法律是一种社会设计，而这种设计的根本难题在于问题的复杂度。哈耶克就以“人类交往问题的复杂性”[43]作为个人研究的出发点，指出了复杂度之于社会科学问题的关键性：“作为这种经济运算方法之出发点的‘数据’或‘基据’，就整个社会而言，对于一个能够计算其结果的单一心智来说，从来就不是‘给定的’，而且也绝不可能是如此给定的。”[44]理解系统复杂度的自觉性会影响我们的应对效率。因为如果我们没有意识到复杂度是问题的关键，就很难主动把降低复杂度的思维工具纳入问题的解决方案之中。而如果我们承认复杂度是许多问题的根源所在，就更容易有针对性地寻求理论帮助。算法理论中有多种降低复杂度的方法，本文仅以三种为例说明算法与法律的关联：

第一种降低复杂度的方法可以被概括为“对症下药”，也就是“通过弄清问题困难的根源，我们可能会做某些改动，使问题变得容易解决”。[45]这种方法看似简单，但如果立法者不曾有意识地加以运用，仍有可能在面对复杂问题时误症误判。例如，我国早期的知识产权损害赔偿规则只包括实际损失、侵权获利与实际许可费倍数三种计算方法。当法院严格执行传统的民事诉讼证明责任标准时，绝大多数案件中关于损害赔偿的证据都难以推出准确的损害赔偿额度。面对这一司法实际，立法者有两种可能的解读方式：一种是认定问题的根源在于知识产权损害赔偿本身；另一种是认定问题的根源在于特定的计算方式。立法者选择了后一种解读，认为问题不在于知识产权损害赔偿本身的复杂度，而在于实际损失、侵权获利与实际许可费倍数这三种计算方式存在不足，所以将引入法定赔偿作为解决办法。[46]但接近90％的法定赔偿适用率引发了公众关于滥用自由裁量权的疑虑，[47]法定赔偿从解决问题的工具成为待解决的问题本身，讨论的重点又转而变成如何通过细化法定赔偿规则来解决新问题。[48]无论是当初引入法定赔偿，还是现在细化法定赔偿，没有言明的假设都在于实际损失、违法所得与实际许可费倍数不是容纳自由裁量权的适当规则。但如果深入思考知识产权损害赔偿的复杂性，就会意识到没有任何一种知识产权损害赔偿计算规则能够不依赖巨大的自由裁量权而顺利运作。所以，与其在空洞的法定赔偿规则下试图给法官更加细化的指引，不如承认实际损失、违法所得与合理许可费项下的自由裁量权空间，从而在这三项赔偿规则下更加有效地积累经验。换言之，既然复杂度的根源在于知识产权损害赔偿不可避免的高度不确定性，那么发挥认知主体的能动性、去除制度造成的认知约束、适当降低认知精度的要求，远比将所有的不确定性压缩在空洞的法定赔偿规则中更为合理。

第二种降低复杂度的方法是贪心算法，即在哪怕不能确保全局最优解的情况下，仍然将复杂问题拆分为多个不那么复杂的子问题，通过合并子问题的解来回答复杂问题。这是一种被普遍采用、卓有实效的算法策略。[49]贪心算法一方面和最为基础的分治算法在思路上有渊源，另一方面和实践中经常采用的近似算法有关联。算法并不像部分公众理解的那样，总是能得出精确的答案。真实世界中的算法设计者常常受制于数据采集、分析能力、执行水平等各种约束，只能退而求其次。[50]退而求其次源自西蒙对有限理性的研究。[51]局部最优解虽不完美，但对处于诸多约束之下的真实决策主体而言却常常是现实中最合理的方案。(www.daowen.com)

接受局部最优解意味着放弃对完美的追求，这实际上反映了法律一直遵循的模式。面对太过复杂的问题，人们需要在解决方案的速度、质量和普适性之间进行取舍。[52]法律追求的社会福利最大化正是这样一种高度复杂、难以在有限认知资源约束下求解的问题。它同样逼迫决策者在解决方案的速度、质量和普适性之间进行艰难的抉择。此时，法律体系往往为了确保解决方案的速度和普适性，不得不放弃对完美质量的追求。法律必须确保解决速度，是因为法律只有在可容忍的时间内解决问题才能实现作为社会治理手段的价值。法律也必须确保普适性，是因为法律体系唯有具备一致性，唯有当不同个案中利益平衡的思路不至于彼此截然相反时，整个法律体系才能赢得公众信任。相比之下，解决方案是不是最优解反而不那么重要。法律可以被理解为用于规定法定条件与法律后果之间映射关系的函数。理想的最优解法律是能够有效反映系争行为及其法律后果之间映射关系的函数。这个函数既不会过度简单（欠拟合），也不包含不必要的复杂度（过拟合）。可想而知，由于影响行为法律后果的变量极其众多，准确拟合所有变量的函数（即使存在）也必然超级复杂。这种理论上的“高质量”解决方案如果被转化为法律文本，将会充满晦涩的定义和复杂的引用，无法卒读。其负面效果将远远超过正面效果。所以，在速度、普适性和质量这三个约束解决方案可行性的因素中，法律最适合牺牲掉的就是质量。这种理论推断正与法律实际相符：法律体系通常不会执迷不悟地求取最优解，而是满足于找到足以处理问题的近似解。由此可见，不同部门法的区隔只是降低问题复杂度的手段不同，不同法律部门的目标都是社会福利的最大化。这提示我们需要谨慎对待将部门法区隔强化为本质区别、难以通约的观点，例如当前司法实践中对知识产权和反不正当竞争规则之间“本质区别”的强调，很可能误导人忽略各个子问题背后相同的道理。

第三种降低复杂度的方法可以被称为“以简代繁”，即通过回答简单问题来为解答复杂问题提供帮助。数学家曾经指出：“别忘了，人的优势在于：在不能直接越过障碍时会绕过去，在原来的题目看上去不能解时会思考某道适当的辅助题目。”[53]用简单问题替代难题是人频繁采用的认知策略。[54]法律也不例外。为了回答一个部门法提出的复杂问题，立法者会提出一系列相对简单的问题，法官只需要依次回答这些简单问题就能接近复杂问题的答案。在新制度经济学和法经济学中，辅助我们回答困难问题的简单问题可以被称为中介（proxy）。中介多半很粗略，但在进行利益衡量时制度成本更低。[55]有意识地将充斥法律各个角落的概念视为帮助我们解决复杂问题的中介，有助于我们以更加功能化的态度分析法律问题。例如，面对人工智能生成物是不是作品这样的问题，如果我们固守前人工智能时代的作者个性等概念，固然可以涵摄出否定结果。[56]但这样的推理能否解决新的信息生产和利用条件下的最佳资源调配模式问题，却值得反省。如果我们意识到作者个性等概念都不过是解答最佳信息生产模式问题的中介，那么我们会更加注重分析在新的技术条件下什么样的信息独占权是恰当的，并据此判断独创性概念的内涵。即使我们最终会得出人工智能生成物不是作品的结论，这种更加功能主义的推理过程也会为结论提供更多可证伪的依据。