法官裁判方法嵌入司法人工智能路徑研究

任懷鈺

人工智能已成為當前社會各領域應用的重要手段，幾乎席卷人類生活各個領域，司法體制綜合配套制度改革亦將智慧法院建設提上日程。人工智能司法應用，是通過技術手段將人工智能應用于審判程序各階段，適應和引導司法改革的步伐和方向，輔助法官裁判，促進裁判尺度統一，提高訴訟效率，實現更高水平的司法公平正義。但從基層一線審判人員角度，當前的司法人工智能與法官裁判方法脫節突出，導致當前司法人工智能系統應用中出現諸多短板。司法人工智能作為審判輔助工具，只有將司法裁判方法嵌入系統開發，才能迎合作為“用戶”的一線審判人員的需求，發揮智能效用。

一、短板審視：司法人工智能與法官裁判思維脫節產生諸多問題

（一）司法人工智能發展呈現低端化特點

維基百科中對人工智能的最新定義是：人工智能是根據對環境的感知，做出合理的行動，并獲得最大收益的計算機程序。各個領域基礎技術與人工智能的結合，引起了領域內的巨大變革。比如蘋果Siri、微軟小冰等智能助理，改變了人與手機的交流模式；人工智能程序也已經開啟自動撰寫的新聞稿件、對照片、圖片的自動美化等藝術創作；自動駕駛技術的實驗與應用等都體現了人工智能在工業領域的發展速度。人工智能分為弱人工智能、強人工智能、超強人工智能三個層級，專注于且只能解決特定領域問題的人工智能即為弱人工智能，而上述的人工智能在各個領域的發展均是弱人工智能的層級，ALphaGo就是弱人工智能的一個最好實例。

反觀人工智能在司法領域的應用，尚處于最低級與最初級的階段，尚未達到弱人工智能階段。目前的人工智能在司法中的應用主要集中在對法律條文、優秀裁判文書、典型性案例的電子羅列及司法程序的無紙化處理，所有的技術手段均是在人工思考并做出裁判后，再由人工操作機器予以記錄、檢索，人工智能應用的方式就是將海量的數據元（即法律知識電子數據）“碼放”在數據庫中，待人工以符合人工智能要求的檢索方式進行檢索后，再自行匹配需要的知識點。單純機械的羅列法條、案例，缺乏對法律知識本體及自然語言、法律概念之間復雜關系的深入認識和理解，使得人工智能司法應用成為無本之木、無源之水。

（二）類案檢索精確性不高

當前類案檢索的數據庫平臺有多種，權威發布的有中國裁判文書網、“法信”平臺及其他類案推送平臺等，雖然案例的數據庫足夠龐大，但類案推送案件的數量和比例、精準度均不高。根據法信平臺的統計，查找法律依據依然是法官最高頻需求，而查找裁判規格（案例要旨）和法律觀點的需求也高于類案比對。①“法信”公眾號（2018年5月4日）《什么樣的知識數據服務才能滿足智慧法院需求？（上）》，該文章系法信團隊在全國法院第五次網絡安全和信息化工作會議上做的題為《知識數據服務為智慧法院提供的全場景應用》的整理文稿?？偟膩碚f，正是因為類案檢索的準確率太低，法官無法通過類案檢索平臺檢索到應用于案件的合適結果，才在經過自行思維加工后，歸納出需要的法條或案例要旨進行檢索。一般來說，法官需要進行類案檢索的案件基本上為相對疑難案件，例如，在一起商品房預售合同糾紛中，開發商為置業者貸款提供擔保，經過七年左右時間，置業者償還了大部分貸款后，因財務緊張，無力繼續償還剩余小部分貸款，銀行扣劃了擔保人開發商的款項，開發商請求解除合同，收回房產，返還置業者購房時的款項及償還的貸款。裁判過程中，合議庭對是否解除上述合同產生爭議。此時，合議庭成員除了要尋找法條依據，更試圖通過類案說服其他合議庭成員，并尋找裁判思路，類案檢索成為首選途徑。本案中，首先以“商品房預售合同、擔保貸款未還、合同解除”為關鍵詞在“法信”平臺的“類案檢索（測試版）”中進行查詢，類案推送結果為0篇；以同樣的關鍵詞在中國司法大數據研究院的“類案智能推送”中檢索結果為0篇；在更改搜索關鍵詞為“擔保貸款未還、合同解除”在法信平臺的類案推送結果為4篇，在中國司法大數據研究院的類案智能推送中結果為0篇，其中這4篇均為兩起勞動爭議案件的一、二審判決書；在以關鍵詞“商品房預售合同、合同解除”進行檢索時，法信平臺的類案推送結果為22156篇、后者的類案推送結果為21461篇，而在該兩個平臺左側的“案情特征”一欄中顯示的關鍵詞高達200多，而該搜索顯然已經喪失了精準檢索的目的。①上述檢索均是在2018年6月10日號上午10：00左右進行的檢索?？梢姡壳八^的“類案檢索”明顯無法按照法官的裁判思維實現類案比對。

（三）司法人工智能深度學習對象缺乏實操性

深度學習引發了第三次人工智能浪潮的復興，使得人工智能在很多領域取得了突破性的進展，但卻一直沒有在司法應用領域的開展有效的深度學習，尤其缺乏對對法官裁判方法的深度學習。

早在1970年國外就開始了人工智能與法律推理的研究，討論了法律推理模型的可行性，到1977年Thorne用邏輯推理的方式分析公司稅務法建立了TAXMAN系統，1981年Waterman等開發設計了產品責任的民事裁量模型；1989年澳大利亞開發IKBALSI用于解釋事故《司法補償》調理額，處理工人事故補償問題；1991年Deedma以加拿大案例為基礎研究人工智能的專家斷案系統；1995年開發的Split-Up用于處理離婚案件的財產分割。2005年貝葉斯網絡被用于法庭調查中評估火災事故的證據；2007年Strand將一般用于工程、計算機、醫學的貝葉斯方法用于法學的實證分析；2008年Riesen以受害人的特點為視角，用貝葉斯信念網絡分析美國刑事案件。、

可見，法律推理、裁量模型、專家系統、法律本體檢索一直是人工智能與法律研究的重點，但由于司法裁判的主觀性、專業思維的特殊性及各個國家司法體制的區別，使得上述的人工智能的裁量模型存在領域局限性、技術落后性及缺乏實操性等問題。而我國在司法人工智能領域的的研究更是滯后，甚至是空白，理論研究雖多但不夠深入。尤其是在司法人工智能的深度學習方面成果缺失，真正將技術、案例與法學理論結合起來的模型貧乏，即便有少量論文結合案例進行了相關論述，也多從法學理論的角度出發進行建模而未針對司法實際，缺乏實用性的研究與應用。

二、原因反思：司法人工智能與法官裁判方法脫節的深層次原因分析

當前司法人工智能與法官裁判方法的脫節是上述問題發生的關鍵。而造成這種脫節的原因可以從以下三個方面入手分析：

（一）學科的割離與壁壘制約了司法人工智能學科的發展

“隔行如隔山”，人工智能的研究與法學研究，無論從研究方法還是學術成果的評估都存在著較大的差異，尤其是法學研究內部又包含了法學理論研究和法律實務研究，二者的研究方法和手段也存在很大的不同。人工智能專家的相關論文主要關注了計算方法的高效性，缺乏對法學理論和司法實務的關注；法學學者的相關論文更多地關注了法律邏輯、法律概念的本體，注重法律的實效，而法律實務界則更側重于法律適用方法即法律裁判方法的研究和適用。這些研究側重點的不同導致了構建人工智能模型的出發點和思維進路的差別。

具體來說，當前的司法人工智能主要是同通過“要素提取”的方式來對法律文書、案例等進行解構，“用戶”在進行類案搜索時體會最為明顯，比如在前文進行搜索的案例中，雖然其中的搜索的要素與結果中的要素字眼上是一致的，但相互聯系上卻大相徑庭。這是因為，“要素提取”與審判實踐中裁判方法中的“要件事實”是不盡相同的。前者是將“要素”割離稱單純的某些單詞，而后者的要件事實，不僅包含這些單詞，還著重分析理解單詞之間的聯系，而這是裁判方法的精髓所在，也是前者缺失的重要內容。前者因為缺乏了對各“要素”之間邏輯關系的描述，比如，前文中所述的檢索，因為缺乏對檢索要素（關鍵詞）邏輯關系之間的理解和適用，才造成類案檢索不精準。因此，人工智能專家以其脫離實踐裁判方法的方式構建裁判模型必然無法滿足裁判者的使用要求。

（二）基本案情智能識別脫節裁判方法導致司法智能偏離“用戶”①本文中的“用戶”指的是智能系統應用者，包括法官、檢察官、律師等。需求

司法人工智能的基本思路是：基于案情描述作為整個司法智慧化系統的輸入，再采取特定的實驗方案來對數據進行“深度學習”過程，最終進行測試，選用最優的深度學習方法。因此，從龐大數據的解構和分析得出的“基本案情描述”是深度學習的基礎和前提。大數據是人工智能的基礎，大量的數據及處理數據能力的提升催生了深度學習的出現及其在語音識別、圖像識別、圍棋等應用領域的成功。在計算機領域，大數據被分為結構化數據、半結構化數據、非結構化數據三類。典型的結構化數據是表格，填寫內容確定；非結構化數據則任由人們進行天馬星空的想象，例如詩歌、小說等；處于兩者之間的便是半結構化數據。裁判文書是最典型的半結構化數據，其有著標準格式，但真正撰寫時不同法官會有不同的表述方式。①參見呂佳臻：《奇點的隱喻——法律人工智能的“寒武紀”》，載《法律與生活》2018年第5期。目前的司法人工智能系統的開發中，數據基本上為來源于中國裁判文書網或其他公共平臺的生效法律文書，這種樣本采集途徑對“法律外行”的人工智能專家而言是最便捷、最可靠的。人工智能專家利用分詞工具對半結構化的判決書文本進行分詞處理，比如LTP語言技術平臺，②LTP（Language Technology Platform）是由哈爾濱工業大學的社會計算與信息檢索研究中心開發的，提供了包括分詞、語義角色標注等功能。將數據進行結構化，但這種分詞方法與法官的裁判方法并不契合的。法官判決書是由法官裁判思維加工后的自然語言，為了讓普通民眾看懂判決書，法官在書寫判決書時會有意的將含有“要件事實”的結構化的語言自然化、生活化，有的判決書中并沒有明確體現法官的裁判思維過程。因此，人工智能專家在內的普通民眾是無法通過大量的判決書總結出法官的裁判思維的，因此以此為基礎進行的深度學習建立的模型必然不能符合裁判者的需求。

（三）司法實踐中統一裁判方法的缺乏阻礙了司法人工智能的深度學習

機器語言無法總結自然語言文本中的裁判方法是阻礙智能系統深度學習的瓶頸，而司法實踐領域成熟系統裁判方法論的缺乏，更加稀釋了裁判思維外化至裁判文書中的比例。

法律適用的過程本質上就是將某個生活事實歸入某個法律概念之下的邏輯涵攝過程。③參見【德】卡爾·拉倫茨：《德國民法通論（上）》，王曉曄等譯，法律出版社2003年版，第96頁。法律方法或法學方法則是法理學界用于研究法律適用的方法的學科。張衛平曾說，“在法學界由于我們要強調基礎性問題的研究，因此法技術的問題歷來被輕視?！瓘氖吕碚摰膶W者不可能將主要精力放在實用法技術的層面，學者也缺乏回答和解決法應用技術層面的問題條件”。④張衛平：《知向誰邁》，法律出版社2006年版，第21-22頁。可見，關于法學方法論的理論研究越來越多，但能直接運用到實踐中的卻非常少，更毋論審判實踐中總結出的方法論。法律方法論更多的是一種思維實踐，而非具體的行為實踐，這也是其實踐性的特殊之處。法律方法的形成方式大多是在不同時期對不同的司法實踐進行總結，這也就決定了其難以形成特別完整的體系，更多的是對司法案件中的經驗性規律進行概括和提升，將其中可以推廣的內容進行理論化總結。法律方法具有較強的思維性質，難以直接轉化為統一的行為實踐。雖然人們將法律方法說成是一種以司法操作為代表的技能，但司法操作并非像生產生活中的那種技能，而是運用法律規范和程序、“技術”（更準確的說是技巧）并智慧的運用原則、規則、程序、原理及各種方法的能力。⑤參見孫光寧：《反思法律解釋方法的位階問題——兼論法律方法論的實踐走向》，載《政治與法律》2013年第2期。法律方法論的實踐性主要是一種主觀意志中的思維實踐活動，它不能也無需替代或精準的知道法官的具體行為活動。審判方法論自身無法規范性的特點及審判者水平差異導致了實踐中缺乏相對統一的審判方法論。而人工智能專家并無能力自行研究出一套新的法律適用方法，亟需以相對統一的裁判方法為基礎進行深度學習。

三、路徑探尋：法官裁判方法嵌入司法人工智能的路徑嘗試

（一）統一司法裁判方法為司法人工智能提供建模基礎

司法實踐中的裁判方法是經過實踐總結與法理理論結合的產物，是得到了實踐測試的、大數據分析及高度凝練的司法經驗法則，將該裁判方法嵌入人工智能研發、應用，是司法人工智能研發的捷徑。在司法實踐中，關于法律適用、裁判思維方面的理論研究較少，但在某些領域也有相對成熟系統的裁判方法。比如民商事領域的“要件審判九步法”，在遵循演繹推理的基本邏輯結構的基礎上，將抽象三段論根據司法裁判的內在邏輯過程進行具象，將三段論的每一段進行細化，將抽象的規范分解為具體的要件；①參見吳兆祥：《提升司法水平的必由之路：確立統一的裁判思維模式》，載《人民司法》2011年第3期。此類裁判方法已經經過了多年司法實踐的“測試”，具備成為司法智能系統識別法律語言的重要條件。

另外，司法人工智能的研發與應用可以先以類型化案件的人工智能平臺的建立為試點，比如，民商事審判中，如民間借貸案件、離婚案件、買賣合同案件；刑事案件中相對較多的危險駕駛、盜竊、故意傷害等基層法院案由較為集中的案件類型的裁判方法進行適度總結，以此為基礎進行人工智能的深度學習，在此基礎上總結刑事、民事案件的相對統一的裁判方法，逐步推進人工智能對裁判方法的深度學習。

（二）規范裁判文書中裁判方法的表達方式為深度學習提供可識別樣本

裁判文書是法官裁判方法的外化載體，也是深度學習的最主要和最便捷的樣本來源，因此提高裁判文書中裁判方法的識別度，也就要求裁判文書準確、明晰的表達裁判方法。

以民商事案件為例，目前法院判決書新的文書樣式中的民事起訴狀、民事判決書的格式與民事審判“要件審判九步法”的裁判方法的思維邏輯是一致的，比如民事“要件審判九步法”中的九步法中的第一步是“固定權利請求”。權利請求是訴訟的基本出發點或原始出發點，權利請求是確定當事人訴訟請求所依據的法律基礎的出發，②參見鄒碧華：《要件審判九步法》，法律出版社2010年版，第54頁。這也就是起訴書和判決書中所需要首先明確的東西，因此，文本樣式中將“訴訟請求”單獨明確出來，就是要能夠一眼掌握該案件的訴求是什么，從而引出以下的論證。如果均按照統一格式書寫法律文書，司法智能系統提取裁判要件的目的就是會更容易實現。因此要嚴格規范裁判文書遵循《人民法院制作民事訴訟文書樣式》書寫法律文書；另外，根據最高人民法院2018年6月13日施行的《關于加強和規范裁判文書釋法說理的指導意見》中進一步對裁判文書的說法釋理的內容提出要求，要求既要闡明事理、釋明法理、講明情理、講究文理；在裁判結論的論證上要針對訴訟主張和訴訟爭點，根據證據對證據認定、法律適用進行釋法說理。該意見的施行，恰是印證了裁判文書的釋法說理的重點和依據，潛在的裁判方法就是“要件審判九步法”的邏輯內涵。

要實現裁判文書的規范化，可以從現有技術上入手。一方面，升級裁判文書智審系統，規范文書樣式模板，對不符合文書樣本要求的裁判文書進行糾錯、提示，在文書形成階段即嚴格把關，有益提示；另一方面，通過現行網上立案和裁判文書上網的審查機制來倒逼法律文書規范化，比如網上立案時以要件填寫的方式要求起訴狀必須符合要件的格式要求，否則，不能上傳，從而無法立案；同理，在裁判文書上網時，剔除不符合文書樣式文本的裁判文書，禁止上傳，從而規范裁判文書的格式要求。

（三）以對法官裁判方法的深度學習為途徑構建司法人工智能系統

深度學習是目前最先進的機器學習方法，目前深度學習的核心計算模型是人工神經網絡。李開復在《人工智能》一書中以簡易語言對深度學習機制進行了描述，指出，深度學習和所有機器學習方法一樣，是一種用數學模型對真實世界中的特定問題建模，以解決該領域內相似問題的過程。深度學習就是把計算機要學習的東西看成一大堆數據，把這些數據丟進一個復雜的、包含多個層級的數據處理網絡（深度神經網絡），然后檢查經過這個網絡處理得到的結果數據是不是符合要求——如果符合，就保留這個網絡作為目標模型，如果不符合，就一次次、鍥而不舍的調整網絡的參數設置，直到輸出滿足要求為止，是一種盡可能逼近問題目標的半理論、半經驗的建模方式。通俗的講，深度學習是人工智能發展到目前最先進的一種機器學習方法，輸入的信息或認知要通過計算機的運算、建模，待得出的結果與輸入的結果一致，計算機此時的程序就是認知該知識的程序；如果輸入與輸出的結果不一致，則需要不斷調整計算機的運算及模型，待兩者結果一致，固定該模型，這個過程就是深度學習的過程。①參見李開復、王詠剛：《人工智能》，文化發展出版社2017年版，第241-242頁。

裁判方法的深度學習是司法人工智能的基礎。司法人工智能的深度學習應當是通過對成熟裁判方法的學習，這是司法人工智能系統建立的捷徑。具體方式主要是在分析裁判文書、案例等大數據的基礎上通過諸如神經網絡系統的工具進行反復的核算、調整，最終歸納出可以被計算機運用在類似數據上的知識或規律。當前的智能系統建設已經形成大數據的平臺，擁有了案例、裁判文書、法條的龐大數據庫，并且具備了對該數據的存儲、分析以及檢索的能力，但缺乏的是如何將裁判方法嵌入司法人工智能的構建中。因此，如何讓機器利用自然語言處理能力去理解案件文本，并尋找其中的裁判規律，是實現司法裁判人工智能化的關鍵。

對于人工智能的設計者來說，在信息處理階段，必須將計算機模型調試到可以滿足對個案進行辨識的信息處理要求，再設計出相應的程序來完成數據輸入和數據輸出時的知識展現問題。一旦能夠完成信息處理工作，那么接下來使用特定的語法結構和數據來處理這些工作就會順利很多。①參見吳習彧：《司法裁判人工智能化的可能性及問題》，載《浙江社會科學》2017年第4期。而對案件的識別分析及信息處理則需要將現有的法學方法論體現作為裁判規律建立計算機的裁判模型，選取實用性、科學性、專業性的裁判方法論則顯得尤為重要。隨著深度學習技術的不斷提升，模型的不斷豐富，很多模型與算法均能有效的遷移至司法智能的問題上，甚至可以針對司法智能的問題，提出更加具有針對性的模型和算法。比如，在面向中文領域的自然語言處理的各項任務中，對文本輸入而言均需要先做分詞的處理，主要的工具有詞袋模型、FastTest模型和卷積神經網絡模型等等，這些模型具有一定的局限性，比如詞袋模型僅考慮了原始文本中詞出現的次數，忽略了原始文本中詞的書序、文本的句法和語法等信息，這種缺陷在司法數據語言的識別上，應當結合裁判思維方式進行機動的改進。

四、具體嘗試：司法人工智能融合“要件審判九步法”裁判思維

以下就以民商事審判中總結并成熟實踐的“要件審判九步法”為模型，試圖以此為司法裁判人工智能的成型提供有益思路。

（一）“要件審判九步法”的邏輯結構分解與思辨

“要件審判九步法”是將以演繹推理為基礎的法律分析方法結合實踐在審判中提出的形式理性的裁判思維方法，其特點是以要件事實作為審判的基本元素，以簡明具體的操作步驟作為抽象審判思路的基本載體，在程序法和實體法之間建立連接點，在糾紛事實與法律規范構成要件之間建立連接點，在法律訴訟指揮權與當事人處分權之間建立連接點。②參見鄒碧華：《要素審判九步法》，法律出版社2010年版，第26-27頁?？梢姡瑥囊徟芯挪椒ū旧韥砜?，其與人工智能的工作原理是契合的，能發揮人工智能在邏輯推理及演繹推理方面的優勢。要件審判九步法把法官審理民事案件的基本思路分為九步：1.固定權利請求；2.確定權利請求基礎規范（并法律觀點開示）；3.確定抗辯權基礎規范；4.基礎規范構成要件分析；5.訴訟主張的檢索；6.爭點整理；7.要件事實證明（并心證公開義務）；8.事實認定；9.要件歸入并做出裁判。要件審判九步法中的九個步驟，每一個步驟都可以在邏輯框架中找到相應的位置。

“要件審判九步法”作為民商事審判的一種裁判方法在實踐中備受推崇，但是也有不同的聲音對其質疑，有法官提出，審判過程是前后反復、相互交錯的，無法成為數字、公式和模型，尤其是法官的思維不能向“要件審判九步法”中規定的“九步”的過程來進行審判，經驗豐富的法官在審理案件的時候，并不是真正的到第九步才做出裁判，而是在審理案件開始或過程中，早已經存在一個預設的判決，這個判決是審判的先導，引領著法官展開審判。①參見周愷：《“要件審判九步法”之批判》，載微信公眾號“法律讀庫”。法官一開始主要依靠豐富的法律專業知識和司法實踐經驗，即“法感”，來快速發現初步的結論。然后才使用“理性—分析”系統來對初始結論進行檢測，以得出更為準確的結論。最后，法官需要依靠理性分析對裁決結論進行正當化的論證，以將建立在個人認知基礎上的裁定結果，轉化為可以被大眾理解的法律推理結論，從而展現司法的正當性。

實際上，上述的兩種觀點與“要件審判九步法”并不沖突。審判活動中的思維方式與其他腦力活動的思維方式是一致的，無法完全通過要件、公式或模型的方式加以范式化，比如圍棋等智力游戲，雖然有棋譜和技巧，但其中的變化是隨著每個棋手的理解和智商分不開的，而“要件審判九步法”只是以一種相對公式化的方式將審判實踐中的論證過程確定下來，雖然經驗豐富的法官在看到案件后，無需這些步驟即可預知結果，但對審判新人或人工智能來說，這種相對固定的裁判方法的描述為他們開展審判活動提供了工具和思路。

（二）利用要件審判九步法進行裁判思維模擬的具體操作

正因為人工智能深度學習裁判思維的難點在于自然語言處理能力及價值判斷，而將相對成熟的要件審判九步法嵌入進人工智能，就是將模擬裁判思維的自然語言能力的難度降到最低，具體到九步法中，可以進行如下的嘗試：

首先，大前提基礎規范模型的構建主要是對基礎規范即完全性法律條文的檢索、分析、建立基礎的邏輯規范模型。其中包含了對法條規范要件的識別、當事人訴求及抗辯理由的自然語言識別，并對二者進行邏輯分析。

人工智能以其強大的計算能力和數據檢索能力可以完成該部分的工作，建立同類案件的自然語言識別模型。這個階段可以充分發揮人工智能的作用，主要工作包括：1.人工智能通過輸入或掃描的訴狀內容，對案件的訴訟請求、抗辯理由進行識別處理；2.對大數據中符合裁判思維標準的法律文書和案件進行檢索、分析、提??；3.檢索出與訴訟請求、抗辯理由相關聯的法律規范；4.通過深度學習總結出不同案由的訴訟請求、抗辯理由及其基礎規范的規律。

其次，小前提爭點的整理與認定事實模型的建立則需要法官和人工智能的相互配合。爭點整理的過程就是法官引導訴訟的過程，法官裁判思維主要體現在對案件的爭議焦點的整理分析，此間融入每名法官的直覺、知識體系、邏輯、視域等要素，而目前的人工智能無法完全獨立完成這些訴訟活動。因此，在此階段中的爭點整理，人工智能應該起到的是輔助總結的作用，與法官的主動性相互結合。主要工作包括：1.人工智能根據案件的要件構成，對雙方當事人的爭議焦點做出初步總結；2.對當事人圍繞焦點提出的證據進行分解、提示、初步認證；3.對法官總結的爭議焦點進行檢測、補充、糾錯。

最后，要件歸入模型的建立則是輔助和驗證裁判結果的過程。要件歸入模型實際上應當與前面的大前提是相呼應的，最大的區別在于要給法官的主觀價值判斷留有空白余地，也就是由法官對人工智能缺乏的創新性進行主觀上的補充。在此部分，人工智能的主要工作流程是：先由法律智能輔助系統做出一個初級的推演過程及裁判結果，再由法官做出有益補充；反過來說，對于非疑難案件，可以由法官在將裁判結果做出認定，法律智能輔助系統通過要件的邏輯分析做出的邏輯初判，后最終由法官進行價值補充后，做出最終裁判。而裁判智能輔助系統在此起到的就是邏輯演繹、驗證的作用，可以為法官的裁判提供邏輯說理并做出驗證。

基于上述裁判智能系統的建模過程，最終能夠形成一份包含基本說理、證據采信、法律論證的判決書雛形，在此基礎上，由法官做出最后的補遺和糾錯。通過該系統的建立和使用，并非能夠出現一個機器人法官，而是使大部分簡單、清晰、重復性高的案件建立審判模型，形成裁判模板，減輕法官的工作負擔，提升法官的辦案效率、辦案能力，從而促進司法公正。

結 語

典型、簡單案件往往占據民商事、刑事司法審判中的絕大多數，基層法院“堆積”大量此類案件。基層法官亟需從此類案件的重復性勞動中得到解放。司法人工智能的運用并不會使得審判徹底淪為“自動販賣機”的模式，而是提高工作效率、提升審判質效的有效途徑。當前司法裁判人工智能化的研發過程匯總，需要斟酌的不僅是技術上的障礙，還應考慮法官的接受度和實際效用。在絕大多數民事或形式案件中，尤其是裁判過程，不能通過簡單和標準化的計算機程序來處理，這是目前人工智能技術還不能企及的高度。①參見吳習彧：《裁判人工智能化的實踐需求及其中國式任務》，載《東方法學》2018年第2期。面對這種發展形勢，作為法院的基層工作者，以自己審判實踐的裁判方法提出對裁判思維模擬的設想，也是對算法裁判發展的有益拓展。但由于學科的壁壘，審判者或人工智能專家均無法單獨的完成司法人工智能的研發，必須二者協作，由審判者為人工智能專家提供深度學習的樣本及路徑，人工智能專家依靠先進的技術進行研發。