任务是识别黑箱隐喻的局限性和不完善之处。对于Knorr-Cetina:
[N]否定的知识不是不知识，而是认识到认识的限度，认识到我们在试图认识的过程中犯的错误，认识到干扰我们认识的事物，认识到我们对什么不感兴趣，什么并不是真正想要认识的。(1999:64)
未知算法作为了解它们的第一步，将是更积极地参与解决那些似乎干扰或阻止我们了解的事情。事实上，我想论证的是，黑箱的隐喻本身就构成了这种干扰。在我们试图打开黑盒子的过程中，经常被忽略的问题是，黑盒子的隐喻到底是否成立。将算法视为黑箱可能更容易、更切实，因为它允许分析师、政策制定者或外部批评者呼吁提高透明度和公开性，作为让权力掮客承担责任的实用手段。尽管所谓的黑，这个黑盒子不仅隐藏了批评者想要揭露的代码，还隐藏了这样一个事实，即算法甚至可能不像人们经常认为的那样黑或方正。
多重 (Multiple)、..过程(Processual)、异构(Heterogeneous)
关系本体与算法
本章的中心焦点与了解通常被描述为黑盒的算法的可能性和挑战有关。到目前为止，我所论证的是，黑箱的隐喻掩盖了它作为一种认知手段的自身局限性。通过鼓励启蒙运动的揭示一一或开放一一黑箱将可见性定位为知识和控制的管道。然而，算法并不是独立的盒子，而是复杂系统的一部分。它们通常作为算法的集合在最终网络化的系统中运行。对于Facebook、Twitter、Netflix或YouTube等平台的底层算法尤其如此。这些系统不是包含一种算法，而是一系列算法的集合，共同创造统一的体验。戈麦斯-乌里韦和亨特是Netflix的产品负责人，他们写道：“我们的推荐系统由多种算法组成，这些算法共同定义了Netflix的体验。”2)为了给大家一个印象，在设计Netflix整体体验的过程中，有许多算法在起作用，戈麦斯-乌里韦和亨特列出了至少8种不同的算法，包括个性化视频排名(PVR)，它以个性化的方式为每个成员排序整个视频目录;Top-n视频排名(Top- n Video ranking)，它产生Top Picks中的推荐;以及页面生成算法，用于构建每一页的推荐。同样，YouTube的视频推荐系统也不是由单一算法驱动的，而是由许多算法驱动的，包括相关/推荐的视频建议算法、搜索算法和Content ID (Davidson et al.，2010)。Facebook也不例外。正如科技记者WillOremus(2016)在Slate上所写的那样：“算法实际上是数百个较小算法的集合，这些算法解决了较小的问题，这些问题构成了向人们展示什么故事的大问题。
Neither Black nor Box
47