法律和狭义的算法在探索认知规律的自觉性方面有所差异。总体而言，狭义算法在发展过程中积累了更多的元认知经验，而法律算法的设计者却往往不那么关心元认知。

狭义算法的设计者在大部分发展阶段中都能依附在价值无涉的保护伞下，自由探索并运用认知规律。在追求“算得更好”的过程中，狭义算法的设计者通常不会受到来自价值观、公平感或其他顾虑的干扰。当研究机器翻译的科学家意识到与其让机器先理解自然语言再进行翻译（所谓基于规则的翻译），不如让机器直接寻求两种语料之间的数学关联（所谓基于统计的翻译）时，他们实际上把语言理解这个智能问题“降格”为了计算问题。[21]不过，在这种观念转变传导至大众关心的价值领域之前，科学家们无须就他们对智能的态度接受大众的质询。直到算法的运用领域中出现了自动驾驶、[22]算法杀熟、[23]影响选举[24]等越来越多牵扯强烈价值判断的问题，算法非技术性的一面才会进入主流舆论的视野。

法律则从来没有享受过价值无涉的保护，而是必须持续回应公众的价值观期待，从而发展出一套貌似与计算无关的话语体系。法律对计算理念的排斥感，是法律难以像狭义算法那样始终保持对计算方法本身高度自觉的第一个原因。法律被视为关于正义与非正义的学问，千百年来处理的都是自由、尊严、公平、道德等带着浓厚价值意味的对象。对于每一代法律人而言，这些对象已经在很大程度上被给定，并不会因为法律人宣称自己在计算对象或者计算方法上产生了洞见就发生改变。加之社会也需要借助稳定的共同想象来维系基本秩序，因此包括法律在内的社会制度倾向于把这些对象视为神圣不可侵犯的。如果要把这些对象从目的降格为手段，难免会与公众更容易接受的法律理念相抵触。(www.daowen.com)

法律难以像狭义算法那样始终保持对计算方法论的高度自觉，第二个原因是两者在本质上的确存在重大差别。如果从数学的角度来理解狭义的计算，就会看到狭义的计算是在一套人为定义的自洽系统内部进行符号推演。至于该系统是否与外部世界相匹配，这并非是需要优先考虑的问题。数学强调的抽象性可以被理解为一种向内推演而不向外求证的态度。“公理系统的主要问题并不是公理的真实性，而是公理的自洽性和有用性。”[25]这种自给自足型的思维方式不能满足法律的需求。虽然法律也是一套符号体系，但这套体系却必须是开放的，根据时代发展不断调整符号及其相互关系的定义，不可能像数学那样以公理系统内部推演为终极追求。

法律难以像狭义算法那样始终保持对计算方法论的高度自觉，第三个原因是法律领域的计算效果并不总是那么值得信任。计算者固然可以宣称公平正义本属效率的一部分，从而将所有的社会问题都转化为计算问题，但这难免会使效率变成无所不包、难以证伪的概念，并不能使众多法益衡量问题在操作层面迎刃而解。因为计算以不同价值的通约为前提，而在利益衡量中真正困难的恰恰是通约本身而不是通约后的计算。例如，要回答个人的信息自决诉求与社会的信息产业发展如何协调的问题，难点在于个人安宁和产业发展分属不一样的心理账户，因此哪怕在个人层面也很难被完全理性地通约，更何况要通过立法在社会层面对二者进行通约，阻力自然更大。价值越难客观化的对象，在计算中越难处理。针对伦理、公平等道德意味浓烈的对象，计算者固然可以采取近似、估算等诸多手法，但难免会给人回避道德难题的印象。[26]计算能够告诉我们如何实现目标，却很难告诉我们目标是什么，更无法告诉我们目标应该是什么。所以，法律与计算之间的隔膜不仅由来已久、根深蒂固，未来也无法彻底消除。这种状况使得法律尽管具有计算的属性，但专门针对这部分属性展开的研究并没有登上主流研究的大雅之堂。