说得清“法”而道不清“理” 缺乏温情或许是人工智能法律目前的小遗憾

图说：扫码可观看直播 背景图/视觉中国

人工智能的“黑箱”真的黑吗？算法“眼”中的法律是什么样？法律+人工智能是否就是法律人工智能？法律与人工智能两者之间在未来该如何融合，两者是否会有冲突？法律人工智能当下是怎样发展？

昨晚，上海司法智库学会与华东政法大学联合主办，以“加法”（PLUS——Pro、Legal、Universal、Share）为主旨的演说会迎来全新的议题，8位来自法院、检察院、法律院校、计算机科学界、法律科创界的演说者围绕“法律人工智能的真实当下与可能未来”，完成他们对法律人工智能的“拼图”。

叶衍艳（ 华宇元典法律研究院业务专家 ） ：人工智能系统能够取代法律人吗？

A君酒后驾驶一辆机动车，行驶至大望路八王坟路口处时与B君驾驶的机动车发生交通事故。这样一个事实构成什么法律关系？人工智能系统会首先分析最有可能构成是危险驾驶罪，还可能构成责任保险合同纠纷和财产损失方面的纠纷。这个问题上，机器好像考虑得比法律专业学生都周全。因为系统基于历史上大量同样案情事实，从历史裁判文书中识别出了结果。

但是，这样一个智能系统不能代替法律人的判断。因为，对于复杂案件的案由判断，实践判决的结果往往不一致，而机器判断也不可能有绝对的正确答案。比如，在烧烤摊吃夜宵，行为人因对服务不满和服务员发生口角，继而动手打了服务员，实际判决一多半认定寻衅滋事，一小半认定故意伤害。机器不能根据过往判决武断地判定寻衅滋事或故意伤害，但是可以有效展示和分析过往判决的多样性，给司法人员更全面的参考。而正由于机器判断案由是根据过往数据，因此当出现全新罪名、新型犯罪的时候，机器判断的准确度会明显折扣。因此，想要让机器像司法人员一样从法律用语的解释角度完全自定义认定分析一个新行为新案由，至少在目前是不现实的。

定性比较困难，量刑问题似乎人工智能更能发挥优势。还是A君醉驾的例子，法律规定对危险驾驶罪判处拘役并处罚金，但是，究竟拘役一个月还是六个月？罚金罚多少？虽然有最高法量刑指导意见的指导，但司法实践中类似的案件处理差别较大。人工智能系统则可以建立在历史数据分析的基础上作出判断，并且能直观分析给出量刑建议的依据。这样的系统很大程度上能避免由于过于主观而导致的量刑偏差，有利于刑罚裁量的均衡性。

但是，法律判断一定包含经验判断，许多经验可以被机器提取固化定量，但一定也有些是难以实现的。例如同样是认罪认罚，但是被告人不同的家庭背景，在法庭上认罪悔罪程度的不同，甚至法官个人不同的情感认知等等，都或多或少会影响到法官的自由裁量。例如，为购买奢侈品满足虚荣心而恶意透支信用卡，与为了救治患病家属恶意透支信用卡，动机区别都可能影响实际的刑罚裁量。技术并不能完全精准提炼覆盖所有的可能性内容。因此大数据量刑，再精准也只是辅助，仍然需要人的确认。

图说：PLUS演说会法律人工智能专场 华东政法大学供图

李岳（上海闵行法院法官）：这些看似明确的问题可能会难倒人工智能

法律推理有明确的前提、稳定的对象（案件信息）、严格的程序、结构化的数据，是智能模拟的最佳对象。真的如此吗？举例来说，我国《刑法》规定“已满16周岁的人犯罪，应当负刑事责任”，这一规定看起来简洁、严谨、足够确定，只要输入出生日期和犯罪事件就可以计算得出结果，关于这个问题的不确定性就被消除了。

然而，在司法实践中，未成年人犯罪的年龄认定问题却复杂的多。我们会进一步追问：身份证件和户籍登记记载的出生日期一定真实吗？身份证件和户籍证明是由法律授权的机关依照法定程序所出具的，具有较强的规范性和稳定性，从理论上讲（往往意味着实践中存在大量反例），应当具有最高的证明力。什么情况下户籍信息容易出现失真？受客观条件影响，我国相当一部分农村地区，户籍信息的采集是由当地村委会代为完成，而村委会在当时又多采取听由居民自报的方式，还有的为了让子女能提早就业或当兵改动户籍，加之对公历、农历日期的概念混淆，上述诸多因素容易造成户籍信息失真。认定年龄还有什么证据？出生医学证明、村委会证明、计生证明、学籍证明等书证，犯罪嫌疑人供述及证人证言、骨龄鉴定等鉴定结论等。如何考虑证明力问题？一言以蔽之，根据证据规则，具体案件具体分析。

在这个具体法律问题中，人工智能能够解决哪一个层次的“不确定性”？也许停留在第一个层次，也许是第二或第三个层次，每深入一个层次，所需的数据会呈几何级数增长。但在司法实践中，越是那些深层次的问题，那些少数的、特殊的、差异化的法律问题，也就是我们所说的疑难、复杂、新类型案件，越能体现法官的专业技能，也越需要引入大量的、潜在的、很难被特定和标注的信息——关于社会、经济、地域、时代背景、文化习俗的知识，包括“一个人在年龄上撒谎的时候，他可能无法立即说出自己的属相”等有中国特色的经验性知识。因此我们说，现阶段的弱人工智能可以为法律推理提供一些前置的、局部的辅助，但很难全局性、终局性地解决以法律推理为核心的法律智能问题。也就是说，法律职业作为一个整体很难被人工智能取代。

来源/视觉中国

孙林君（实在智能CEO）：要实现法律智能决策，建模亟需跟上

法律人眼里把法律抽象成要素，原则和规则，我们是算法工程师，从我们的视角来看，法律部分的智能化，更多的来说是把非结构化的文本把它转化成数据，数据其实就是向量，向量之间的关系组成的图谱，这些是我们眼中的法律构成的要素。

从电商平台纠纷调解的智能化来看，我们已经有比较成功的经验。2015年，阿里有1000多的客服小二来做纠纷的调解。阿里的纠纷调解比较复杂，它涉及众多的问题领域，有男装女装、数码、生鲜、大家居、古董等领域，还有众多的问题类型，有质量问题、描述不符、邮费问题、保险问题、违背承诺等，这和法律里面的案由比较相似。要在众多的问题领域和问题类型上建模，传统的建模方式效率很低。我们是怎么解决这个问题的呢？通俗地讲，我们在这些问题领域上同时训练很多个模型，每个模型可以当成一个虚拟的小二，可以对每个案例的数据进行判断。刚开始数据量少，这些虚拟的小二的水平很低，错误很多，但是他们在后台默默地搜集数据，真正的小二判决一个纠纷，虚拟的小二也会同时判决一次，如果这个纠纷判的和真正的小二不一致，就把这个数据回流到一个质检平台，质检平台有更有经验的小二进行一下校验。分析一下是虚拟的小二错了，还是真正的小二错了。如果虚拟的小二错了，是因为有指标没有采集到还是类似的案例太少了，这样添加新的指标和新的案例进来不断训练这个虚拟的小二。每天有大量的数据进来，这些虚拟的小二都在不断地进步，错误越来越少，当某一天某一个领域的虚拟的小二的水平和准确率接近真实专家小二的时候，我们让这个虚拟的小二主动代替真正的小二来处理案例，而真正的小二退居二线，只需要做简单的校验和确认就可以了。这样一个个的虚拟小二就被“喂养”出来了，它可以使小二原来要处理的一整个工作流7、8个步骤，简化为几次点击就处理完成，甚至自动处理，大大减轻人的负担。阿里的纠纷调解最终在99%的场景下实现了覆盖，准确率接近95%。阿里2015年有1100个左右的自营小二，但是到2018年，只有不到50%的自营客服在进行纠纷调解，很多的工作都转为了智能的自动化处理，或者在线人工加智能化的处理，极大地缓解了客服的工作量和压力。

但事实上，阿里实现智能决策助手，有它一定的特殊性。阿里的结构化数据比较多，我们要在更通常的情况下实现智能决策助手类的AI产品，将面临多方面的挑战。比如：法律里面基本上都是非结构化的自然语言，对自然语言处理的要求更高。

从技术上来说，要让高质量的大数据发挥作用，就要用自然语言处理的手段，从文本当中抽取关系，抽取他们的主体，形成知识图谱、事理图谱。在建模过程中，我们大概是这么一个流程，我们首先要将裁判文书的文本向量化，然后构造出图谱，再把文书解构成输入输出的部分，利用各种算法加工成高质量的模型，然后进行评估。这个方案，需要不断地迭代，才会有相对较高的准确率。

新民晚报记者 易蓉 实习生 刘玉璐 整理