[11]与此同时，征地争议的裁决机制也是政府主导的，《土地管理法实施条例》规定，对补偿标准有争议的由县级以上地方人民政府协调，协调不成的由批准征用土地的人民政府裁决，征地补偿安置争议不影响征用土地方案的实施。

我国目前由宪法和法律规定的以检察机关为实施主体的反腐败机制不能承担对行使公权力的公职人员的廉洁状况实行有效的全覆盖监督的任务，因而必须在党的领导下，根据党管干部原则，依托纪检机关和监察机关合署办公的监察委员会，对行使公权力的公职人员进行无遗漏、全覆盖、有威慑的监督。共产党执政的特点除了抓方向、抓政策、管大事，最关键的是抓住国家干部这个关键少数。

我国是共产党领导的社会主义国家，坚持党的领导是写进现行《宪法》序言的四项基本原则之一。二、党管干部原则是中国特色监察权的理论基础 监察制度在我国起源于周朝，形成于秦汉时期，隋唐时期臻于完备，一直延续至明清时期。那种只从宪法文本出发，只重视用法理上的监督逻辑进行推理，甚至不自觉地运用三权分立理论来观照、评价、分析国家监察体制改革试点工作，随意提出试点路径的主张，缺少有价值的制度推动力。例如，对于肩负维护国家安全职责的中央国家安全机构，虽然一些学者和社会人士提出将该机构国家化以体现国家安全工作的国家性，但根据总体国家安全观的要求，政权安全是国家安全的核心内容，政权安全的首要事项是执政安全，执政安全只能靠执政党自身努力。党员干部和公职人员因其特殊身份及所掌握的公权力，必须受到比普通公民更多的权利限制。

因此，简单地运用人大监督一府两院的权力运行体制来限定监察委员会的职能，在理论上有重大缺陷，在实践中根本不可行。根据中央精神和全国人大常委会的决定，监察委员会是具有中国特色的反腐败机构。[xxxvii] 可参见泮伟江：《双重偶联性问题与法律系统的生成》，载《中外法学》2014年第2期。

同样道理，从不学习的法律向机器学习的转变，首先涉及如何将道义论的法律问题转换为算法和代码。经典研究已揭示，在人类历史上，无论中西方文明，法律从早期的巫术、神判、占卜、决斗开始，实际都采取了此种深度不学习的功能态度。莱斯格所担忧的是，这将会破坏建立在传统法律和技术平衡点之上的价值生态链。也就是说，法律中的学习是以不学习为前提的。

现代法律的不学习主要通过政治民主的可问责性获得正当化，而当法律不断被代码/算法替代，逐渐被黑箱化的算法/代码规制取代，民主机制也会伴随现实法律空间的瓦解失去用武之地。[i]在此概念基础上，本文从功能性的角度，揭示了法律最为核心的特征，即深度不学习,也即通常而言的法律规范性。

[xxxiii]对此，近代的功利主义思想家边沁和密尔都已进行了理论设想，任何法律和政治价值都可以通过快乐和痛苦的精确计算来转换。法律不学习被机器学习取代，规范性期望被认知性期望取代，法律被代码/算法取代，这将是法律死亡的前景。正是因此，必须让法律逐渐取得更高的学习属性，能在事前甚至即时性地进行反馈式规制，这就推动了各种学习机制和实验式治理方法在法律中的应用。[xxv]由于VR的各种应用，现在虚拟不动产可以像现实世界的财产一样出售、租赁，并用于虚拟活动。

由于失去了一个统一化的政治和法律空间，我们很难再对不同空间的秩序构建做出一致性的协调和安排，从而就会陷入一种丧失价值衡平的碎片化治理。换言之，一系列算法机制会不断催生出各种类型的私人订制的法律。而机器学习的兴起，则首先会瓦解法律这种普遍化、命令化、统一化、确定化、成文化的性格。[iv] 禁止拒绝审判是司法的核心原则，法院必须基于法律上的理由，对在其面前提出的所有诉讼，都做出裁判。

而机器学习的法律想象，则是一个根据效率原则为导向，对不同社会主体进行区别化对待的方式，这无疑会带来对现代法律平等价值的强大冲击。如果说机器学习是一种基于统计学的随机性控制，那么法律不学习则是致力于逻辑确定性的反认知性技艺。

另一方面，不学习则旨在维护其规范性，在功能上稳定人们的规范性期待。[xxiii] 德国法学家迪·法比奥（Udo Di Fabio）指出，必要的实验法成为事物本质上要求法律动态地比照学问发展的行为形式。

那么，当人工智能和计算科学的发展使计算能力不再稀缺，当算法比不学习的法律能以更为低廉的成本，更为高效、精确和灵捷地实现各种治理目标，就势必会推动作为法律的算法的全面兴起，与此对应，作为算法的法律则会开始衰退。由于计算力过剩和冗余的不断加剧，法律计算化的技术冲动会不断侵蚀传统法律的规范主义地带。由于社会的高度复杂化以及由此带来的大量疑难案件，无论采用金钱赎买的方式（比如欧洲中世纪早期的赎杀金制度），还是采取家族复仇和同态复仇，不仅社会成本和负外部性高企，而且还将陷入人人自危的丛林状态。但是，学习性的代码/算法的发展，则使法律违约在技术上就变得不能或不用，从而可以通过智能算法来即时性地解决或直接取消信任问题。法律正在面临严峻的危机。[xxxiv]以往，类似版权法的合理使用原则，是建立在传统版权计量和收费技术的局限之上，而现在，新技术则能替代法律更为高效地执行权利。

[viii]尤其在早期文明中，由于技术手段落后，法律不学习的野蛮特征就尤为突出，必要时就诉诸神秘的巫术、无常的命运或冷酷的暴力来形成法律裁断。有罪则触，无罪则不触。

而学习性的代码/算法机制，相反则可能依据某种偏狭的技术或价值理性，受控于缺乏民主机制过滤的治理、资本和技术逻辑，从而使其走向实质的不学习。[xxx]也就是说，当规制技术廉价化，当法律不再昂贵，法律与自由的辩证关系也就面临深刻的挑战。

[xxxvi] [美]劳伦斯•莱斯格：《代码：塑造网络空间的法律》，李旭等译，中信出版社2004年版，第171页。[vi] （汉）郑玄注：《礼记正义》，上海古籍出版社2008年版，曲礼上第一。

如果每一次沟通都需要通过学习来验证各种身份、事实、时间和权利状态，社会沟通势必遭到阻碍。而财产的信息化、知识化和虚拟化，则为法律的学习化、代码化和算法化提供了基础性的社会经济条件。权利、义务、责任、豁免、权力、自由、公正、善良、过失、故意，这些明显具有道德化色彩和伦理评价含义的法律概念，是否可以以及如何经由代码转换成算法和程序？不学习的康德（道义论）如何才能变形为学习的边沁（功利论）？不学习的法律，如何才能被成功改造为可计算的法律？ 以往，法律不学习的一个重要原因是法律执行成本的高昂，当技术发展使得这种成本大大降低时，法律的特征也就会随之改变。换言之，现代法律结构和运作程序的高度复杂化，实际是要为司法决断的简单化提供算法上尽可能充分的数据、场景以及更为先进的计算装置。

而与民主性相关的一系列现代法律价值，诸如公开性、确定性、明确性、统一性、可知性等，都会跟随民主一起在虚拟世界空间面临解构的危险。[v]龟为卜，策为筮，卜筮者，先圣王之所以使民信时日、敬鬼神、畏法令也。

但是，新的主权性冲突将失去这些缓冲保护，由于人已不可避免地同时生活在这些实时连接的不同世界，法律身份将变得空前多元、模糊和充满张力。[xxxviii] 有关哈特的承认规则，参见[英]哈特：《法律的概念》，张文显等译，中国大百科全书出版社1996年版，第96-97页。

在更为复杂和动态的社会中，社会信用不再是一个客观的常量，而是社会沟通在环境条件的约束下，所达成的一种暂时的准平衡态，对于这种平衡态无法套用一个固定的规则，而更需要一种概率论和统计学意义上的行为的语法。在法律活动的参与者与提供法律服务的人工智能之间，因而就会形成密切的互动。

法律不再完全依靠由国家主权保障来实现其不学习的规范化机制，法律的去主权化，完全可以依托各种学习性、去中心、分布式的数字技术实现。因此，必须借助类似法律这样的不学习机制，通过各类第三方法律机构的认证、判决和裁断，来保障社会沟通进程的顺畅。而信息作为一种财产，则可以被抽离出具体自然和社会的语境，摆脱有体物稀缺性的限制而自由增殖和流动。正如莱斯格所言，自由来自于使规制保持昂贵，当进行规制变得很简单或廉价时，自由就面临危险了。

相反，现在必须根据每一个具体的场景与情境去重新定位关系的划分和资源的配置，技术和社会演化迫切需要一种学习性的机制来顺应这种变化。法律不学习建立在外部环境作为一种既定事实的基础之上，不管这些事实是自然法则、经济规律或是人性本然，法律面对的这一环境是客观给定的，因此，法律的控制范围和深度有限。

以往通过法律实现的信用现在可以通过加密程序实现，以往通过权威机构作出的公证现在可以通过机器算法完成。[xxxv] 参见[美]劳伦斯•莱斯格：《代码：塑造网络空间的法律》，李旭等译，中信出版社2004年版，第168-169页。

也就是说，随着智能机器社会的崛起，人类法律正出现一个从牛顿式的大定律-小数据向默顿式的大数据-小定律模式演变的趋势，正在从UDC（不定性、多样性、复杂性，Uncertainty，Diversity，Complexity）的社会向AFC（灵捷、聚焦、收敛，Agility，Focus，Convergence)的方向演化。不学习的法律可以应对一个具有高度确定性的社会，但是伴随着贝克所言的风险社会的到来，社会交往的复杂性和不确定性急剧提升，如果继续沿用不学习的法律，主要基于事后规制针对特定当事人进行治理，势必难以应对风险社会的各种问题。