［日］星周一郎

李立丰 宋 婷 译

在2015年进行的《个人信息保护法》以及翌年进行的《行政机关个人信息保护法》的修改过程中，日本立法机关均秉持“适当有效地利用个人信息有助于创造新兴产业，实现有活力的经济社会和富裕的国民生活”的理念，制定具体方案，设置了诸如“匿名加工信息”和“非识别加工信息”等概念。据此，所谓大数据活用的政策导向，在个人信息保护的法制框架中得以确认。

在现实社会中，以大数据为代表的“信息通信技术”（Information and Communication Technology，ICT）与人工智能解析的活用领域不断扩大。在广义刑法语境中，出现了将大数据解析及其结果运用到警务活动的相关尝试。2016年10月，日本京都府警察局导入了“预测型犯罪防范系统”，尝试在巡逻中参考利用既往数据作出的犯罪预测。另外，2018年4月，日本警视厅召集有识之士举办研讨会，发表了《关于在预测犯罪、交通情况、警备事件中信息通信技术活用方式的建议书》，指出“社会环境发生了显著变化，在侦查活动中吐故纳新，在恪守传统的同时根据时代的变化讨论全新的方案至关重要”，强调“研究在侦查活动灵活运用全新信息通信技术的可能性，与侦查活动的专业化、迅速化、效率化以及通过犯罪预测防患于未然等能否确保都民、国民的安全与安心等问题息息相关”。①犯罪· 交通事象· 警備事象の予測におけるICT 活用の在り方に関する有識者研究会『犯罪· 交通事象· 警備事象の予測におけるICT 活用の在り方に関する提言書』(2018 年)「はしがき」。本文旨在针对所谓“大数据警务”，即上述灵活运用大数据和人工智能解析的侦查活动相关的法律课题加以探讨。

一、“大数据警务”概念之厘定

（一）情况概述

在思考大数据警务这一问题之前，首先需要明确何谓“大数据”。一般认为，大数据的构成要素主要包括：（1）数据获取的海量性；（2）由多种生活要素数字化后带来的多样性；（3）数据使用者的反应速度和频度的提升性；（4）排除数据中的矛盾和不确定性后的正确性。②鈴木優＝村上諭志「ビッグデータの利活用におけるパーソナルデータ取扱い上の法的留意点」知財管理68 巻6 号(2018 年)730 頁参照。不过，大数据概念本身并不明确，算不上极为严密、毫无争议的法律概念。③犯罪· 交通事象· 警備事象の予測におけるICT 活用の在り方に関する有識者研究会『犯罪· 交通事象· 警備事象の予測におけるICT 活用の在り方に関する提言書』(2018 年)5 頁。以及2017 年12 月东京都政府制定的『東京都ICT 戦略』中所说的“ 数据庞大且复杂多样。指个人通过手机发出的信息、导航系统的行程等平日中生成的数据合集。不单数据庞大，还有非定型的特点，能够实时增加并发生变化”另外，关于使用大数据时频繁利用的人工智能技术，也处于多种认识并存的状态，尚无明确定义④犯罪· 交通事象· 警備事象の予測におけるICT 活用の在り方に関する有識者研究会『犯罪· 交通事象· 警備事象の予測におけるICT 活用の在り方に関する提言書』(2018 年)8 頁，指出“ 利用电脑软件或系统模仿人脑的知识性运作”。另外，上述文献中，还采用了东京大学大学院特任教授中島秀之的见解，即认为人工智能“ 是一个人造的具有智慧的实体”。，所以尚且无法对其加以法律界定。

是故，想要对于根据大数据人工智能解析开展的侦查活动，即“大数据警务”加以明确定义绝非易事，甚至可以说是无法完成之使命。因此，在实际利用大数据、人工智能解析完成侦查活动日益普及的今天，关于相关问题的法律讨论也变得相对困难。本文在承认存在不确定要素的同时，将立论前提预设为“警察等执法机关利用计算机分析大量的数字化数据，并根据其结果，针对特定嫌疑人实施犯罪搜查，或根据犯罪预测开展侦查活动”，进而展开论述。

（二）按照先后顺序进行的分类

但是，即便理解了上述内容，根据在什么场合，出于什么目的，应当如何使用大数据和人工智能解析的不同，所讨论的问题也存在很大差异。关于这一点，有学者⑤See A.G.Ferguson,“Big Data and Predictive Reasonable Suspicion”,163 U.Pa.L.Rev.327,377(2015).指出，应该从“观察”“搜查”“预防”这3 个视角来把握大数据的使用。可以将上述观点理解为一种沿先后顺序进行的分类整理，即观察现在进行中的犯罪行为、调查（搜查）过去的犯罪行为，以及预测将来的犯罪行为。

所谓“观察”，是指在犯罪现场，警察登录相关数据库获取其中所登记的前科者或可疑者的信息并加以比对的利用形式。据此，警察可以锁定未知嫌疑人的真实身份。2012年，美国纽约市警方与微软合作引进了“场域感知系统”（Domain Awareness System），通过民间设置的3000 多部连网的街头监视探头、911 报警电话录音、200 台以上的汽车车牌自动读取装置等，实时收集相关公共安全数据①See Microsoft,“New York City Police Department and Microsoft Partner to Bring Real-Time Crime Prevention and Counterterrorism Technology Solution to Global Law Enforcement Agencies” (Aug.8,2012),http://news.microsoft.com/2012/08/08/new-york-city-police-department-and-microsoftpartner-to-bring-real-time-crime-prevention-and-counterterrorism-technology-solution-toglobal-law-enforcement-agencies,accessed by May 1,2015.，并结合从以往犯罪报告书中收集的数据展开迅速分析。由此，警察可以第一时间研判涉案车辆的轨迹及犯罪人的动向。②See A.G.Ferguson,Big Data and Predictive Reasonable Suspicion,163 U.Pa.L.Rev.327,378(2015).

所谓“搜查”，无疑是在犯罪发生，但警察尚未直接识别犯罪现场的情况下，为了确定犯罪人而实施的行为。在过去发生的犯罪中，大数据多被用于确定犯罪人的人体特征。也就是说，根据面部照片等生物识别相关海量数据，根据用于甄别身份生物特征的算法，或者通过从登记汽车信息的数据库立即核对车牌等，获得远高于以往的执法效率。其效果与“观察”的情况相同，取决于数据库中登记的数据量能否顺利进行例如生物体认证数据、移动电话等的登记数据、汽车的登记数据、银行账户数据的匹配。③Ibid ②,380-383.

（三）大数据警务与犯罪预测

相对于上述内容，所谓“预防”，是指预测将来犯罪的发生，并根据由此得到的合理嫌疑进行侦查。这与“观察”和“搜查”不同，至今仍然给人以“科幻故事”的印象。但是，特别是美国的警察，从很早开始就致力尝试对犯罪发生率较高的地域，或对卷入犯罪等纠纷的可能性较高的人物加以预测。④Ibid ②,383-384.

在锁定“区域”的大数据预测侦查活动中，闻名于世的莫过于2011年7月在美国加利福尼亚州圣塔克鲁斯郡开始的某执法项目。警方从过去庞大的犯罪数据中抽取特定的犯罪模式，找出容易发生非法侵入车辆和住宅实施盗窃等财产犯的场所和时间，即“热点”，并对该处展开重点警备。⑤See E. Goode, “Sending the Police before There's a Crime”, N.Y. Times (Aug. 15, 2011), available at https://www.nytimes.com/2011/08/16/us/16police.html. 山本龍彦「予測的ポリシングと憲法- 警察によるビッグデータ利用とデータマイニング」以及『プライバシーの権利を考える』(2017 年)100 頁以下。另外，前面提到的美国纽约市警察的“场域感知系统”亦可用于此类侦查。⑥此外，据说美国西雅图市也进行这种预测性侦查。See Elizabeth E.Joh,“The New Surveillance Discretion: Automated Suspicion,Big Data,and Policing”,10 Harv.L.&Pol'y Rev.15,16 (2016).

如前所述，2016年10月，日本京都府警察部门也开始运用“预测型犯罪预防系统”，借助系统中存储的过去10年间在京都府辖区内发生的约10 万条案件信息，分析抢劫、猥亵等多发犯罪趋势，并按不同时间、地点的发生概率用不同颜色对其加以区分。也有报道称，利用这一系统，在停车场巡逻的警察发现了偷摩托车的男子，并以涉嫌盗窃对其实施当场逮捕。⑦2017年1月7日日本《经济新闻》夕刊的报道。笹倉宏紀「人工智能と刑事法」山本龍彦編著『人工智能と憲法』(2018年)421 頁。

此外，还有针对“人”的预测性侦查。芝加哥市警察推行的“支援告知系统”（Custom Notification Program），就是相关实践的例子。⑧山本龍彦 論文「予測的ポリシングと憲法- 警察によるビッグデータ利用とデータマイニング」102 頁以下，以及山本龍彦「ビッグデータ社会とプロファイリング」，『プライバシーの権利を考える』書261 頁以下。警察根据多种经验数据，应用预测暴力犯罪的实行犯和受害者的算法，制成将被预测对象汇总在一起的“重点列表”①See Jereny Gorner,“Chicago police use 'heat list' as strategy to prevent violence”,（Aug,23,2013）available at http://www.chicagotribune.com/news/ct-xpm-2013-08-21-ct-met-heat-list-20130821-story.html,accessed by Oct.12,2022.。随后，警察逐一访问名单所列对象，警告其将来如果犯罪会产生的后果，同时告知其将会接受的社会服务等内容。②See David Robinson et al.,“Civil Rights,Big Data,and Our Algorithmic Future” (September 2014),available at https:// centerformediajustice.org/wpcontent/uploads/2014/10/Civil-Rights_Big-Data_Our-Future.pdf,accessed by Oct.15,2022.当然，针对于“人”的相关属性的犯罪分析，确实也存在一些问题。③山本龍彦 論文「予測的ポリシングと憲法- 警察によるビッグデータ利用とデータマイニング」103 頁以下。另外，针对于人的犯罪分析与美国宪法第四修正案之间的关系，也催生了一些论点。A. G. Ferguson, Big Data and Predictive Reasonable Suspicion, 163 U. Pa. L. Rev.327, 387(2015).

二、大数据警务的影响

不可否认，大数据警务的现实应用时日尚短，而信息通信技术和人工智能分析的进展日新月异，在两者共同作用下，对于这种警务模式创新的评价本身势必伴随着一定的困难。即便如此，仍然可以对其优缺短长加以简要论述。

（一）可能具有的优点

首先，大数据警务的优点之一，便是提高了侦查的精准度和效率。基于大数据的人工智能解析和犯罪分析，如果能够生成比较准确的信息，只需要对该信息排除合理怀疑，警察就可以在无须与该项犯罪无关的人接触的情况下，准确锁定实际的犯罪人，并对其进行执法。④A.G.Ferguson,“Big Data and Predictive Reasonable Suspicion”,163 U.Pa.L.Rev.327,389-391(2015).另外，不仅能够确保警方能够在有效抑制犯罪和逮捕犯罪人的地区、时间段进行巡逻，从而确保在进行群体性活动的秩序警备时，能够基于过去的实践经验以及社交媒体等信息的实时分析，预先准确预测人流量和人流方向，从而能够更有效率、更有效果地配置警备人员加以应对。

另外，还有学者提出颇有见地的论点，认为大数据警务有助于确保警察执法的问责制。⑤Ibid ④,393.虽然毫无疑问，目前基于大数据的人工智能解析结果的可靠性还存在一定问题，但在以往，执法人员在依靠经验和“直觉”的执法⑥参照犯罪·交通事象·警備事象の予測におけるICT 活用の在り方に関する有識者研究会『犯罪· 交通事象· 警備事象の予測におけるICT 活用の在り方に関する提言書』(2018 年)15 頁。活动中，为什么将某个对象作为嫌疑人依据职务加以讯问，抑或是作为搜查对象，其实也很少存在充分的理由说明，更不要说妥善存档待查了。然而，在基于大数据分析或基于该大数据分析的人工智能解析进行侦查活动时，为什么在特定时间集中巡逻特定地区，为什么对特定对象实施职务讯问等电子日志，都可以作为“档案文书”留存下来。相关学者⑦See supra note ④,at 393.指出，通过留存此类记录，可以达成一个潜在的效果，即不仅限制警察对于相关对象行使警察权，还使得法官对执法警察的相关怀疑是否合理的事后评价变成可能。同时，此类记录还具有为未来改善执法活动提供经验等优点。

此外，通过所谓的数据挖掘，可以发现借助人力无法预测的现象和模式，预防以前无法预防的犯罪，还可以检控未能检控的犯罪人。类似优点不言自明。①See A.G.Ferguson,“Big Data and Predictive Reasonable Suspicion”,163 U.Pa.L.Rev.327,395-397(2015).

（二）可以预见的缺点

然而，正如目前众多讨论者所担心的那样，大数据警务还存在诸多问题点。最容易被指出的就是对特定个体或特定社群，乃至普通国民的隐私利益造成影响。关于这一影响可从两方面考虑，即作为大数据警务前提的人工智能分析结果正确所带来的影响，以及分析结果不正确带来的影响。在此，将围绕后者展开若干探讨。

作为侦查前提的人工智能的解析结果不正确，又可能细分为如下两种情形：（1）作为人工智能解析前提的数据不正确；（2）数据正确，但解析结果是以“假阳性”的形式导出的不正确结果。

在第一种情况当中，如果数据的正确性存在问题，很容易推断人工智能等手段的分析结果有失妥当。但是，这一现象并不局限于大数据这一语境。在日本，很早以前就开始根据在某些领域的登录数据以及基于犯罪经历相关的数据库，使用大数据人工智能解析开展侦查活动和犯罪搜查。而且，在日本也的确出现过因错误登记造成不良后果的事例。在以下事例中，法律的应对方式曾一度成为争论焦点。

日本某县警方工作出现失误，将原告的汽车作为被盗的监管车辆登记在内部系统中，以至于在错误登记当天，原告就接受了4 次例行盘问。对此，东京地方裁判所认定，该县警方在最初的例行盘问后的近9 个小时内仍未解除错误信息登记，属于过失不法行为。最终，裁判所判定，考虑到对原告进行的例行盘问的次数和形式等事实，根据日本《国家赔偿法》第1 条第1 项，该县警方需赔偿原告精神损失费10 万日元。②東京地判平成21年2月17日(判時2052 号53 頁)。

无独有偶，原告向日本大阪地方裁判所提起诉讼，指控在过去的16年间，大阪警方在其负责管理的犯罪前科信息数据库中，错误登记了关于自己的犯罪前科，导致其屡次为此受到搜查、起诉、审判，承受了精神上的痛苦，要求国家履行赔偿责任。大阪地方裁判所判定，犯罪信息的管理依据警察厅的通报进行，属于其履行职务实施的行政事务。因此，警方的错误登记行为被裁判所认定为职务过失引起的违法行为。根据日本《国家赔偿法》第1 条第1 项，被告获得了共计12 000日元的赔偿。③大阪地判平成22年6月10日(判（IX）1341 号60 頁)。

如上所述，围绕隐私权等问题，类似的诉讼时有发生，多是由于数据库的错误登记而引发的不利后果，有时则是因为错误登记本身导致的法律责任。同样的判断，也适用于大数据警务方面的基本内容。

但是，基于大数据的人工智能解析和犯罪分析，即使基础数据正确无误，也有可能产生分析结果的“假阳性”问题，而这也是大数据分析的特征之一。如后所述，基于犯罪分析的预测，只能说是一种概率判断。既然是概率判断，预测结果必然有对有错。对此事实，并不值得老调重弹。然而，与人工的数据收集、解析和犯罪分析相比，基于大数据产生的结果总能让人“感觉很有道理”，因此营造出一种完全不同的可信感。在此必须指出，相关风险在于，搜查时往往会依据错误的科学证据构建一种虚假的“事实”，从而导致错误的有罪判决，类似事例时有发生。①关于其代表案例，前有昭和24年发生的“弘前大学教授夫人杀人案”(仙台高判昭和52年2月15日高刑集30 巻1 号28 頁)，近有平成2年发生的“足利案”(東京高決平成21年6月23日判時2057 号168 頁、宇都宮地判平成22年3月26日判時2084 号157 頁)。另外，因模糊监控录像而误认犯人的案例，参见金沢地判平成22年9月1日(判例集未登录)。

三、大数据警务所面临的法律难题

虽然大数据警务具有上述优点，且面临相当大的挑战，但其灵活适用的脚步永远不会停歇。如此一来，应当如何从法律上对于大数据警务加以定位？又应当如何立法对其加以应对？对此，就现阶段可供探讨的几个论点试论如下。

（一）对隐私等权利产生影响的视角

就大数据的灵活适用而言，如果着眼于相关数据的个人信息属性，主要包括3 种程度不同的表现方式：利用可进行个人身份识别的信息进行大量、迅速、统一处理；利用虽然不具备个人识别性，但是与特定个人存在对应关系的信息进行大量、迅速、统一处理；利用不具备个人识别性且与特定个人无对应关系的信息进行大量、迅速、统一处理。在现实中，应采取与其目的相符的应用方式。针对第一种信息利用方式，日本《个人信息保护法》规定了各种原则性限制（该法15 条以下。与行政机关相关的情况则规定在《行政机关个人信息保护法》第3 条以下），针对第二种信息利用方式，作为匿名加工信息（非识别加工信息）应受各种限制（日本《个人信息保护法》第36 条以下与行政机关相关的情况规定在《行政机关个人信息保护法》第44 条之2 以下）。第三种信息利用方式，因为不对相关对象构成直接限制，在此不予赘述。②参照星周一郎「街頭設置カメラ映像の商用利用に関する一考察」法学会雑誌58 巻2 号(2018 年)119 頁以下。

但是，有关大数据活用的法律问题，并非上述概括所能尽言。例如，根据对特定犯罪现象的大量观察，收集大数据并通过人工智能进行解析，得出了“50 岁左右的长脸男性，每星期五晚上10 点到次日凌晨2 点，在甲地区的街上徘徊，企图纵火的可能性很高”这一分析结果。如此导出的信息本身并不是“关于现实中的个人信息”，因此在任何意义上都与个人信息保护法无关。但是，在进行基于这样的信息开展警力活动时，符合该信息或被认为符合该信息的人，有可能遭遇被单独例行盘问或随身物品被检查等人身限制措施。

关于例行盘问等，如果符合日本《警察职务执行法》第2 条 “根据异常举动及周围的情况合理判断，对于有充足理由怀疑其犯罪或意图犯罪的人”的规定，自然可以合法进行。并且，有关基于“异常举动及周围的情况”进行合理判断的实际因素，也会根据时代状况的变化而发生改变。因此，基于大数据的人工智能解析等手段的判断是否符合此处所说的“合理的判断”，乃是法律讨论的第一要义。

（二）犯罪分析自动化

如上所示，关于大数据活用正当与否、许可与否的最终判断，重点不在于“是否属于个人信息”，而在于考察其“是否对个人产生影响”。在大数据利用与活用的一般状况下，这基本上都算得上是共通的理解。①与之相关的文献不胜枚举。例如，岩下直行「ビッグデータとプライバシー侵害リスク」金融財政事情 63 巻 29 号(2012 年)46 頁、小向太郎「IT 分野における2 つの課題～ビッグデータの活用· サイバー攻撃対策～」ビジネス法務 13 巻 7 号(2013 年)49 頁((4) 今後の課題)、山本龍彦「インターネット時代の個人情報保護- 個人情報の『定義』とプロファイリングを中心に」同『プライバシーの権利を考える』(2017 年)127 頁等均作参考。在这种情况下，最为显著的问题，就是基于大数据的犯罪分析及其法律规定。

2016年通过的《欧盟一般数据保护规则》（GDPR），对犯罪分析也有所关注，并对此进行了规定。②《通用数据保护规则》的翻译，参考了个人信息保护委员会的译本。该规则第21 条第1 款“数据主体根据与自身特殊情况相关的证据，依据第6 条第1款[e]或[f]（数据的处理是当有必要为了公共利益或赋予管理者公共权限的行使等，或者有必要为了实现不可或缺的正当利益的目的——笔者注）进行的与自己相关的个人数据的处理，包括基于这些条款的犯罪分析的情况，可随时提出异议”，并允许数据主体对包括犯罪分析在内的数据处理行使异议申请权。此外，该规则第22 条第1 款规定了“数据主体有权拒绝成为使该数据主体产生法律效果、或者对该数据主体产生同样重大影响的犯罪分析自动化处理的对象”，承认了个人信息主体对犯罪分析的拒绝权。

由于在大数据的利用和活用中需要积累和分析大量信息，形成一定的人物形象并加以评价，而这将对该个人的利益构成威胁。③参照石井夏生利『新版個人情報保護法の現在と未来-世界的潮流と日本の将来像』(2017年)125 頁。欧盟从很早的阶段就将此视为问题，在建立《欧盟一般数据保护规则》的过程中，从提高透明性和数据主体控制的观点出发，指出有必要降低伴随犯罪分析产生的相关风险，从而制定了上述规则。④宮下紘『EU 一般データ保護規則』(2018 年)122 頁以下。

特别是在聚焦于个人的大数据警务中，无论是在犯罪调查时，还是在基于犯罪预测的警戒预防等情况下，毋庸置疑，都需要直面这一问题。特别是美国和欧盟，从犯罪分析很容易成为歧视、偏见的温床这一观点出发，强调了其中存在的问题。

但是，《欧盟一般数据保护规则》并未全面禁止犯罪分析。另外，在现实的犯罪搜查中，在犯罪发生后无法立即获得能够锁定犯罪人的相关证据和信息的情况下，通过犯罪分析等手段绘制犯罪人画像的搜查手法至今仍被普遍使用。根据过去实践经验展开搜查，也有其合理性。因此，曾经由人工进行的信息收集、整理、分析、活用的过程，变为由人工智能完成，其前提是两者的差异仅在于所处理的信息量，这一理解姑且成立。

也就是说，这意味着利用人工智能的自动化犯罪分析和基于此分析的侦查本身并不应该立即遭到禁止。那么，如何使其避免滥用或不良使用，将其限定在适当范围内，明确边界，以不对个人自由造成过度制约，并构筑一种可确保以上内容有条不紊运行的结构，就显得尤为重要。⑤笹倉宏紀「人工智能と刑事法」山本龍彦編著『人工智能と憲法』(2018年)424 頁。

（三）法律依据和法律规制的基本观点

即便如此，必须承认，在现阶段评价由大数据分析的活用而带来的新的现实效果，依然相对困难。

换言之，基于大数据分析的解析结果可靠性的评价，目前还未被确定为唯一的尺度基准。①参照山本龍彦「人工智能と憲法問題」山本龍彦編著『人工智能と憲法』(2018年)23 頁。另外，对这种分析结果所要求的可靠性程度本身，也不能立即得出一致的标准。毕竟，基于人工的犯罪分析也属于概率性判断。如此一来，理所当然，在分析结果和现实不一致的层面上，有可能存在“错误”。与其这样倒不如说，犯罪预测的结果不可能每次都完全一致。也有人指出，即使是基于人工智能的犯罪分析，也伴随着预测不准或是“错误”的可能性。归根结底，问题在于认识到存在这样的可能性后，我们到底可以承受多大程度的错误。②笹倉宏紀「人工智能と刑事法」山本龍彦編著『人工智能と憲法』(2018年)427 頁。

从警察执法、例行盘问等阶段到有罪判决，一系列的刑事程序都以可能出现错误为制度设计的前提。③池田修＝前田雅英『刑事訴訟法講義〔第6 版〕』(2018年)4 頁以下等。当然，必须尽可能排除出现错误的可能，这一点毋庸置疑。

在探讨大数据警务的是非对错时，首先要面对的就是，可以允许产生多大程度的不可避免的“错误”。可以从两个方向来考虑这个问题。人工智能解析的结果扩大了在被判定为可疑人员或搜查对象范围的情况下，对于首次成为搜查对象的人来说，这是非常不利的。然而，上文已有提及，根据人工智能解析，如果通过扩大搜查范围被列入例行盘问和搜查的对象，那么从其反面来看，可以说是避免了更多无关的人成为逮捕对象。因此，“基于人工智能展开的犯罪分析是要扩大侵权还是缩小的问题不能一概而论。”④笹倉宏紀「人工智能と刑事法」山本龍彦編著『人工智能と憲法』(2018年)428 頁。

与此相反的观点认为，需要判断犯罪分析对象所受到的利益影响程度，例如个人隐私。即，一般而言需要根据以往讨论的“是属于强制处分还是仍在任意处分的范围”这一框架内加以判断。也就是说，如果大数据警务的影响仅限于任意处分的范围，则应基于适用于不同场合的既有法律解释来加以判断。

众所周知，关于强制处分在搜查中的意义，作为日本最高司法机关的最高裁判所设定的判断标准是“压制个人意愿，对其身体、住所、财产等施加制约，强制实施搜查等行为，如果没有特别规定，则不属于应被允许之手段”⑤最決昭和51年3月16日(刑集30 巻2 号187 頁)。。针对警方在搜查对象的随身物品中秘密安装全球定位系统终端进行的刑事搜查，日本最高裁判所给出如下判决：“全球定位系统搜查将能够侵犯个人隐私的机器秘密安装在其私人物品上，属于违反合理推测的个人意愿侵入私人领域的搜查手法。这种技术搜查手段压制个人意愿，侵害由宪法保障的重要法律利益，若无刑诉法之特别规定，则相当于不合法的强制处分。”⑥最大判平成29年3月15日(刑集71 巻3 号13 頁)。这样的观点，即使是在并非犯罪搜查的随身物品检查等执法活动中，也同样适用。⑦参照最大判昭和47年11月22日刑集26 巻9 号554 頁、最決昭和53年6月20日刑集32 巻4 号670 頁等。而且，如果对个人产生相当于强制处分影响的方式进行大数据警务，恐怕难以想象现行法可以允许的边界，如果存在实施的必要性，就只能通过立法来解决。

与此相对，如果只是任意处分的话，就要看警察等搜查机关的判断。在一直以来进行的预防、镇压犯罪和交通管理（日本《警察法》第2 条），以及职务询问等（日本《警察职务执行法》第2 条）行政警察活动的框架内，或者认为嫌疑人涉嫌犯罪并对其进行搜查（日本《刑事诉讼法》第189条等）的司法警察活动的框架内，执行大数据警务。有关其容许性的判断一方面基于该判断的必要性，另一方面则是对对象者的被侵害利益的程度进行比较衡量，即所谓警察比例原则或搜查比例原则来进行。①参照前田雅英＝星周一郎『刑事訴訟法判例ノート〔第2 版〕』(2014年)3 頁，27 頁等。进而，在人工智能解析中使用的大数据承认了个人识别性的情况下，这就要求在行政机关个人信息保护法的框架内进行处理。既然如此，这些均不会倒逼传统的法律判断框架本身发生本质性的变革。

（四）作为“类似于鉴定”的大数据与人工智能解析之应用

然而，尽管可以根据比例原则来判断其妥当性，但这并不意味着其常规的同等价值标准对于大数据警务也同样有效。作为警察比例原则、搜查比例原则框架内的比较衡量的具体内容，需重新判断其运用大数据警务、人工智能解析和分析的可行性。也就是说，需要追问这一问题的内在实质。

在这一点上，也存在关于“人的判断和人工智能的判断，孰优孰劣”这个偏向二元对立的思考。确实，人工智能的判断，可以达到仅凭人的判断无法解决的高度。可以想见，从带来新见解这一角度思考，完全有可能认为人工智能的判断更为优越，或者说使人工智能的判断拥有最终决定权。

但是，至少就现行（广义的）刑事司法而言，应该考虑到，被处罚的对象和决定处罚的人两者都是“人”。一般认为，在将法益保护作为其重要功能之一的现行刑事法中，若是人以外的动物侵害了刑法保护的法益，是不会将该动物作为处罚对象的。虽说人工智能是“人工”智能，但其归根结底是“思考、判断的一种算法”，并非与“人”处在相同位阶或维度的存在。另外，刑事司法本身最终是由法官掌管的系统这一事实亦无可争辩。从这一角度来看，或许将人工智能作为比较的对象可能欠缺妥当，但还是应该考虑到在审判中使用量刑数据库得到关于量刑判断线索的实务问题。该种情况下，量刑数据库最终并非用于决定量刑，而是以此为参考，由专业法官（裁判员审判中的裁判员）负责量刑。同理可言，在使用大数据警务时，无论是否利用人工智能的解析结果，既然最终的实施者应该是执法人员，那么可以认为两者之间在本质上并无差别。

然而，为什么大数据警务和人工智能解析有时会被认为与以往的侦查活动存在基本框架上的差别呢？其原因之一是大数据的人工智能解析的结果容易给人留下一种印象，就是其与以往的由人所进行的判断的结果在质上存在差别。确实，无论是数据采集还是其他大数据解析，都是将以往我们的判断中无法判别的现象可视化，并利用这种可视化数据解决问题。因此认为两者存在质上的不同，也并非全无道理。

但是，在刑事司法领域中，对于从事刑事司法的普通从业者无法判断的事项，将该判断委托给具有判断能力的专业人士，一直以来都被视为理所当然。只有具备特殊知识经验的人才能认识到的法则或事实，或在事实上适用该法律结论的供述，即为鉴定。那么，可以认为刑事司法的判断者将相关判断委托给了鉴定人这一他者。在这个意义上，基于大数据分析和人工智能解析结果进行的预测性侦查也可谓一种“基于鉴定的判断”。

如果是这样的话，对于“人的判断和人工智能的判断，孰优孰劣”这个问题的回答，自然有了答案。众所周知，关于日本刑法第39 条规定的有无责任能力的精神鉴定，日本最高裁判所认为：“被告人的精神状态是否属于刑法第39 条规定的精神丧失或精神耗弱，是法律判断，所以应由司法机关予以判断。应该根据鉴定书以及其以外的记录所承认的相关事实等综合性观点，依据法律对被告有无责任能力进行判断。”①最大判昭和59年7月3日(刑集38 卷3 号第2873 頁)等。此外，探讨责任能力判断与精神鉴定的关系的文献相当之多，在本处请参照星周一郎「裁判員裁判時代における責任判断の所在」信州大学经法论集1 号(2017年)80 頁以下，以及此文中的参考文献。

人工智能的解析结果也可采用同样的思考方式。如上所述，当执法情况不同时，大数据侦察的运用方法绝不可一概而论。而且，根据不同的使用场景和使用语境，大数据警务和人工智能解析的结果确实可以成为有力线索。但是，在什么情况下成为有力线索，最终还是要由负责执法的人来判断。

在这种意义上，当人工智能具有与人同等的或超过人的判断能力时，没有理由否定基于人工智能的判断。人工智能的判断也并不是没有错误的可能性，但这不是人工智能和人之间谁的判断更为正确的问题，而是要考虑可否对人工智能的判断提出异议，是否有机会在这种异议的基础上得以重新判定，该判定应该由谁来负责，这才是问题的关键所在。概言之，强调“准备好人工智能以外的主体（目前只有人）能够推翻人工智能判断的结构框架”的观点，极具其启发性。②笹倉宏紀「人工智能と刑事法」山本龍彦編著『人工智能と憲法』(2018年)434 頁以下。此外，在本稿撰写时，日本政府于“以人为中心的人工智能社会原则讨论会”中提出了关于人工智能的七项基本原则，其中第六项原则是“在使用人工智能时不得出现歧视情况。必须要在人工智能的行动方面尽最大程度的说明责任”，从而体现了其所倡导的“公平性、说明原则、公开透明原则”的立场。

所谓侦查，由执法人员进行，由法官进行事后审查，无一例外都是人之责任所在。既然如此，至少在目前来看，人工智能承担最终责任的形态并不是在侦查语境下可以考虑的问题。

四、大数据警务研讨的应然走向

无须赘述，目前有关大数据的利用以及基于大数据的人工智能解析的活用和法律的对接方法等议论受到广泛关注，很多学者认为，这一现象是对大数据及人工智能活用时代即将到来的一种预见，理应全面展开。另一方面，也有观点从实际情况出发，基于若干关于人工智能利用的“令人吃惊的事例”，指出其在可能带来好处的同时，亦会产生消极影响，质疑其无法与以往坚持的法律价值判断保持一致，因此主张限制人工智能活用的范围。

确实，以前只是存在于科幻小说中的故事，现在拿到法律上去讨论，尤其是涉及现实世界中未知部分时，很容易就会形成反乌托邦式的讨论。这种讨论既脱离现实又充满幻想感，在形式上容易理解，在内涵上极具趣味性，足以引起很多人的好奇心。例如，20世纪末、21世纪初，道路监控视频从萌芽到普及，与此同时出现了不应将其与代表警察国家的“老大哥”等负面印象画等号的讨论，在当时，这种将两者等量齐观的观点甚至相对罕见。①See Benjamin J.Goold,“CCTV And Policing: Public Area Surveillance and Police Practice in Britain”,Clarendon Series in Criminology (2004).Oxford University Press,2004,p.5,available at SSRN: https://ssrn.com/abstract=2545545,accessed by May 1,2015.道路监控视频，设定了一种以“高科技”执法手段和监督手段为依托的新一代警察形象，人们将街头监控的加速推广，视为是向更具侵害性和威权性的技术侦查的过渡。监控技术具有内生的自主属性，其本身说到底存在脱离人的控制的危险，而这也是一直以来的一贯叙事。②星周一郎『防犯カメラと刑事手続』(2012年)的第43 頁。但是，在目前的现实生活中，这种情况并没有发生。相反，街头监控不仅被认为能够发挥防盗效果，还是不可或缺的搜查援助工具、案件搜证手段，得到了社会大众的支持。③参照星周一郎「防犯カメラ· ドライブレコーダー等による撮影の許容性と犯罪捜査· 刑事司法における適法性の判断」警察学论文集 70 卷 11 号(2017 年)46 頁以下。目前，街头的监控摄像头已经不仅只是刑事司法的重要工具，也成为了应对“ 社会劳动力不足” 的手段，甚至成为实现无人驾驶、自动化的主要方法，因此有必要在此基础上进行讨论。参照星周一郎「人手不足と情報保護法制とプライバシー」Business Law Journal 10 巻11 号(2018 年)1 頁。

目前，围绕大数据和人工智能解析在侦查中的活用，也出现了与上述街头监控视频类似的讨论。当然，大数据和人工智能解析带来的影响，在至今为止的各种技术革新对社会带来的影响中，堪称极其深远。因此，在某种程度上认为大数据侦查的滥用可能引发的不良后果较之以往存在本质差别，并基于这种警惕展开讨论，确有必要。

但是，另一方面，以往主要通过人力开展的侦查，是否因为涉及信息总量较少，就具有可以阐明的合理性？绝非如此。对此请允许笔者再次强调，这就是依据职权进行讯问的成立要件问题了，也是以犯罪的事前抑制和犯罪人的早期检控为目的的侦查环节的象征。“根据异常举动及周围的情况合理判断，对于有充足理由怀疑其犯罪或意图犯罪的人……”（《警官职务执行法》第2 条1 款），显然是根据执法人员的内心作出的判断。不可否认的是，大数据警务使该判断更加合理，而其结果是，警察依据职权进行的讯问以“查无实据”收场时，事后验证也变得更加容易，有助于提高此类执法活动合理性和精准度。

如前所述，进一步而言，不可否认，在交通事故中有效的安全对策预测、警备事件中的危险分子预测、可疑行为检查等，在一定程度上侵犯隐私。但如果将其在权利主体自主放弃隐私的范围内来加以使用，最大限度地利用有限的警察人力、物力资源，将有可能构筑一个有益于确保全体国民生活的安全、安心的应对框架。

综上，若能用恰当的方式应用大数据警务，必然带来诸多益处。在意识到缺点的同时，不应该肆意强调其消极的一面，而是要同时讨论其积极的一面并确保其有效实施的具体方案。否则，大数据及人工智能等技术侦查手段的活用可能性就有可能被埋没。在技术革新对现实社会的适用性上，也有产生既成事实先行的“放任自流”的危险性。正所谓“过犹不及”。最终，对于确定此类措施的法律可接受性而言，最重要的是社会一般人是否接受这种大数据警务。由于已在其他论文中对此有所论述，此处不再赘叙。但是，对于采用了全新技术的系统，该系统使用者是否遵守了相关法规，以及如何确保对一个强调说明义务的社会实现“透明度”等方面的问题就变得尤其重要。①See Elizabeth E.Joh,“The New Surveillance Discretion: Automated Suspicion,Big Data,and Policing”,10 Harv.L.&Pol'y Rev.15,40-42 (2016).由此，社会大众需要能够把握该系统对隐私等利益的影响程度，判断其是否停留在可允许的范围内，并在此基础上形成社会（默许性的）共识。另外一方面，通过利用该系统，根据社会大众能够在多大程度上享受何种利益，即受益性的观点来决定对该系统的容许度，进而判断这样做到底是“停留在允许范围内的对于隐私的影响”，还是“不被允许的不正当的隐私侵害”。②星周一郎「街頭設置カメラ映像の商用利用に関する一考察」法学会雑誌58 巻2 号（2018 年）第133 頁以下。星周一郎「捜査におけるカメラ画像の活用と課題」警察政策学会管理应用研究部会『警察におけるカメラ画像の活用と課題( 警察政策学会資料第100 号)』(2018 年)14 頁以下。

一言以蔽之，关于大数据警务的法律讨论，需着眼于其消极和积极两个方面，把握随时变化的社会可容许性的最大公约数，找寻探讨的平衡点。同时还需关注日后技术的发展与社会状况的变化，并在此基础上不断展开讨论。