周嘉琪 溫佳妮 胡浩鑫

摘要：利用自動(dòng)化技術(shù)模擬一些人的思維過程和智能行為，將人工智能引入司法領(lǐng)域，可以有效解決司法部門內(nèi)部矛盾，并在同類案件中，提高工作效率，減少重復(fù)勞動(dòng)。我們認(rèn)為將人工智能自動(dòng)化與法律結(jié)合，去促進(jìn)法律更好地順利實(shí)施，司法更加公平正義。想要取得突破，就必須重新進(jìn)行邏輯推理，重塑責(zé)任理論，通過自動(dòng)化技術(shù)建立更加合理的規(guī)則和制度，管理并約束人工智能。

關(guān)鍵詞：人工智能 司法 模型建立

近年來，人工智能的迅猛發(fā)展深刻地改變了人類社會(huì)的形態(tài)。人工智能在法律領(lǐng)域的應(yīng)用已有60多年，取得了良好的效果。人工智能和法律的相互結(jié)合，促進(jìn)司法效率的提高，緩解司法資源緊張，促進(jìn)司法更加公正公正，是有可能的，也是有合理性的。

一、人工智能的在法律方面的實(shí)際應(yīng)用

人工智能，又稱機(jī)器智能或計(jì)算機(jī)智能，又稱人工智能。研究和開發(fā)模擬[1]、擴(kuò)展和擴(kuò)展人類智能的理論、方法、技術(shù)和應(yīng)用系統(tǒng)是一門新興的技術(shù)科學(xué)。人工智能是使用計(jì)算機(jī)來模擬某些人類的思維過程和智能行為（例如學(xué)習(xí)，推理，思維，計(jì)劃等），也稱為機(jī)器智能或計(jì)算機(jī)智能。這是更高級(jí)別的應(yīng)用程序。

在"弱人工智能"階段，機(jī)器既沒有真正的智能，也沒有自我意識(shí)。利用統(tǒng)計(jì)學(xué)和擬合函數(shù)，可以使機(jī)器實(shí)現(xiàn)相對(duì)簡單的行為，這是我們目前的研究階段。在這個(gè)研究階段，人們需要以機(jī)器可以接受的方式向它傳遞所需的信息。法律領(lǐng)域的應(yīng)用主要體現(xiàn)在檢索系統(tǒng)和法律專家系統(tǒng)。法律信息檢索系統(tǒng)自建立以來，通過不斷完善系統(tǒng)，擴(kuò)大信息存儲(chǔ)量，大大提高了檢索的準(zhǔn)確性和完整性。

如果法律專家系統(tǒng)將法律現(xiàn)象邊緣化和專家在某一領(lǐng)域的經(jīng)驗(yàn)結(jié)合起來進(jìn)行建模，就會(huì)寫入相關(guān)的程序系統(tǒng)中。運(yùn)用這一制度可以在很大程度上節(jié)約能源，盡快得到法律分析，促進(jìn)法律發(fā)揮最快的效力，促進(jìn)法律的實(shí)施。北京大學(xué)法學(xué)院與北京大學(xué)計(jì)算機(jī)中心聯(lián)合開發(fā)的"中國法律計(jì)算機(jī)輔助法律研究系統(tǒng)"于1986年11月通過了部級(jí)鑒定，實(shí)現(xiàn)了法律適用的第一步。此后，我國法律專家制度不斷完善和發(fā)展。

人工智能的進(jìn)一步發(fā)展是"強(qiáng)人工智能"。具有"強(qiáng)人工智能"的機(jī)器不僅是工具[2]，而且有自己的思維方式，"強(qiáng)人工智能"具有真正的推理和解決問題的能力。這類機(jī)器將被視為有意識(shí)和自我意識(shí)的機(jī)器，能夠獨(dú)立思考問題并做出最佳解決方案。這種智能機(jī)器利用感知和思考的功能，可以實(shí)現(xiàn)與人類相似的對(duì)法律知識(shí)的理解，做出自己的判斷，并提出解決法律問題的解決方案和途徑。如果能發(fā)展成為"超級(jí)人工智能"，機(jī)器智能的水平將與人類相當(dāng)并超越人類。智能機(jī)器可以自我復(fù)制，大量復(fù)制并提高自我意識(shí)。這一觀點(diǎn)尚未得到證實(shí)，因此不必過于擔(dān)心其對(duì)人類的影響。

二、人工智能融入司法的可能途徑

人工智能司法判決的適用有賴于人工智能技術(shù)等多學(xué)科的研究成果。在當(dāng)今的"弱人工智能"階段，智能機(jī)器具有卓越的計(jì)算能力和學(xué)習(xí)算法，因此智能機(jī)器可用于推理和知識(shí)獲取。法律語言的人工智能研究。

（一）關(guān)于法律語言的人工智能研究。

法律語言的模糊性是法學(xué)界最重要也是最困難的問題之一。法學(xué)家利用研究數(shù)據(jù)發(fā)現(xiàn)規(guī)則，分類并讓機(jī)器學(xué)習(xí)，利用人工智能技術(shù)建立語料庫進(jìn)行存儲(chǔ)、建模和理解研究。

（二）人工智能對(duì)經(jīng)驗(yàn)性知識(shí)的獲得

從目前的發(fā)展?fàn)顩r來看，人工智能更加注重理性和數(shù)學(xué)方面。對(duì)于體驗(yàn)式學(xué)習(xí)的智能機(jī)器來說，此時(shí)既沒有思維也只有類人思維，它只能進(jìn)行簡單重復(fù)的動(dòng)作，這需要人機(jī)合作的形式來推動(dòng)。此時(shí)，開發(fā)提供了大量的數(shù)據(jù)，并不斷訓(xùn)練智能機(jī)器，使其能夠識(shí)別圖片中包含的內(nèi)容，降低錯(cuò)誤率和偏差。2012年，加拿大科學(xué)家Jeffrey Hinton發(fā)表了一篇文章"用深卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分類"，提出通過卷積神經(jīng)網(wǎng)絡(luò)可以將圖像識(shí)別的錯(cuò)誤率降低到16%，這被認(rèn)為是學(xué)術(shù)界新一輪"機(jī)器學(xué)習(xí)"發(fā)展的里程碑圈，也增加了人工智能融入公司的可能性[3]。

短期內(nèi)，將人工智能引入司法領(lǐng)域，可以有效解決司法部門存在的矛盾，在同類案件中，提高工作效率，減少重復(fù)勞動(dòng)。從長遠(yuǎn)看，我們要把科技與法律結(jié)合起來，促進(jìn)法律更好地實(shí)施，促進(jìn)司法更加公正公正。

三、創(chuàng)新與挑戰(zhàn)：人工智能的介入

來自法律推理的人工智能自動(dòng)化研究可以為機(jī)器提供法律推理的邏輯，從而使機(jī)器可以模擬人們處理法律事務(wù)。然而，人工智能自動(dòng)化具有更復(fù)雜的推理技術(shù)，將為法律方法提供新的工具。

在構(gòu)建人工智能司法決策系統(tǒng)的過程中，首先要應(yīng)對(duì)法律論證和法律推理在法律方法中的應(yīng)用。技術(shù)援助階段的智能系統(tǒng)可以模擬法官根據(jù)規(guī)則或案例進(jìn)行推理[3]。人工智能與法律推理的研究構(gòu)建了一個(gè)非統(tǒng)一的邏輯模型，使得這種法律方法的司法實(shí)踐帶有人工智能的色彩。

四、自動(dòng)人工智能司法模型的構(gòu)建與研究

針對(duì)當(dāng)前訴訟風(fēng)險(xiǎn)預(yù)警準(zhǔn)確性不高的現(xiàn)實(shí)問題，結(jié)合訴訟活動(dòng)的復(fù)雜性和專業(yè)性、法律的局限性和證據(jù)條件的不確定性，以傳統(tǒng)知識(shí)地圖構(gòu)建的證據(jù)要素模型作為數(shù)據(jù)提取的基本標(biāo)準(zhǔn)，提出了基于知識(shí)地圖的證據(jù)要素模型以事件圖構(gòu)建的證據(jù)鏈模型和證據(jù)規(guī)則模型為組合推理的載體[5]，構(gòu)建了整個(gè)訴訟司法知識(shí)庫的運(yùn)行框架和內(nèi)在機(jī)制。但由于當(dāng)事人及其代理人提供的證據(jù)材料具有多源性、格式不一致、內(nèi)容不確定、矢量建模困難等特點(diǎn)，在一定程度上可能導(dǎo)致證據(jù)鏈模型與證據(jù)規(guī)則模型的聯(lián)動(dòng)過程[6]中存在大量不確定因素，從而影響預(yù)測的準(zhǔn)確性。因此，我們采用知識(shí)地圖的方法來構(gòu)建人工智能司法模式。基于邏輯規(guī)則和本體語義，建立了描述實(shí)體屬性與實(shí)體關(guān)系的知識(shí)庫模型。

基本數(shù)據(jù)模型由RDF構(gòu)建，案例元素串聯(lián)，形成司法知識(shí)庫中最基本的詞匯集。Owl用于引入推理規(guī)則，可以表達(dá)傳遞屬性、對(duì)稱屬性、函數(shù)屬性和逆屬性之間的關(guān)系。根據(jù)匹配模式，識(shí)別證據(jù)要素，提取關(guān)鍵信息，最后根據(jù)當(dāng)事人的訴訟材料形成結(jié)構(gòu)化要素。同時(shí)引入案例圖改進(jìn)知識(shí)圖，通過對(duì)各種法律事實(shí)內(nèi)部邏輯關(guān)系的深入挖掘，得到順序、因果、循環(huán)等邏輯關(guān)系，彌補(bǔ)了知識(shí)圖相對(duì)靜態(tài)、緩慢變化的不足，無法預(yù)測司法過程和結(jié)果，增強(qiáng)知識(shí)庫的流動(dòng)性和包容性。

五、結(jié)論

在基于證據(jù)元模型的基礎(chǔ)上，使用基于規(guī)則推理的貝葉斯算法，如何構(gòu)建多個(gè)證據(jù)之間的關(guān)系圖，以及如何通過遺傳神經(jīng)網(wǎng)絡(luò)算法優(yōu)化證據(jù)鏈模型與證據(jù)規(guī)則模型之間的關(guān)系。這是我們下一個(gè)研究的重點(diǎn)。

[1] 何帆：《我們離“阿爾法法官”還有多遠(yuǎn)？》，載《浙江人大》2017 年 5 期，第 47 頁。

[2] 蔡自興：《人工智能基礎(chǔ)》，高等教育出版社 2016 年版，第 157 頁。

[3] 秦彥霞、張民、鄭德權(quán)：《神經(jīng)網(wǎng)絡(luò)事件抽取技術(shù)綜述》， 《智能計(jì)算機(jī)與應(yīng)用》2018年 第3期，第1-5頁。

[4] 騰訊研究院等：《人工智能：國家人工智能戰(zhàn)略行動(dòng)抓手》，中國人民大學(xué)出版社 2017 年版，第 249 頁。

[5] deCharms， R. （1968）. Personal causation. New York： Academic Press.

[6] See A. Krizhevsky， I. Sutskever， G. E. Hinton， “ImageNet Classifification with Deep Convolutional Neural Networks” 25 （1） Advances in Neural Information Processing Systems 1097， 1105 （2012）