”則必須具備雙重前提，一是該結果必須可歸因于行為人對前述規范的違反，二是行為人所違反的規范，其核心目的恰恰在于防止此類結果發生。

盡管視角不同，兩種闡釋均共同錨定于“危險創設”與“危險實現”這一核心二元結構。此一結構恰能與人工智能致害中“人類主體行為—算法決策偏差—現實損害結果”的復雜因果鏈條形成精準映射，為解析此一技術性難題提供了堅實的理論框架。然而，鑒于人工智能算法普遍存在的“黑箱”特性及其難以依賴直接觀察與社會經驗進行判斷的本質，反向排除法在適用中可能面臨標準模糊、界限不清的困境。相較而言，穆爾曼教授所倡導的正向建構路徑——通過明確“前刑法舉止規范”的內容與保護目的來直接界定歸責范圍——更能為人工智能致害的因果關系認定提供清晰、積極且富有建設性的指導方案。此一路徑要求我們預先厘清技術開發與應用中各環節應遵守的核心行為準則，從而在損害發生后能更有效地將抽象的算法運作錨定于具體的規范違反之上，完成從事實到歸責的跨越。

首先，危險創設環節將刑法評價焦點從泛泛的事實關聯聚焦到具有刑法非難可能性的行為。在人工智能語境下，人類主體算法相關行為若創設法不容許的技術危險，則進入到刑法規范評價的視野，這類行為即體現為各類算法相關行為，如算法模型設計缺陷、訓練數據偏見、使用過程中違規操作等。而且憑借這種規范性判斷，無需深入算法“黑箱”、精確追溯從代碼到結果的每一步邏輯即可鎖定危險源。其次，危險實現環節則用于審查最初被創設的危險，是否在具體構成要件結果中得以實現。這不僅要求因果流程存在，也要求結果實現方式未超出規范保護目的且不存在重大因果偏離。對應到人工智能致害，即需判斷：由算法相關行為所創設的那個特定危險是否最終通過算法的自主運算高概率地、符合常規地導致了損害結果的發生。只要能夠證明損害結果的發生路徑屬于該算法相關行為所創設危險的典型實現范圍，即可認定危險已經現實化。這種“從行為危險到結果關聯”的規范判斷路徑有效地避開了對復雜技術因果流程的機械還原，將法律判斷的重心置于風險支配與規范違反之上。

（三）風險權衡與可預見性的調適

任何法律理論的持久生命力，不僅在于其邏輯結構，更在于其精神內核與時代需求的契合度。客觀歸責理論之所以能成為人工智能時代因果關系認定的優選框架，關鍵在于其內在的權衡精神以及為應對新技術挑戰所展現出的理論包容性。

首先，客觀歸責理論所包含的對“法不容許的危險”與“被容許的風險”的區分，考慮危險行為的有益性與其社會接受度，明確承認了社會生活中某些風險因其附隨的巨大社會效益而被法律所容忍，體現出法律需在禁絕風險與擴大公共福利之間進行權衡的精神內核。具體而言，判斷一個風險是否被容許，需綜合考量其行為的有益性、社會的接受度以及對風險的控制程度。這與人工智能領域在技術福利與技術風險之間保持平衡的需求高度契合。畢竟，人工智能作為引領新一輪科技革命和產業變革的戰略性技術，其發展必然伴隨著未知風險，法律既不能對其視而不見，也不能扼殺創新。客觀歸責理論的權衡屬性，要求司法實踐必須衡量人工智能技術應用所帶來的公共福利與潛在風險，在保障安全與激勵創新之間尋求動態平衡。

其次，客觀歸責理論具有很強的包容性，能夠就人工智能領域作出適應性調整。傳統領域中，一旦認定行為人創設了對于構成要件實現的特有危險，則不再額外考察行為人的客觀可預見性。然而人工智能致害因果鏈條存在算法“黑箱”這一客觀“預見屏障”，算法的自主學習與決策過程可能產生連設計者都難以完全預見的涌現行為。因此需對主體的客觀可預見性進行單獨考察，避免過度歸責。具體而言，需在危險實現后，考察最終損害結果是否在主體認知邊界之內，從而避免因技術本身高度不可預測性而導致的單純結果責任。這一調整并非否定客觀歸責理論，而是在其框架內回應人工智能技術的特殊性，實現合理歸責與技術包容的平衡。

綜上，客觀歸責理論不僅在結構上與人工智能致害的因果鏈條對應，其內在的權衡精神與為適應新技術而展現出的理論彈性，使其成為處理此類新型案件不可多得的理論利器。它為后續構建具體的工具體系和層級化方案，奠定了堅實且靈活的理論基石。

四、人工智能致害犯罪因果關系的分析工具建構

客觀歸責理論為人工智能致害因果關系認定提供了理論基礎與整體框架，但規范判斷落地離不開具體工具支撐。針對人工智能致害“技術黑箱”與“多主體交織”特性，可構建“行為篩選—貢獻量化—歸責校準”三階分析工具。

（一）算法相關行為過濾工具：創設法不容許的危險

算法相關行為過濾工具以客觀歸責理論“危險創設”為內核，以前置法規范與行業標準為實踐依據，通過“規范匹配—事實驗證”的雙向判斷，從人工智能產業鏈的復雜行為中排除無刑法意義行為、鎖定可歸責行為。

1.危險創設的判斷標準

對犯罪構成要件所要保護的法益創設法不容許的危險是客觀歸責的原點。這一法律容許的范圍基本等同于社會認可的一般規范和普遍接受的觀念。實踐中，危險創設的具體判斷一般需依托刑法前置法與行業規范落地，如交通肇事罪以道路交通規則為責任認定的主要依據，嚴重違反交規的一方通常承擔主要或全部責任；又如危險作業罪需結合《危險化學品安全管理條例》《建筑設計防火規范》等前置法判斷“現實危險”。這些前置法規則是“國家預先設想了成為典型的一定事例類型，而提示了對其危險和有用性進行衡量的結論的東西”，進而事先提供了最大限度規避風險、創造收益的行為規范模式。一般而言，行為符合規范模式就處于社會容許的范圍內，如果偏離，則創造了不被容許的危險。推及到人工智能領域，算法相關行為是否創設危險同樣需要通過前置法及行業規范進行篩選。

2.危險創設的規范依據

目前我國已形成“法律—行政法規與部門規章—地方性法規—行業技術標準”多層次人工智能規范體系：《網絡安全法》《數據安全法》《個人信息保護法》等基礎性法律確立數據與信息保護原則；《網絡數據安全管理條例》《互聯網信息服務算法推薦管理規定》《互聯網信息服務深度合成管理規定》《生成式人工智能服務管理暫行辦法》等行政法規、規章細化操作要求；《北京市自動駕駛汽車條例》《武漢市智能網聯汽車發展促進條例》等地方性法規，結合地方實際情況為人工智能在特定區域的有序發展作出指引；《人工智能安全標準體系（V1.0）》《深度學習輔助決策醫療器械軟件審批要點》《人工智能算法金融應用評價規范》等行業標準，從細分行業角度提出針對性要求。這些規范共同構成人工智能相關行為主體的義務體系。此外，在立法空白或不盡詳細之處可以優先考量地方試點經驗，借鑒行業內通行做法，參考國際標準等，從而為人工智能算法相關行為篩選提供更全面、合理的依據。

3.危險創設的實踐操作

人工智能算法相關行為篩選，需通過“找法—事實提取”雙向匹配實現：

（1）在找法維度，從場景、主體、義務類型三個方面逐步縮小范圍，直至從分散的規范條文中匹配與事實對應的前置義務。在場景方面，既可以依據應用領域，如金融、醫療、自動駕駛等進行區分，也可以按算法類型，如算法推薦、深度合成等進行區分。各場景因業務性質和風險特征不同，相應的技術規范也存在差異。在主體方面，可劃分為算法服務提供者、技術支持者、應用平臺、使用者等。但并非所有相關主體都有對應的前置法義務規定，以《互聯網信息服務算法推薦管理規定》為例，該規定并未將技術支持者和服務使用者作為主要義務主體。在義務類型方面，可劃分為基礎義務、技術性義務、倫理義務以及行業特殊義務等。

（2）在事實提取維度，聚焦事件發生的關鍵節點，發掘人工智能技術在事件進程中的應然功能與實然功能，進而將其與前置法規范相對照。以小米SU7碰撞燃燒事故為例，事故發生時，車輛以116km/h進入施工封閉區域（限速60km/h），從自動駕駛系統發出預警到碰撞發生，給駕駛員預留約2秒接管操作時間。在技術層面主要涉及系統夜間識別能力和探測距離、人機交接冗余設計問題。在車企層面，需考察該車是否符合自動駕駛系統設計要求，尤其是汽車設計運行域邊界是否充分驗證、人機交接時間是否充足。進而依據《汽車駕駛自動化分級》《智能網聯汽車道路測試與示范應用管理規范（試行）》等相關規定，判斷車企是否違反前置義務。

綜上，算法相關行為的篩選以風險升高理論為基礎，以前置法和行業標準等規范性文件為實踐“抓手”，通過“找法—事實提取”兩個維度協同推進，以實現算法相關行為與規范的匹配。

（二）因果貢獻度量化工具：法不容許的危險實現

行為篩選工具為因果關系認定劃清范圍，但前置義務違反并不直接等同于因果關聯，還應考察該義務違反已創設的危險是否實際轉為損害結果。人工智能算法“黑箱”導致危險傳導路徑模糊，需通過量化模型拆解“行為—算法—結果”的關聯強度，以概率數值為標準，驗證篩選后的行為與結果之間的關聯性強弱。

1.因果貢獻度量化模型的刑法依據

因果貢獻度量化模型的設計借鑒疫學因果關系的“高度蓋然性”邏輯。疫學因果關系源自日本的環境污染犯罪，是疫學上的因果認識方法應用于刑法領域的產物：即便不能從醫學、藥學等觀點進行詳細的法則性證明，但根據大量統計，某因子與疾病之間的因果聯系可能性非常大，符合統計學規律，即可認定因果關系的存在。典型案例是“熊本水俁病案”，日本裁判所在水俁病的病因無法得到知識確證的情形下，根據當地肥料公司排放含有水銀的廢水與水俁病高發生率之間的正相關關系，推定二者之間具有因果關系，從而認定肥料公司經理和廠長犯有業務上的過失致死傷罪。疫學因果關系理論將某條件與結果之間的高度可能性關系視為法律上確定性的因果關系，這種高度可能性因建立在公共衛生學的統計基礎上，具有一定的可信度和說服力。這種判斷思路也逐漸延伸到了包括環境污染在內的傳染病防治，食品、藥品安全等領域的公害犯罪中，以因子與結果的高概率關聯認定因果關系，并在程序上允許被告人反證。這一邏輯完全適配人工智能致害場景：算法“黑箱”導致傳統科學法則難以解析因果必然性，但可以通過統計數據推斷因果蓋然性。

此外，因果貢獻度量化模型也契合條件說的反事實判斷內核。條件說“若無前者，則無后者”公式是通過假設行為不存在判斷因果，下文量化模型中的“do演算”恰是這一邏輯的技術體現——通過替換“行為合規/違規”變量，對比結果發生概率差異，從而驗證行為的凈因果效應。

2.因果貢獻度的基礎模型

模型基礎思路參考流行病學

余論

德國刑法學者李斯特深刻地指出：刑法是刑事政策不可逾越的屏障。這一論斷深刻地指出了具有明確的罪刑構成的刑法與功能導向的刑事政策之間的分野。微罪入刑是在積極刑法觀影響下刑法積極參與社會治理活動的體現。本文并不否認刑事政策的功能主義導向對于懲治犯罪起到了一定作用，但認為需要警惕刑事政策被實用主義裹挾，忽視我國司法現實狀況，消解刑法的保障法地位。當下，中國的刑事立法活動要“堅定地站穩罪刑法定主義的立場，需要扎緊形式法治的籬笆，抵御法外價值判斷的侵入”。微罪入刑這一趨勢是刑法物化的進一步體現，我國的刑事立法活動必須秉承理性主義并恪守核心刑法的邊界，以防止不斷擴大的刑法處罰范圍最終消損刑法自身的權威性。在刑事法治國尚未完全建立的當下，必須要警惕刑事政策和刑法的過度親密，刑法一旦過度卷入政治或政策之中, 將會松懈近代以來緊套在刑罰權身上罪刑法定的腳鐐，刑法的安全價值勢必面臨危機，導致刑法自主性的消解, 國家刑罰權便會乘機以推行公共政策為藉口，謀取自身利益擴張而危及公民自由。盡管微罪入刑在我國已經成為立法實踐，但如何看待微罪在社會治理活動中的定位及其限度理論回應尚顯不足。在積極主義刑法觀成為刑事立法主流的當下，更應當反思對微罪入刑這一現象是否合理。隨著風險社會的不斷演進，未來應當如何看待刑法的工具價值？一味將違法行為犯罪化是否是社會治理的最優解？這些問題仍然值得進一步思考與討論。

中的歸因危險度（Attributable Risk Percent，AR%）指標，核心是通過反事實對比量化因子對結果的貢獻度。該模型通過反事實運算，得出算法相關行為經由算法運算導致損害結果發生的概率。并且在其他條件相同的情況下，對比“存在某義務違反行為”條件與“行為合規”條件，評估結果發生的概率。

3.復雜因果路徑的分解與權重分配

（1）多路徑分解公式

基本公式適用于單一變量歸因的情形，為將公式適用范圍擴大到多變量共同作用的復雜情景，還需進一步考慮間接因素的作用，以明確Ai=1通過不同路徑對結果D=1的影響差異。例如在小米SU7事故中，“NOA智能輔助駕駛開啟”即直接影響事故，又通過“駕駛員注意力降低”這一中介變量間接作用于結果。需疊加計算輔助駕駛接管系統設計缺陷與駕駛員注意力分散對于行車事故的影響。由此，在復雜交互場景中，因果貢獻度Ci需整合直接貢獻與間接貢獻，公式定義為：

（2）多主體行為權重分配公式

由于不同因素在因果貢獻中所占權重存在差異，還應當在基準概率公式和多路徑分解公式的組合基礎上，疊加對不同因素共同作用于結果的貢獻度權重分配的考量。對此，可以借鑒源自合作博弈論的Shapley值計算公式，該公式的功能和核心優勢在于無需預設因果路徑，能夠在多變量交互的場景中，捕捉變量間的協同或抵消效應，公平地分配多個變量對結果的貢獻程度。然而，Shapley值公式在司法實踐中存在局限：一是計算復雜度高，每增加一個變量，變量子集組合的數量呈指數級增長，難以滿足司法效率的要求；二是Shapley值公式解釋門檻過高，司法工作人員難以直觀理解，難免將解釋權交由專業人士，可能導致專業人士壟斷解釋權。此外，法律場景中的部分因素并非均能實現量化，計算結果之于法官僅起到數據支撐和參考作用，最終還是需要法官通過自由心證得出最終結論。有鑒于此，一味追求因果關系認定中變量權重分配的高精度“性價比”不高，實踐中可以簡化權重分配的計算公式，直接以Ci在總貢獻中的占比確定權重，即：

綜上，因果貢獻度量化模型以“基礎公式+路徑分解+權重分配”構成，實現因果貢獻的精確評估。

（三）歸責校準工具：可預見性程度量化模型

因果貢獻度量化僅能證明行為與結果之間的事實關聯，而刑法歸責還需進一步判斷結果是否可歸責于行為人。可預見性校準工具通過“歷史事件發生概率+行業風險+技術層級”的量化，判斷行為人對結果的預見能力。

1.可預見性程度量化模型的刑法依據

在因果關系的認定中，對結果的可預見性是不可或缺的判斷要素。這里所指的可預見性，并非基于行為人的主觀心理狀態，而是從客觀角度判斷其是否具備預見結果發生的能力。若結果不可預見，則應排除歸責，這一原則貫穿于因果關系理論的始終。

相當因果關系理論中的“相當性”即為典型體現，尤其在出現介入因素的場景中，該理論以介入因素是否異常來判斷原行為與結果之間的因果流程是否被徹底中斷。實際上，“異常性”表達的意涵是預見可能性問題，所謂“介入因素很異常”的言外之意是缺乏預見可能性。在客觀歸責理論中，可預見性則以更為多元的方式貫穿于不同歸責環節。例如在“危險實現”階段，即便某一超出允許范圍的危險與結果具有關聯，但若危險的實現過程極為異常，則仍不能認定其實現。這表明，法律不能要求行為人預見超出規范保護目的的結果，也無法苛求其承擔超出該范圍的謹慎義務。同樣，在判斷“他人參與因素”時，可預見性程度亦為關鍵考量。例如在“故意自我危險”的共同作用中，判斷危險制造者是否對自愿參與者承擔責任，亦不能超出前者所能預見與實際支配的范圍。

由此可見，行為人對結果的可預見性是因果關系理論規范判斷層面的底色。在人工智能場景中，違反前置義務的行為需通過影響算法作用于結果發生，這一復雜傳導機制進一步放大了行為主體的預見障礙。因此，在因果貢獻度的測算基礎上，需加入可預見性程度量化模型校準歸責邊界。

2.可預見性量化公式及優化

司法實踐中，可預見性一般由法官根據具體的義務性規范，結合常識常理和行為人所屬職業群體或生活領域進行綜合判斷。在人工智能領域，法官也需結合前置義務違反的嚴重程度，行為主體的身份、職能范圍以及行業內的通行標準、工作人員的平均水平等進行綜合判斷。然而，鑒于人工智能行業的數字化、可統計性等特質，可以將行業歷史中同類事件發生的概率作為判斷可預見程度的參考數值，即：

但是這一公式至少存在兩個問題：一是因為總運算次數過大而稀釋風險趨勢，二是同類事件發生數量不多但事件本身性質較為嚴重。因此可以考慮從行業近一年或上一年度報告數據中進行取值，以聚焦近期風險。同時考慮不同行業風險等級和容錯率大小，乘以相應系數，比如，假設行業風險等級從1至5逐漸升高，航空行業風險等級為4級，短視頻平臺風險等級為1級。此外還需考慮人工智能技術分類分級，因為智能水平反映人類對算法可支配程度的不同。隨著智能化的提升，人類對人工智能技術致害結果的可預見性逐級降低，因此，應當在可預見性量化公式基礎上乘以與人工智能級別對應的預見系數。由此，優化后的可預見性程度量化公式為：

然而這些優化方法都依賴于規定人工智能行業定期出具報告、相關監管部門定期評估等配套措施的前置法出臺和有效運行。其中的具體數值還需進一步結合技術測試和實踐應用的情況來設定，并且考慮到技術迭代問題，系數應當具有相對動態化特征。實踐中，數據可優先采自行業年度報告，確保時效性與客觀性，未能量化的因素則由法官結合自由心證補充判斷。

綜上，人工智能致害犯罪因果關系認定的分析工具，由“算法相關行為篩選—因果貢獻度量化模型—可預見性程度量化模型”構成，三者層層遞進，實現“行為范圍界定—事實關聯量化—規范歸責校準”的完整判斷。

五、人工智能技術層級分化下的因果關系認定具體方案展開

人工智能技術差異必然使因果關系認定路徑有所不同，故上述分析工具的具體運用必須與人工智能技術層級相匹配。人工智能技術的分級分類反映了人機協作模式與技術自主性的動態演變。當前全球范圍內針對人工智能分級分類標準的探索均顯示：隨著人工智能能力的提升，其角色從純粹工具轉向具有一定自主性主體，人類參與度階梯式下降。2024年6月，華為聯合清華大學人工智能產業研究院（AIR）聯合發布《AI與人協作、服務于人——AI終端白皮書》，提出AI終端智能化L1—L5分級標準

同年7月，人工智能領域先鋒企業OpenAI也提出通用人工智能五級標準體系，從第一級至第五級分別是：具備語言交流功能的聊天機器人、解決達到人類水平問題的“推理者”、代表用戶執行任務的“代理者”、輔助人類發明創造的“創新者”、獨立完成組織管理工作的“組織者”。

這些探索意味著，隨著人工智能系統運行機制的復雜化演進，事實層面因果關系認定方法需隨算法復雜度作出相應調整，規范層面責任分配方案需隨人類支配力減弱進行重構。據此，基于技術自主性與人類支配力的梯度差異，可將人工智能分為輔助型、協同型、完全自主型三種層級，因果關系認定的重心依次從“行為的合規性審查”轉向“行為與結果的概率性關聯”，再到“前端風險防控與責任分配社會化”。這種層級化的推定方案既避免“一刀切”式評價失真，也為規則演進與技術容錯預留空間。

（一）輔助型技術層級：以行為篩選為主導

輔助型人工智能的核心功能是為人類決策提供信息、建議或工具輔助，其技術特點是“規則預設+人類掌控”：嚴格遵循預設程序規則或訓練模型，具備一定可解釋性，且始終保留人類絕對監督權和最終決策權。典型代表如ChatGPT、DeepSeek等大語言模型，其基本運行機制呈現工具屬性：用戶輸入自然語言指令，算法模型根據語言統計規律等進行推理和計算，通過預測下一個最佳詞語實現文本生成，最終輸出內容需經人類用戶篩選、修正或采納。這種技術特征決定了其功能邊界的封閉性，系統不具備自主啟動或終止的權限，本質上是人類認知和行動的延伸工具。因此，因果關系認定可通過行為篩選工具直接認定，無需依賴復雜量化模型，且常規風險認知即可覆蓋歸責判斷。

1.單一場景下因果關系直接認定

從運行機制來看，輔助型人工智能致害風險主要來自使用者操作失當和開發者的算法瑕疵。首先，由于輔助型人工智能運行存在嚴格邊界以及最終由人類掌控，若使用者違反操作規范或未盡合理注意義務，其行為與損害結果之間的因果關系可以直接認定。以輔助駕駛系統為例，目前工業和信息化部、市場監管總局已明確現有智能網聯汽車搭載的組合駕駛輔助系統均屬于行車輔助系統，需確保駕駛員始終執行相應的動態駕駛任務。如果駕駛員在系統運行期間雙手脫離方向盤、長期未監控路況，甚至在行車輔助系統提示的情況下仍拒絕執行駕駛任務導致事故發生，即可基于人類對技術的支配性認定其違反操作規范的行為與損害結果之間存在因果關系。

其次，當算法設計存在違反前置法義務規定、行業技術標準或存在顯著邏輯漏洞時，即使使用者操作合規，仍認定開發者的算法相關行為與損害結果存在因果關系。在確有必要的情況下，如因果流程因算法關鍵節點不透明或前置法規范缺失等而存疑，則需引入因果貢獻度量化模型。在保持其他條件不變的情況下，計算被篩選出來的涉案算法相關行為導致損害結果發生的概率。計算所用數據優先采用實際運行中的真實數據，在數據儲備不足的情況下，依次補充測試數據、模擬數據。經過計算，如果輸出的數值是正值，則認定該算法相關行為對結果具有正向因果作用，二者之間存在因果關系。

2.復合場景中量化輔助

當使用者違規操作與算法瑕疵同時存在時，則涉及責任分配問題，可采用“規范優先、量化輔助”的雙重標準。

優先由法官綜合考量人工智能使用場景風險等級、行為偏差嚴重程度、損害后果直接性等因素判定責任主次關系。例如，在醫療人工智能誤診事件中，如果開發者未按規定進行臨床數據驗證，而使用者僅存在操作界面誤讀，則優先歸責于開發者一方。僅在雙方違規程度相近的人機影響疊加的場景，引入因果貢獻度量化模型中的基本公式，分別計算雙方行為導致結果發生的概率，再按照簡化后的權重公式得出雙方之間的責任承擔比例，如開發者Wi=60%、使用者Wi=40%，為司法裁判提供數據化參考。這種“定性+定量”的分析框架，既避免單一推定的機械性，又契合輔助型人工智能的技術特點。

3.可預見性適用闕如

鑒于輔助型人工智能的工具屬性與人類對系統的最終掌控，無論是開發者的算法設計還是使用者的操作行為，均處于可預見風險的認知范圍內。開發者在技術研發階段能夠通過測試預見到顯著算法缺陷的危害，使用者在操作過程中應當知曉違規操作可能引發的后果。因此，針對高階技術層級設計的“可預見性量化公式”，在此類場景中缺乏適用必要——其因果關系的規范歸責無需額外引入復雜模型，人類對技術工具的常規風險認知即可覆蓋責任歸屬判斷的需要。

綜上，輔助型人工智能的因果關系通過“使用者操作規范審查+開發者前置義務評估”的雙向考察直接加以認定；針對復雜場景中的模糊地帶，引入量化模型，為進一步闡釋復雜因果流程和多主體責任分配提供數據參考。最終呈現“行為考察為主、量化計算為輔”的因果關系認定方案。

（二）人機協同型技術層級：行為篩選與量化模型協同適用

協同型人工智能的核心功能在于實現了人機能力的動態互補與實時交互，人類掌控度下降、技術自主性提升。以智能駕駛技術為例，依據我國《汽車駕駛自動化分級》對第3級駕駛自動化的定義，該級智能駕駛系統存在設計運行范圍，且系統在識別出即將不滿足設計運行范圍或者識別到駕駛自動化系統失效時，及時向駕駛員發出介入請求，駕駛員必須及時響應。與第1—2級輔助駕駛系統中駕駛員主導操作不同，第3級自動駕駛系統中的駕駛員僅以后援用戶的身份恰當執行接管。在核心技術層面，自動駕駛系統摒棄傳統的“模塊化+規則式”編程模式，轉而采用“端到端”神經網絡智能系統，結合視覺語言模型（Drive VLM）和多模態感知融合技術，采用機器模仿學習、強化學習等方法，在傳感器數據輸入端和車控信息輸出端之間，形成“實踐—反饋—調整—學習—實踐”循環模式，使數據處理過程趨近人類駕駛員的學習和經驗累積過程。這種技術演進使得駕駛員的行為權重從“操作主導”轉向“風險接管”，人機邊界呈現動態模糊化特征。因此，協同型人工智能因果關系認定需通過“行為篩選+量化模型”協同使用，回應多因素疊加的因果模糊性。

1.行為篩選基礎上的量化驗證

相較于輔助型技術，參與協同型人工智能致害因果進程的因素愈發多元，因果流程預設和回溯難度大幅上升，僅憑“行為是否符合規范”這一行為篩選工具難以應對。需要通過因果貢獻度測算拆解各行為對結果的實際影響。

具體而言，首先通過行為篩選工具鎖定危險創設行為。其次通過量化模型拆解多因素之于結果的風險貢獻。例如第3級智能駕駛系統在夜間行車發生路徑規劃偏差，同時涉及硬件層雷達參數設置不當、開發層訓練數據不足、使用層駕駛員延遲接管多種因素。依據開發者前置法義務和駕駛員操作規范進行行為篩選，進而通過因果貢獻度基礎公式計算使用者的因果貢獻，以及通過復雜因果路徑分解公式計算開發者的因果貢獻，驗證雙方均推動危險實現。

與此同時，人機協作的本質是任務執行的雙線程并進，各方行為疊加后共同作用于結果發生成為常態，需通過權重分配模型實現責任比例劃分。考慮到司法效率和司法可解釋性，應當優先采用簡化權重公式，但在更為復雜的人機交互系統，以及算力、數據存儲等配套技術條件完備的情形下，可以考慮適用Shapley值公式或者在其基礎之上改進后的公式，更加精確計算各主體在不同因果路徑中的邊際貢獻。

2.可預見性的量化校準

相較于輔助型人工智能系統，人機協同型系統導致人類對損害結果的預見性邊界愈發模糊。人類對算法決策“黑箱”的認知，以及系統在邊界場景下的非常規響應，使得“常規風險認知”預見標準需要結合技術特征進行調整，故可預見程度因素必須納入因果認定過程之中。具體而言，首先適用可預見性程度量化公式計算同類損害結果的發生頻率，進而根據該層級內對人工智能系統的進一步劃分，乘以相應的預見系數。在特定領域內，如國防安全、航空航天，因應用場景獨特且后果不可預估，還需額外乘以風險系數。其中，用于測算的行業統計數據和相關系數均依賴于行業報告機制形成和落實，例如工業和信息化部、市場監管總局已明確要求智能網聯汽車企業建立常態化事件報告制度，這為可預見性量化模型提供了基礎性數據支撐。隨著各行業數據持續收集和披露趨勢的形成，相關預見系數、風險系數也會在海量數據統計和行業共識達成的基礎上逐步校準，并且能夠根據技術迭代進行適度調整。

綜上，協同型人工智能的因果關系認定，通過因果貢獻度的多維度分解、責任權重的精細化計算、可預見性標準的場景化校準，構建起適配人機協作系統的因果關系認定方案。

（三）完全自主型技術層級：風險防控與社會化延伸

完全自主型人工智能系統代表了當前技術發展方向，其技術特征是突破人類干預與封閉環境限制，具備開放環境下的目標自主實現能力與系統持續自我進化機制。根據珀爾教授與麥肯齊教授的觀點，未來強人工智能的實現，必須以超越科學因果關系的干預與反事實層級為前提。這意味著完全自主的人工智能系統能夠徹底打破訓練模型和數據關聯的局限，不僅能夠理解事物之間的因果邏輯、自主構建因果推理模型，還具備知識遷移和終身學習能力。與低層級人工智能相比，完全自主型系統能夠在復雜動態的開放環境中獨立完成如城市交通調度、金融風險管控等高階組織管理工作。但其技術運行、決策的不可預測性與不可控性也將達到頂峰，超出人類認知邊界。

在能夠預見的將來，完全自主型人工智能將引發刑法因果關系判斷面臨雙重“矛盾”：其一，系統高度自主性導致人類行為從任務執行鏈中徹底退出，進而導致責任主體前移，但算法的迭代又極大削弱了因果追溯的可能性；其二，風險指數級增長必然需要擴大責任范圍，但技術的不可控和可預見程度的下降卻降低了行為可歸責性。這種雙重矛盾推動著該層級因果關系認定的重心轉移到事前風險防控與事后責任分配上來。一方面，以開發者一方對技術風險前期預防與及時干預的機會與能力，補強事實因果鏈條，要求開發者承擔責任。另一方面，因損害結果可預見性超出人類認識范圍，收縮刑事責任范圍，同時鑒于技術風險的不可避免與指數級擴散，擴張民事責任范圍。

具體來看，因果認定方案將初步呈現為“技術合規—社會化風險分散”雙層結構。首先，優先根據技術開發端的合規標準，審查算法相關行為是否偏離規范要求，聚焦開發者前置防控義務。其次，考慮到技術的完全自主性與不可解釋性，量化模型僅做輔助，若能追溯部分因果路徑，結合模型計算的因果貢獻認定危險實現；若完全無法追溯，則以前置義務違反認定危險實現。最后，因技術超出人類認知，還需疊加可預見性程度量化模型認定歸責。

刑事責任無法救濟的領域，利用保險制度和行業風險儲備金制度實現責任兜底，以實現歸責有限性與損害救濟的平衡。目前我國已有網絡安全保險實踐，如某上市電子商務企業投保網絡安全綜合險，既保障第三者責任和第一方損失，又附加安全整改建議服務項目。同時，人工智能領域可以借鑒金融領域系統性風險防范經驗，建立行業共擔機制。有學者主張建立儲備金用于支付與人工智能相關的和解和賠償費用，儲備金以所有者、制造商以及開發者等各類主體支付，以“低證明標準+限額賠償”模式，保障受害者及時獲賠又不加重企業負擔。2023年10月，25名人工智能領域頂尖學者共同呼吁，政府和企業各分配至少1/3的人工智能研發資金用于確保人工智能系統安全和合乎倫理的使用，從技術源頭降低不可控風險。最終，保險與行業儲備金制度可覆蓋因超出刑法規范保護目的而排除歸責的風險，形成技術合規、法律審慎、社會層面風險分散的互動格局。

綜上，完全自主型人工智能的因果關系認定已超越傳統法律歸責范疇，演變為融合技術治理、風險管理與社會政策的系統性工程。其核心在于承認人類的有限性，通過“風險防控義務前置化+責任承擔社會化”制度，在技術與風險之間搭建緩沖帶。

基于前述分析，可將不同技術層級下因果關系認定的核心要素梳理、對比如下：

結語

刑法因果關系理論的演進始終是一部在經驗世界的不確定性中尋求相對確定性的歷史。人工智能的介入，以其算法的自主性與“黑箱”的復雜性前所未有地稀釋了行為與結果之間的直觀聯系，對傳統理論構成了嚴峻挑戰。本文的回應并非顛覆傳統，而是在因果關系理論一以貫之的邏輯框架內進行適應性的調試與更新。通過構建“行為篩選—貢獻量化—歸責校準”的三階分析工具，并依據輔助型、協同型與完全自主型人工智能的技術層級動態調整認定方案，我們旨在搭建一座連接技術邏輯與規范判斷的橋梁。這套具有成長空間的因果關系認定體系，既是刑法對技術變革的回應，也是法律對社會認知的更新。

歸根結底，人工智能與法律的互動是技術理性與價值理性的深度對話。技術拓展能力邊界的同時也帶來了新型風險，而法律在規范技術的同時也愈發依賴技術作為解釋工具。然而，法律的終極使命并非被動適配技術，而是主動平衡安全、創新與正義等多元利益。人工智能領域的刑事歸責在本質上是一種審慎的價值選擇：我們必須在鼓勵創新與防范失控之間尋找黃金分割點，在承認技術自主性的同時確保其背后的人類責任得以落實。

每一次深刻的社會技術變革都伴隨著法律的陣痛與調適。人工智能所帶來的挑戰并非例外，它不過是法律直面世界不確定性這一永恒主題在智能時代的一次集中上演。

因篇幅限制，已省略注釋及參考文獻。

引注：左倩玉、羅翔：《技術與規范之間：人工智能致害犯罪中因果關系的認定路徑》，載《河北法學》2026年第4期，第110頁-133頁。本文章僅限學習交流使用，版權歸原作者所有。

??

Serving national strategies, focusing on university research and the transformation of scientific and technological achievements