孫培福，付卓然

（山東政法學(xué)院，山東 濟(jì)南 250014）

Alphago在圍棋領(lǐng)域的成功產(chǎn)生了極強(qiáng)的輿論影響，“奇點(diǎn)”①“奇點(diǎn)”（Singularity）這個(gè)詞是由科幻作家弗諾·文奇首先提出的，指的是人工智能發(fā)展會經(jīng)歷的一個(gè)階段，當(dāng)AI的發(fā)展達(dá)到奇點(diǎn)時(shí)，人工智能將會出現(xiàn)爆炸式的增長，并且將在事實(shí)上取代人類在智力領(lǐng)域的地位。已至的言論在國內(nèi)也開始流傳。一時(shí)之間，各種與人工智能交叉的研究方向，如雨后春筍般層出不窮，其中自然也不乏來自法律人的活躍表現(xiàn)。在中國知網(wǎng)中搜索“法”加“人工智能”的關(guān)鍵詞，便可以看出2016年前后，相關(guān)論文的數(shù)量差別極大。在2016年之前總共也只有幾十篇相關(guān)論文，在這之后，僅2017年便有近300篇的論文發(fā)表。這前后的冷熱反差正昭示了對于當(dāng)下的國內(nèi)法學(xué)界而言，“人工智能與法”是一個(gè)逐漸興起且熱度很高的前沿研究領(lǐng)域。

但應(yīng)當(dāng)明確的是，在“人工智能與法”這個(gè)新興且蓬勃發(fā)展的交叉領(lǐng)域，存在著兩個(gè)截然不同的分支。其一，是人工智能法學(xué)，內(nèi)容以人工智能引發(fā)的法律變化為主，比如人工智能立法、人工智能產(chǎn)品侵權(quán)等，整體研究基于法學(xué)理論層面，并可以引入哲學(xué)、邏輯學(xué)、倫理學(xué)的相關(guān)理論進(jìn)行補(bǔ)充；其二，則是法律人工智能，內(nèi)容以人工智能進(jìn)入法律領(lǐng)域的實(shí)際應(yīng)用為主，具體而言是人工智能對原本法律領(lǐng)域內(nèi)的功能角色進(jìn)行輔助、增強(qiáng)甚至替代，比如智能咨詢律師，其研究內(nèi)容有極強(qiáng)的技術(shù)色彩，與傳統(tǒng)的法學(xué)領(lǐng)域研究差別極大。有些學(xué)者會持不同意見，認(rèn)為法律人完全可以不去理會法律人工智能的應(yīng)用原理問題，因?yàn)樵搯栴}完全可以交由人工智能學(xué)者去完成，而法律人只需要對現(xiàn)象進(jìn)行觀察，繼而做出評判式的研究即可。這種理念在傳統(tǒng)的法學(xué)研究中是合理的，法律人通常不需要去鉆研非法律領(lǐng)域的知識，只需要立足于法學(xué)領(lǐng)域本身，便足以應(yīng)對各種跨領(lǐng)域的法律挑戰(zhàn)。比如法律人面對醫(yī)療糾紛時(shí)，哪怕自身不具有醫(yī)學(xué)專業(yè)知識，只要征詢專業(yè)的醫(yī)學(xué)意見，就可以通過這意見做出基于法律的準(zhǔn)確評判。同樣的研究邏輯也可以應(yīng)用于人工智能領(lǐng)域，在2018年美國亞利桑那州發(fā)生的“自動駕駛汽車撞人事件”中，法律人就是從傳統(tǒng)的侵權(quán)責(zé)任理論出發(fā)，進(jìn)一步展開各種學(xué)理上的探討。[1]而在這過程中，并沒有對無人駕駛系統(tǒng)的算法構(gòu)成進(jìn)行深入研究。所以，得出法律人無需對別類專業(yè)領(lǐng)域進(jìn)行深入探究的結(jié)論，在一般的法律語境中顯然是正確的。

但是，法律人工智能并不是法學(xué)領(lǐng)域以外的存在。它是一個(gè)尚未發(fā)展成熟，就已經(jīng)對法律既有存在形式與邏輯產(chǎn)生挑戰(zhàn)的事物。[1]大部分的非法學(xué)領(lǐng)域（包括人工智能領(lǐng)域）與法學(xué)領(lǐng)域是沒有專業(yè)知識層面的交集。它們與法學(xué)產(chǎn)生聯(lián)系的根本原因在于，這些專業(yè)領(lǐng)域都處于或?qū)⒁幱谙嚓P(guān)法律的規(guī)制之下。但是法律人工智能是不同的，它是嵌套在法律領(lǐng)域內(nèi)部的，會演變成為法律領(lǐng)域的一部分，比如司法輔助審判系統(tǒng)之于刑事審判。甚至其本身的構(gòu)成也天然帶有著法律的部分——一個(gè)通過學(xué)習(xí)法律數(shù)據(jù)庫，應(yīng)用適合法律問題的算法而存在的“專門的人工智能”，將它定義為完全的另一個(gè)領(lǐng)域的事物是不可取的。法律人可以不去關(guān)注有關(guān)無人駕駛汽車的人工智能技術(shù)，但是不能放棄對于法律人工智能的技術(shù)研究?，F(xiàn)如今學(xué)界將視角集中在了人工智能法學(xué)的方向，而卻明顯忽略了對于法律人工智能的研究。而實(shí)現(xiàn)法律人工智能技術(shù)的發(fā)展與成熟，才是保證“人工智能與法”的研究領(lǐng)域具有長久的生命力，以及存在價(jià)值的關(guān)鍵。因此，有必要梳理人工智能的基本理論，并進(jìn)一步探討法律人工智能的研究邏輯，為相關(guān)研究確定立足點(diǎn)。

一、人工智能的發(fā)展與“弱智能”產(chǎn)生

若要追溯人工智能的源起，就不得不提到艾倫·圖靈。他在1950年發(fā)表的著名文章《計(jì)算機(jī)器與智能》中[3]，提出了“圖靈測試”①即一個(gè)人在不接觸對方的情況下，通過一種特殊的方式，和對方進(jìn)行一系列的問答，如果在相當(dāng)長時(shí)間內(nèi)，他無法根據(jù)這些問題判斷對方是人還是計(jì)算機(jī)，那么，就可以認(rèn)為這個(gè)計(jì)算機(jī)具有同人相當(dāng)?shù)闹橇?，即這臺計(jì)算機(jī)是能思維的。的概念。他認(rèn)為“機(jī)器能夠在純智能領(lǐng)域與人類競爭”。②參考《計(jì)算機(jī)器與智能》（Computing machinery and intelligence），MIND（1950）.而對于當(dāng)時(shí)正在興起中的“認(rèn)知主義”學(xué)派而言，圖靈的學(xué)說給他們提供了重要的理論工具。在20世紀(jì)的四五十年代，正是“認(rèn)知主義革命”全面展開的時(shí)間。這場源自心理學(xué)的一場變革活動，本意是通過新的研究范式來探究人類的心智內(nèi)部構(gòu)造和心理變化過程，卻意外地推動了人工智能的發(fā)展。在1956年的達(dá)特茅斯會議，③參見《達(dá)特茅斯會議：人工智能的緣起》，載“搜狐網(wǎng)”https：／／www.sohu.com／a／63215019_119556，最后訪問日期 2020 年 8 月 20 日。以約翰·麥卡錫、馬文·明斯基、克勞德·香農(nóng)、艾倫·紐厄爾、赫伯特·西蒙等人為首的認(rèn)知科學(xué)家通過足足兩個(gè)月的時(shí)間討論著機(jī)器模仿和學(xué)習(xí)人類智能的相關(guān)議題，并在最后用“人工智能”（Artificial Intelligence）④該名稱由麥卡錫提議，并最終被眾人認(rèn)可，這也是他被稱為“人工智能之父”的原因之一。這個(gè)全新并帶著挑釁色彩的詞匯，對相關(guān)會議內(nèi)容做出了概括性表述。人工智能的概念得以確立，于是這一年被后來人稱為“人工智能元年”。而同樣在1956年，第一個(gè)人工智能程序“邏輯理論家”由認(rèn)知心理學(xué)家紐厄爾、赫伯特·西蒙等人合作編制成功。正如其名字所表明的那樣，“邏輯理論家”在邏輯領(lǐng)域展現(xiàn)了令人驚艷的能力，它不僅成功證明了羅素的18個(gè)關(guān)鍵的命題邏輯定理，甚至更進(jìn)一步，對其中某一定理的證明過程進(jìn)行了改寫，使證明變得更為恰當(dāng)且有效。[4]

“邏輯理論家”的成功對于“符號主義”的人工智能學(xué)派是一種有力的鼓舞，這些“符號主義”的人工智能學(xué)者傾向于將現(xiàn)實(shí)世界的概念、知識用物理符號進(jìn)行表征，其理論來源自笛卡爾的哲學(xué)思想，即“所有的理解都是形式化的并可以使用恰當(dāng)?shù)姆柋碚鳌?，⑥笛卡爾認(rèn)為這些表征是由原始理念和要素實(shí)體所構(gòu)成的復(fù)雜描述。而通過將這些表征用一些規(guī)則連接，構(gòu)成一個(gè)立體的形式化的表征結(jié)構(gòu)，則成了“符號主義”人工智能的基本技術(shù)路徑。而這一理念通過“知識圖譜”的技術(shù)得以實(shí)現(xiàn)。事實(shí)上這一流派與心理學(xué)、邏輯學(xué)、哲學(xué)等人文社科領(lǐng)域有密切的聯(lián)系。符號主義者試圖通過知識表征來復(fù)刻人類的心智體（一種哲學(xué)概念，用以描述了人類的意識存在形式）。[6]

在很長的一段時(shí)間內(nèi)，“符號主義”幾乎成了人工智能領(lǐng)域的正統(tǒng)學(xué)說。直到20世紀(jì)七八十年代，“符號主義”在難以克服的困境面前不復(fù)往日榮光——機(jī)器無法去表征常識（常識并不是單純的知識，更類似于人類理解某些知識所需要那類先驗(yàn)化的意識規(guī)則）。[4]最后，符號主義者試圖將數(shù)以萬計(jì)的人類常識分別予以表征，然后向計(jì)算機(jī)灌輸這些知識，然而受限于硬件等因素這種常識的灌輸很大程度上會超越計(jì)算機(jī)自身的計(jì)算能力。此外，上下文問題⑤上下文，即語境、語意，是語言學(xué)科（語言學(xué)、社會語言學(xué)、篇章分析、語用學(xué)、符號學(xué)等）的概念。更是其難以跨越的高山。舉個(gè)例子：“小明看到一只貓趴在玫瑰花叢旁邊，它很漂亮。”而其中的“它”對于機(jī)器來說，就是一個(gè)很難理解的對象，“它”是指貓還是玫瑰？

基于“符號主義”的高開低走，約翰·豪奇蘭德給予了“符號主義”一個(gè)稱謂——Good Old-Fashioned AI（簡稱GOFAI），也就是所謂的“老舊的”但是“有效的”人工智能。這一稱謂帶有很明顯的“退化的研究綱領(lǐng)”色彩——因美好的愿景而開始，被特化難以推廣的成功個(gè)例而激勵(lì)，又因某些難以克服的沖突而被新的綱領(lǐng)淘汰。

而與GOFAI相對應(yīng)的一個(gè)概念則是“新式AI”（NFAI，New-Fashion AI），但是這個(gè)稱謂也只是為了與GOFAI進(jìn)行區(qū)分罷了。因?yàn)镹FAI中占據(jù)主流的聯(lián)結(jié)主義，并不是真正意義上的“新”理念。早在五六十年代，聯(lián)結(jié)主義①1955年，美國西部計(jì)算機(jī)聯(lián)合大會在洛杉磯召開，會中還套了個(gè)“學(xué)習(xí)機(jī)討論會”。討論會的參加者中有兩個(gè)人參加了第二年的達(dá)特茅斯會議，他們是塞弗里奇和紐厄爾，塞弗里奇發(fā)表了一篇模式識別的文章，而紐厄爾則探討了計(jì)算機(jī)下棋，他們分別代表兩派觀點(diǎn)。討論會的主持人是神經(jīng)網(wǎng)絡(luò)的鼻祖之一皮茨，他最后總結(jié)時(shí)說：“（一派人）企圖模擬神經(jīng)系統(tǒng)，而紐厄爾則企圖模擬心智……但殊途同歸?！边@里的兩派，便是“符號主義”和“聯(lián)結(jié)主義”的雛形。就已經(jīng)有所發(fā)展，只不過在如日中天的“符號主義”面前難以展現(xiàn)其價(jià)值。而聯(lián)結(jié)主義，或者說是人工神經(jīng)網(wǎng)絡(luò)理論，是隨著分布式并行處理（PDP，Parallel Distributed Processing）的潮流，而在八十年代重新回到人們的視野中。如果說，“符號主義”是以哲學(xué)和邏輯學(xué)這類傳統(tǒng)的人文社會科學(xué)作為其前進(jìn)的旗幟，那么支撐人工神經(jīng)網(wǎng)絡(luò)的理論根基正是在當(dāng)時(shí)日益蓬勃的神經(jīng)科學(xué)，而其運(yùn)行理論更是基于純粹的數(shù)學(xué)和統(tǒng)計(jì)學(xué)范疇。

人工神經(jīng)網(wǎng)絡(luò)（Artifical Neural Network，ANN），即通過仿生研究，用計(jì)算機(jī)模擬人類的腦神經(jīng)網(wǎng)絡(luò)，從而實(shí)現(xiàn)類人智能。具體來說，就是將微小且數(shù)目眾多的單個(gè)神經(jīng)元相聯(lián)結(jié)，形成具有強(qiáng)大計(jì)算能力的神經(jīng)網(wǎng)絡(luò)。并且神經(jīng)網(wǎng)絡(luò)可以有多個(gè)層級，各個(gè)層級之間也是相互聯(lián)系的。它們的運(yùn)行方式與“符號主義”差別很大，用分布式并行處理模式替代了串行計(jì)算，正向／反向傳播算法替換了線性的控制指令，概率和統(tǒng)計(jì)替代了邏輯。最為重要的是，人工神經(jīng)網(wǎng)絡(luò)是動態(tài)的，它可以從隨機(jī)的輸入開始運(yùn)行程序，在過程中通過機(jī)器學(xué)習(xí)，來調(diào)整不同層級網(wǎng)絡(luò)之間的聯(lián)結(jié)權(quán)重，并且可以利用監(jiān)督學(xué)習(xí)不斷修正輸入輸出過程中的誤差，進(jìn)而持續(xù)實(shí)現(xiàn)自我完善。而GOFAI則是一個(gè)精密卻靜態(tài)的程序，嚴(yán)格按照既定設(shè)定運(yùn)行著整個(gè)程序，一旦運(yùn)行中丟失某些節(jié)點(diǎn)或是發(fā)生意料之外的錯(cuò)誤，就會面臨程序崩潰的悲慘結(jié)局。

但是，據(jù)此而認(rèn)為人工神經(jīng)網(wǎng)絡(luò)完全優(yōu)于GOFAI則是武斷的，盡管它具有很多優(yōu)點(diǎn)，但同時(shí)也具有顯而易見的缺陷。由于整個(gè)神經(jīng)網(wǎng)絡(luò)的運(yùn)行計(jì)算是建立在統(tǒng)計(jì)學(xué)、概率論框架之上的，這就導(dǎo)致它無法像GOFAI那樣，依據(jù)嚴(yán)密精準(zhǔn)的邏輯路徑得到精準(zhǔn)的輸出內(nèi)容。舉個(gè)例子：如果詢問機(jī)器1+1等于幾？那么GOFAI會告訴你等于“2”；而人工神經(jīng)網(wǎng)絡(luò)則會告訴你大概率等于“2”。[4]換言之，人工神經(jīng)網(wǎng)絡(luò)輸出內(nèi)容通常是一種概率的描述，而不是準(zhǔn)確結(jié)果。并且，盡管神經(jīng)網(wǎng)絡(luò)企圖通過模仿人腦的神經(jīng)系統(tǒng)，來實(shí)現(xiàn)人工智能。但事實(shí)上，神經(jīng)網(wǎng)絡(luò)與人腦神經(jīng)系統(tǒng)，完全是不同的東西，甚至在某些構(gòu)造上是截然相反的（比如，人腦的神經(jīng)節(jié)點(diǎn)是固定的單方向傳播，但是人工神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)卻往往是多向傳播）。最關(guān)鍵的是，人工神經(jīng)網(wǎng)絡(luò)始終面臨著計(jì)算能力的桎梏。這并非硬件層面的因素，而是因?yàn)榛谂f理論難以構(gòu)造足夠復(fù)雜的人工神經(jīng)網(wǎng)絡(luò)，而神經(jīng)網(wǎng)絡(luò)的復(fù)雜程度與層級數(shù)量又決定了其“智能”上限。但是，隨著“深度學(xué)習(xí)”（Deep Learning）的橫空出世，人工神經(jīng)網(wǎng)絡(luò)卻成了“元年”以來，最有應(yīng)用價(jià)值的技術(shù)。

“深度學(xué)習(xí)”是自“機(jī)器學(xué)習(xí)”理論中發(fā)展出來的，建立在人工神經(jīng)網(wǎng)絡(luò)（人工神經(jīng)網(wǎng)絡(luò)的一大特性就是可以進(jìn)行“機(jī)器學(xué)習(xí)”）的基礎(chǔ)之上，可以通過進(jìn)行知識表征，將初始的低級特征不斷抽象為更高級的表征。相比于人為構(gòu)建的表征，機(jī)器通過大數(shù)據(jù)獲得的表征具有更豐富的特性，其本身是一個(gè)動態(tài)的過程。②可以通過例子來進(jìn)一步說明：存在“深度學(xué)習(xí)”機(jī)A，建立最先的表征“貓”，然后輸入大量白貓的照片進(jìn)行學(xué)習(xí)，并得到輸出結(jié)果為“貓”。然后輸入大量黑貓的照片進(jìn)行學(xué)習(xí)，同樣得到輸出結(jié)果為“貓”。最后會出現(xiàn)的結(jié)果是，你將一張花貓的照片輸入A中進(jìn)行識別，A會告訴你，這是貓。很明顯，A通過深度學(xué)習(xí)，掌握了貓的特征，并且知道“是否是貓與顏色無關(guān)”。并且，“深度學(xué)習(xí)”使得神經(jīng)網(wǎng)絡(luò)的層級數(shù)量突破原有的限制，大大延伸了神經(jīng)網(wǎng)絡(luò)的“深度”③輸入神經(jīng)元到輸出神經(jīng)元的最大距離。，從而讓神經(jīng)網(wǎng)絡(luò)具有了更高的“智能”上限。盡管“深度學(xué)習(xí)”對于知識表征④在神經(jīng)網(wǎng)絡(luò)中的知識表征，技術(shù)上表現(xiàn)為很多人耳熟能詳?shù)闹R圖譜。同樣很倚重，因此會造成一定的混淆，使人認(rèn)為“符號主義”與人工神經(jīng)網(wǎng)絡(luò)有所結(jié)合。事實(shí)上，兩者的表征是不同的，GOFAI是集中式的表征，每一個(gè)單獨(dú)物理符號表征一個(gè)單獨(dú)的概念，但是人工神經(jīng)網(wǎng)絡(luò)卻可以實(shí)現(xiàn)分布式表征，將一個(gè)概念分布式表征在數(shù)量龐大的神經(jīng)元中。而這個(gè)概念是否會在輸出中出現(xiàn)，要仰仗與之相關(guān)的神經(jīng)元被激活的數(shù)量，神經(jīng)元數(shù)量越多，則關(guān)聯(lián)性越強(qiáng)，算法權(quán)重也隨之上升，概念最終被輸出的概率也就會上升。這也是為何需要強(qiáng)調(diào)人工神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)學(xué)特征，因?yàn)閺募夹g(shù)原理上來說，精確的自分析、自推理就不是該類人工智能所能具備的特質(zhì)。人工神經(jīng)網(wǎng)絡(luò)的特質(zhì)，是基于數(shù)據(jù)庫進(jìn)行大樣本的訓(xùn)練學(xué)習(xí)，進(jìn)而完成特征提取和規(guī)則構(gòu)建，最后進(jìn)行統(tǒng)計(jì)學(xué)意義上的概率分析。而這往往會成為研究者對于法律人工智能進(jìn)行分析時(shí)的混淆點(diǎn)。

而在“符號主義”和“人工神經(jīng)網(wǎng)絡(luò)”之外，還有人類行為主義理論（控制論）。該理論基于“具身智能”①具身智能理論認(rèn)為智能不僅僅是大腦的智能也是身體的智能，其形成和發(fā)展與身體、環(huán)境聯(lián)系密切。的理論，主要研究方向在運(yùn)動感知、情境機(jī)器人等領(lǐng)域。但是該理論在現(xiàn)階段與法律人工智能的關(guān)聯(lián)性不大，主要成就也體現(xiàn)在工業(yè)領(lǐng)域的低級智能機(jī)器人，所以不做過多闡述。

總之，無論“符號主義”、“聯(lián)結(jié)主義”還是“人類行為主義”，它們都有著相同的目標(biāo)：在計(jì)算機(jī)上構(gòu)建真正的人類智能。而這類具有完全人類思維能力的智能機(jī)器，可以稱之為“強(qiáng)人工智能”（Strong-AI）。[7]該稱謂最早由約翰·西爾勒提出，用以代指“擁有人類思維的智能機(jī)器”。②西爾勒本人是站在否認(rèn)人工智能能夠擁有人類思維的立場，創(chuàng)造了強(qiáng)弱人工智能的概念。而與之相對應(yīng)的“弱人工智能”（Weak-AI），則是不具有真正人類思維，但卻可以有類人的行為能力的智能機(jī)器。不過，在國內(nèi)“強(qiáng)人工智能”經(jīng)常與“通用人工智能”（AGI）產(chǎn)生概念混淆。這其中很大一部分原因需要?dú)w咎于翻譯，很多未學(xué)過系統(tǒng)理論的譯者，將AGI直接翻譯為“強(qiáng)人工智能”。然而它們是截然不同的概念，“通用人工智能”是可以勝任所有領(lǐng)域內(nèi)工作的AI，這點(diǎn)區(qū)別于所謂的“專家系統(tǒng)”。AGI注重的是人工智能的應(yīng)用廣度，而“強(qiáng)人工智能”關(guān)注的是機(jī)器的思維強(qiáng)度。[8]

縱觀人工智能的發(fā)展過程，那些形形色色的理論都無法創(chuàng)造出“強(qiáng)人工智能”，而僅能構(gòu)造“弱人工智能”；也無法有效模擬人類的全局性思維來制造“通用人工智能”，只能制造以專家系統(tǒng)的模式存在的“專門的人工智能”。因此，現(xiàn)階段具有實(shí)用性的人工智能，就是以“專門人工智能+弱人工智能”的形式存在的。所以，“弱人工智能”就是當(dāng)下乃至未來一段時(shí)間內(nèi)，人類在人工智能領(lǐng)域的極限。而被人工智能學(xué)者、未來學(xué)者所期待的“短期內(nèi)的指數(shù)級技術(shù)增長”，根本是缺乏理論依據(jù)與嚴(yán)謹(jǐn)邏輯的。畢竟，關(guān)于人工智能的理論研究已經(jīng)持續(xù)了近七十年，其研究歷程的漫長性、曲折性，③人工智能理論經(jīng)歷過兩次“寒冬時(shí)期”，最近的“深度學(xué)習(xí)”浪潮，是理論發(fā)展歷程中第三次復(fù)興。都是人類研究中極為少見的，基本可以排除短期內(nèi)技術(shù)爆炸的可能性——至少在當(dāng)前不具有這種征兆。同理，在學(xué)科交叉領(lǐng)域中去進(jìn)行的基于“強(qiáng)人工智能”的理論研究，也在一定程度上超脫了理論所允許的前沿性，因而更似一種浪漫主義的科幻設(shè)想。盡管“弱人工智能”并非人工智能理論追求的方向，但是人工智能理論的前進(jìn)方向似乎從未指向“強(qiáng)人工智能”。人工智能從誕生起就是“弱智能”，縱使它沒有人類思維的廣度，也沒有人類思維的強(qiáng)度，但是并不意味著它沒有輔助增強(qiáng)人類的價(jià)值。而這也是法律人工智能被重視的原因所在。

二、“弱”法律人工智能的技術(shù)實(shí)質(zhì)

法律人工智能作為人工智能對法律領(lǐng)域的賦能產(chǎn)物，其通常是以“專家系統(tǒng)”的形式存在，其運(yùn)行程序只能對法律領(lǐng)域的事務(wù)進(jìn)行服務(wù)，本質(zhì)上是“弱人工智能”。其發(fā)展始于20世紀(jì)50年代末，梅爾發(fā)表了《法律世界的自動化理論》，初步探討了法律與新興技術(shù)結(jié)合的可能性。但是該領(lǐng)域的標(biāo)志性開端，卻是20世紀(jì)70年代，布坎南和海德利克發(fā)表了《關(guān)于人工智能和法律推理若干問題的考察》。[9]而約翰·麥卡錫研制出的TAXMAN是第一個(gè)真正意義上的法律人工智能，其專注于美國企業(yè)稅法的相關(guān)法律推理。[10]70年代盛行的是“符號主義”，所以在TAXMAN的程序中充斥著大量的知識符號并輔以規(guī)則聯(lián)結(jié)。該程序?qū)τ诜傻耐评碚撟C所使用的是基于傳統(tǒng)演繹推理的線性論證模型，這符合當(dāng)時(shí)人工智能學(xué)者對于法律的整體認(rèn)知：法律有清晰的結(jié)構(gòu)和證成的標(biāo)準(zhǔn)，適合模型化構(gòu)建。因此，研究人員更關(guān)注于邏輯論證問題，希望在符號表征系統(tǒng)中，建立一個(gè)真正符合法律特質(zhì)的邏輯推理模型。但是這一嘗試只在成文法上有所突破，用嚴(yán)密的規(guī)則建構(gòu)的邏輯模型卻在案例法面前遭遇了挫折。在案例法的情境中，人為進(jìn)行知識表征變得格外復(fù)雜，于是學(xué)者們轉(zhuǎn)變思路嘗試通過建立數(shù)據(jù)庫進(jìn)行類比推理的方式，終于有所突破。但是讓局面變得無比尷尬的原因在于，這兩種模型難以兼容，盡管有些關(guān)于混合系統(tǒng)的嘗試，但是最終結(jié)局是研究者無法建立一個(gè)涵蓋整個(gè)法律領(lǐng)域的法律論證推理模型。[11]

“符號主義”在法律人工智能上的失敗，部分可以歸結(jié)為與生俱來的“原罪”——無法解決常識的知識表征難題，但也可歸責(zé)于因?qū)Ｗ?gòu)建法律論證模型而導(dǎo)致陷入一種不斷自圓其說的境地。直到現(xiàn)在，相關(guān)理論界依然不乏利用新的邏輯命題形式，來企圖克服人工智能在法律推理論證方面的難題。但是，所有這種企圖——用寫入機(jī)器的符號化、數(shù)字化的邏輯命題，實(shí)現(xiàn)對自然邏輯的完美替代，都難以取得決定性的成功。[12]盡管失敗的原因是由于現(xiàn)有的法律論證模型無法應(yīng)對法律推理中的復(fù)雜變量，但其根本癥結(jié)在于計(jì)算機(jī)不能真正擁有人類的認(rèn)知與思維，因此自然不能夠真正像人類一樣去進(jìn)行法律推理。人類法律工作者在面對各種意外因素以及法律本身的不確定性時(shí)，可以基于人的樸素認(rèn)知造就出來的自然邏輯，去推理出一個(gè)符合當(dāng)前情境的最優(yōu)解。但是應(yīng)用現(xiàn)代人造邏輯的計(jì)算機(jī)卻做不到，當(dāng)不確定因素產(chǎn)生嚴(yán)重干擾時(shí)，只會導(dǎo)致人工智能宕機(jī)，相關(guān)程序“閃電崩潰”。[13]因此，就目前來看，試圖建立一個(gè)完美的證明推理模型，來構(gòu)建具有專業(yè)普適性的法律人工智能，其前景并不明朗。盡管相關(guān)理論建?？梢匀〉锰囟ǖ某晒Γ墙K究難以突破“弱人工智能”的上限。因此，一個(gè)“悖論”產(chǎn)生：想要使人工智能可以像人類一樣完美解決法律問題，就需要它具有起碼的人類思維能力，這意味著機(jī)器具有“強(qiáng)智能”。但是，現(xiàn)有理論只能達(dá)到“弱智能”的初級階段，試圖應(yīng)用“弱智能”階段的理論去完成“強(qiáng)智能”的類人思維，無疑是矛盾的。況且，強(qiáng)弱人工智能之間本就不存在直接的理論遞進(jìn)聯(lián)系。換言之，現(xiàn)今的“弱智能”理論未必可以直達(dá)“強(qiáng)智能”，“強(qiáng)人工智能”與“弱人工智能”之間的不同，是根本性的。[14]

但是，智能律師ROSS、上?！靶淌?06系統(tǒng)”[15]等國內(nèi)外較為成功法律人工智能的出現(xiàn)，展現(xiàn)出了另一條路徑。它們都是以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的“深度學(xué)習(xí)”人工智能，相較于“符號主義”，神經(jīng)網(wǎng)絡(luò)巧妙地繞開了直接復(fù)現(xiàn)人類思維的障礙。它用分布式的概念表示，基于大數(shù)據(jù)的特征學(xué)習(xí)和統(tǒng)計(jì)學(xué)的算法構(gòu)造，使法律人工智能可以通過統(tǒng)計(jì)學(xué)的邏輯進(jìn)行推理，避免了用機(jī)器智能模擬人類思維邏輯方式所面臨的悖論，從而可以實(shí)現(xiàn)“弱人工智能”層次的應(yīng)用成功。所以，在技術(shù)實(shí)質(zhì)上來說，如今所見的種種法律人工智能就是“深度學(xué)習(xí)”式人工神經(jīng)網(wǎng)絡(luò)。

三、“弱”法律人工智能的內(nèi)涵

現(xiàn)如今，法律人對于法律人工智能的認(rèn)知，存在著很多混淆，比如將區(qū)塊鏈、大數(shù)據(jù)、云計(jì)算等概念歸入人工智能的情形。盡管現(xiàn)行的人工智能技術(shù)與大數(shù)據(jù)、云計(jì)算、計(jì)算機(jī)網(wǎng)絡(luò)等技術(shù)內(nèi)容聯(lián)系密切，人工智能的計(jì)算能力與學(xué)習(xí)能力都需要來自最先進(jìn)的計(jì)算機(jī)技術(shù)的支持。但是這并不意味著它們就是一類事物。人工智能是由認(rèn)知科學(xué)、計(jì)算機(jī)科學(xué)、哲學(xué)、心理學(xué)、腦神經(jīng)學(xué)等多學(xué)科混合的產(chǎn)物，而并非是單純的計(jì)算機(jī)信息技術(shù)的產(chǎn)物。秉持著這種混淆認(rèn)知來進(jìn)行法律人工智能的研究，顯然是存在著很大瑕疵的。所以，界定法律人工智能的內(nèi)涵需要區(qū)分混淆點(diǎn)，并在此基礎(chǔ)上梳理其基本特征。

（一）區(qū)分法律人工智能與計(jì)算機(jī)新技術(shù)

人工智能的發(fā)展是與計(jì)算機(jī)的發(fā)展息息相關(guān)的，并且人工智能的每一步突破往往離不開計(jì)算機(jī)技術(shù)的進(jìn)步。云計(jì)算、區(qū)塊鏈、大數(shù)據(jù)、虛擬現(xiàn)實(shí)、人工智能等新技術(shù)的發(fā)展都需要依托于計(jì)算機(jī)。但是這并不意味著，它們可以實(shí)現(xiàn)宏觀上的統(tǒng)一。尤其是人工智能，它和其余的計(jì)算機(jī)新技術(shù)有截然不同的定位。

美國學(xué)者恩格爾巴特曾提出過一個(gè)“智能增強(qiáng)”（IntelligenceAugmentation）的概念，[16]認(rèn)為應(yīng)當(dāng)用計(jì)算機(jī)去輔助增強(qiáng)人的智能，正是在這種理念的推動下，促進(jìn)了諸如互聯(lián)網(wǎng)、人機(jī)交互系統(tǒng)等計(jì)算機(jī)領(lǐng)域的典型技術(shù)成果的誕生。[17]簡而言之，那些帶有計(jì)算機(jī)和互聯(lián)網(wǎng)色彩的技術(shù)概念，可以統(tǒng)統(tǒng)被認(rèn)定為IA（智能增強(qiáng)）。智能增強(qiáng)和人工智能在概念內(nèi)涵上去考量，甚至是完全相悖的。IA是純粹的計(jì)算機(jī)技術(shù)產(chǎn)物，其誕生目的就是服務(wù)人類。盡管當(dāng)前“弱人工智能”的現(xiàn)狀也決定了其只能扮演輔助工具的角色，但是在人工智能理論內(nèi)涵中，天然帶著對人類智能的挑戰(zhàn)色彩。雖然隨著計(jì)算機(jī)技術(shù)的發(fā)展，人工智能和智能增強(qiáng)之間的技術(shù)邊界正在模糊，但是這不意味著可以放任這種混淆，而不做明確區(qū)分。兩個(gè)截然不同的技術(shù)分類，其研究邏輯與定位，也是必然不同的。況且，針對法律人工智能的研究，最后卻聚焦于計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的領(lǐng)域，通篇都是虛擬現(xiàn)實(shí)、區(qū)塊鏈、即時(shí)網(wǎng)絡(luò)庭審等技術(shù)，無疑是有些滑稽。

但是，存在著比較特殊的情況，法律人工智能和兩種計(jì)算機(jī)新技術(shù)存在伴生關(guān)系，那就是大數(shù)據(jù)和云計(jì)算。大數(shù)據(jù)[18]指的是一種用傳統(tǒng)技術(shù)手段無法處理的海量數(shù)據(jù)集，數(shù)據(jù)集內(nèi)的數(shù)據(jù)內(nèi)容不僅是龐雜的，而且是有價(jià)值的。通過新技術(shù)的處理模式可以實(shí)現(xiàn)對于大數(shù)據(jù)的分析、提取，使其成了具有多樣化價(jià)值的信息資產(chǎn)。其技術(shù)核心不在于數(shù)據(jù)規(guī)模，而在于數(shù)據(jù)挖掘。而使大數(shù)據(jù)的搜集與處理成為可能的就是云計(jì)算以及它的劣化版“霧計(jì)算”。因?yàn)樵朴?jì)算的出現(xiàn)，使得物聯(lián)網(wǎng)成為可能，成千上萬的機(jī)器設(shè)備、云端服務(wù)器互相聯(lián)結(jié)，彼此之間傳輸數(shù)據(jù)信息，這使得大數(shù)據(jù)搜集具有了穩(wěn)定的途徑。而神經(jīng)網(wǎng)絡(luò)式的人工智能，正是在這海量的數(shù)據(jù)庫提供的豐富樣本種，才能實(shí)現(xiàn)“深度學(xué)習(xí)”。正是由于人工神經(jīng)網(wǎng)絡(luò)對于云計(jì)算和大數(shù)據(jù)的依賴，才用伴生關(guān)系去形容三者之間的聯(lián)系。因此，對于人工智能的討論往往繞不開大數(shù)據(jù)、云計(jì)算，但是這不意味著“人工智能＝大數(shù)據(jù)+云計(jì)算”。三者之間的聯(lián)系是建立在數(shù)據(jù)的收集過程中，云計(jì)算推動大數(shù)據(jù)的建立，大數(shù)據(jù)供人工智能進(jìn)行學(xué)習(xí)。人工智能處于整條數(shù)據(jù)處理鏈條的終端，享受著前兩者的數(shù)據(jù)成果。所以，大數(shù)據(jù)和云計(jì)算并非與人工智能的附庸技術(shù)，反而是現(xiàn)階段的人工智能利用它們達(dá)成運(yùn)行的前置條件。由于云計(jì)算與人工智能沒有直接的技術(shù)聯(lián)系，因此實(shí)踐中需要注意的是人工智能與大數(shù)據(jù)的關(guān)系。以法律人工智能的視角出發(fā)，應(yīng)當(dāng)將大數(shù)據(jù)技術(shù)視為人工智能的輔助工具，而非將二者并列，混為一談。

（二）“弱”法律人工智能的根本特征

在對相關(guān)概念明確區(qū)分的前提下，可以進(jìn)一步闡述法律人工智能的根本特征和研究邏輯前提。

首先是“弱智能”。這是當(dāng)前研究法律人工智能最重要的特征，法律人工智能本身屬于技術(shù)賦能產(chǎn)物，是一種應(yīng)用研究。既然如此，就不宜脫離其現(xiàn)實(shí)技術(shù)的根基，對于它的相關(guān)討論應(yīng)當(dāng)基于“弱智能”?！叭踔悄堋痹诖说膬?nèi)涵，不僅是指“弱人工智能”的概念，還包括“專門人工智能”的概念，是對當(dāng)前人工智能整體的技術(shù)現(xiàn)狀的概括式稱謂。人工智能在當(dāng)下就是一種低級的智能，甚至可以說是“虛假”的智能。

其次是輔助工具定位。將法律人工智能置于“弱智能”的角度去認(rèn)知便會發(fā)現(xiàn)，其當(dāng)前的本質(zhì)特征就是對人輔助與增強(qiáng)，而非對法律領(lǐng)域功能角色的全面替代。換言之，要將法律人工智能準(zhǔn)確定位成輔助工具，而不是一個(gè)所謂的“具有法律上獨(dú)立主體地位”的智能機(jī)器。通過構(gòu)建法律論證推理模型，試圖以計(jì)算機(jī)代替法官，構(gòu)建所謂“自動販?zhǔn)蹤C(jī)”式[19]的機(jī)器人法官的行為，已經(jīng)被證明難以通過現(xiàn)有的理論來實(shí)現(xiàn)。而如“上海刑事206”司法輔助系統(tǒng)的成功問世，證明了輔助工具型的法律人工智能在實(shí)踐中具有的實(shí)際價(jià)值。所以，進(jìn)行輔助式的法律人工智能研究，探尋人機(jī)合作式的法律實(shí)務(wù)模式，才是符合法律人工智能在現(xiàn)階段輔助增強(qiáng)定位的研究邏輯。

至此，“弱”法律人工智能的內(nèi)涵已經(jīng)顯而易見了。那就是，處于“弱智能”的人工神經(jīng)網(wǎng)絡(luò)，通過大數(shù)據(jù)進(jìn)行“深度學(xué)習(xí)”，以現(xiàn)代計(jì)算機(jī)技術(shù)提供的強(qiáng)大計(jì)算能力提取相關(guān)特征，建構(gòu)知識表征框架，進(jìn)而以概率可能性的內(nèi)在邏輯表達(dá)，去解決實(shí)際的法律問題。這既是法律人工智能的準(zhǔn)確內(nèi)涵，也是進(jìn)行相關(guān)研究的邏輯前提。

四、研究“弱”法律人工智能的思路

（一）立足于技術(shù)特征

當(dāng)前的法律人工智能就是“深度學(xué)習(xí)”與人工神經(jīng)網(wǎng)絡(luò)技術(shù)的具體應(yīng)用。其算法本質(zhì)就是統(tǒng)計(jì)與概率，不存在真正意義上的人類邏輯思維。所以法律人在談?wù)摲扇斯ぶ悄軙r(shí)，往往會出現(xiàn)的思維誤區(qū)，就是將其對標(biāo)人類的思維，殊不知這正是混淆了基本的技術(shù)特征。人工神經(jīng)網(wǎng)絡(luò)本就不是一個(gè)模仿人類思維邏輯的造物，通過該技術(shù)路徑不能構(gòu)建具有邏輯思維能力的智能機(jī)器，因此也無須在理論的短板處過度批判。因此，對于法律人工智能的相關(guān)應(yīng)用研究，應(yīng)當(dāng)建立在具體的技術(shù)特征上。具體而言，人工神經(jīng)網(wǎng)絡(luò)更適合在信息檢索相關(guān)的功能上解放人類的腦力，比如類案檢索系統(tǒng)、法律咨詢律師等。在這些功能模塊中，法律人工智能可以充分利用大數(shù)據(jù)進(jìn)行學(xué)習(xí)，憑借自身的計(jì)算能力，以超越人腦的信息檢索效率，對歷史信息進(jìn)行特征提取，最后對比得出一個(gè)概率最優(yōu)解。而對于需要分析決策的功能部分，諸如判決偏離預(yù)警、自動量刑等，法律人工智能會發(fā)展較為艱難。因?yàn)?，如自然語義識別、證據(jù)信息結(jié)構(gòu)化表征等較為難以攻克的問題，大多集中在需要決策分析的法律人工智能功能模塊中。所以，法律人在法律人工智能的研究中，不應(yīng)陷入對于技術(shù)路徑固有缺陷的過度批判之中，而應(yīng)該著眼于優(yōu)勢技術(shù)與法律實(shí)踐的有機(jī)結(jié)合。

（二）統(tǒng)計(jì)學(xué)知識的輔助

由于，法律人工智能對于統(tǒng)計(jì)學(xué)知識的倚重，要想有效開展相關(guān)研究，需要進(jìn)行專業(yè)統(tǒng)計(jì)學(xué)知識的學(xué)習(xí)。但是，當(dāng)前法學(xué)界中的大多數(shù)人沒有經(jīng)歷專業(yè)的統(tǒng)計(jì)學(xué)、高等數(shù)學(xué)的學(xué)習(xí)。憑借傳統(tǒng)法學(xué)的知識體系，的確難以有效開展法律人工智能的技術(shù)研究。在這一點(diǎn)上，我國已經(jīng)與歐美學(xué)界拉開了差距。在國外，由于法律實(shí)證主義的盛行，使得學(xué)者們通過統(tǒng)計(jì)學(xué)的相關(guān)學(xué)習(xí)來提升實(shí)證能力的情況非常普遍。受益于此，國外學(xué)者可以通過統(tǒng)計(jì)學(xué)工具，以實(shí)證模型的形式來論述理論觀點(diǎn)，研究先進(jìn)算法與法律之間的關(guān)系。相較而言，國內(nèi)學(xué)者在實(shí)證主義法學(xué)方向也多有嘗試，但是理論證成效果卻相對一般。這與研究范式的落后，以及專業(yè)的統(tǒng)計(jì)學(xué)知識的匱乏有直接關(guān)系。因此，引入數(shù)學(xué)、統(tǒng)計(jì)學(xué)工具，對于法律人工智能的研究來說，是至關(guān)重要的。令人覺得比較欣慰的是，自2018年開始，以清華大學(xué)、四川大學(xué)為首的幾所國內(nèi)頂尖高校，已經(jīng)陸續(xù)開始就“計(jì)算法學(xué)”，創(chuàng)立相關(guān)專業(yè)或開設(shè)相關(guān)課程。國內(nèi)的法律學(xué)者游刃有余展開法律人工智能應(yīng)用研究的時(shí)刻，應(yīng)當(dāng)不再遙遠(yuǎn)。