“弱”法律人工智能研究的邏輯起點

孫培福，付卓然

（山東政法學院，山東 濟南 250014）

Alphago在圍棋領(lǐng)域的成功產(chǎn)生了極強的輿論影響，“奇點”①“奇點”（Singularity）這個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)歷的一個階段，當AI的發(fā)展達到奇點時，人工智能將會出現(xiàn)爆炸式的增長，并且將在事實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下的國內(nèi)法學界而言，“人工智能與法”是一個逐漸興起且熱度很高的前沿研究領(lǐng)域。

但應當明確的是，在“人工智能與法”這個新興且蓬勃發(fā)展的交叉領(lǐng)域，存在著兩個截然不同的分支。其一，是人工智能法學，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，整體研究基于法學理論層面，并可以引入哲學、邏輯學、倫理學的相關(guān)理論進行補充；其二，則是法律人工智能，內(nèi)容以人工智能進入法律領(lǐng)域的實際應用為主，具體而言是人工智能對原本法律領(lǐng)域內(nèi)的功能角色進行輔助、增強甚至替代，比如智能咨詢律師，其研究內(nèi)容有極強的技術(shù)色彩，與傳統(tǒng)的法學領(lǐng)域研究差別極大。有些學者會持不同意見，認為法律人完全可以不去理會法律人工智能的應用原理問題，因為該問題完全可以交由人工智能學者去完成，而法律人只需要對現(xiàn)象進行觀察，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，只需要立足于法學領(lǐng)域本身，便足以應對各種跨領(lǐng)域的法律挑戰(zhàn)。比如法律人面對醫(yī)療糾紛時，哪怕自身不具有醫(yī)學專業(yè)知識，只要征詢專業(yè)的醫(yī)學意見，就可以通過這意見做出基于法律的準確評判。同樣的研究邏輯也可以應用于人工智能領(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)責任理論出發(fā)，進一步展開各種學理上的探討。[1]而在這過程中，并沒有對無人駕駛系統(tǒng)的算法構(gòu)成進行深入研究。所以，得出法律人無需對別類專業(yè)領(lǐng)域進行深入探究的結(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領(lǐng)域以外的存在。它是一個尚未發(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]大部分的非法學領(lǐng)域（包括人工智能領(lǐng)域）與法學領(lǐng)域是沒有專業(yè)知識層面的交集。它們與法學產(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——一個通過學習法律數(shù)據(jù)庫，應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。現(xiàn)如今學界將視角集中在了人工智能法學的方向，而卻明顯忽略了對于法律人工智能的研究。而實現(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，以及存在價值的關(guān)鍵。因此，有必要梳理人工智能的基本理論，并進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。

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《計算機器與智能》中[3]，提出了“圖靈測試”①即一個人在不接觸對方的情況下，通過一種特殊的方式，和對方進行一系列的問答，如果在相當長時間內(nèi)，他無法根據(jù)這些問題判斷對方是人還是計算機，那么，就可以認為這個計算機具有同人相當?shù)闹橇Γ催@臺計算機是能思維的。的概念。他認為“機器能夠在純智能領(lǐng)域與人類競爭”。②參考《計算機器與智能》（Computing machinery and intelligence），MIND（1950）.而對于當時正在興起中的“認知主義”學派而言，圖靈的學說給他們提供了重要的理論工具。在20世紀的四五十年代，正是“認知主義革命”全面展開的時間。這場源自心理學的一場變革活動，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年的達特茅斯會議，③參見《達特茅斯會議：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·西蒙等人為首的認知科學家通過足足兩個月的時間討論著機器模仿和學習人類智能的相關(guān)議題，并在最后用“人工智能”（Artificial Intelligence）④該名稱由麥卡錫提議，并最終被眾人認可，這也是他被稱為“人工智能之父”的原因之一。這個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，第一個人工智能程序“邏輯理論家”由認知心理學家紐厄爾、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個關(guān)鍵的命題邏輯定理，甚至更進一步，對其中某一定理的證明過程進行了改寫，使證明變得更為恰當且有效。[4]

“邏輯理論家”的成功對于“符號主義”的人工智能學派是一種有力的鼓舞，這些“符號主義”的人工智能學者傾向于將現(xiàn)實世界的概念、知識用物理符號進行表征，其理論來源自笛卡爾的哲學思想，即“所有的理解都是形式化的并可以使用恰當?shù)姆柋碚鳌保薜芽栒J為這些表征是由原始理念和要素實體所構(gòu)成的復雜描述。而通過將這些表征用一些規(guī)則連接，構(gòu)成一個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)得以實現(xiàn)。事實上這一流派與心理學、邏輯學、哲學等人文社科領(lǐng)域有密切的聯(lián)系。符號主義者試圖通過知識表征來復刻人類的心智體（一種哲學概念，用以描述了人類的意識存在形式）。[6]

在很長的一段時間內(nèi)，“符號主義”幾乎成了人工智能領(lǐng)域的正統(tǒng)學說。直到20世紀七八十年代，“符號主義”在難以克服的困境面前不復往日榮光——機器無法去表征常識（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化的意識規(guī)則）。[4]最后，符號主義者試圖將數(shù)以萬計的人類常識分別予以表征，然后向計算機灌輸這些知識，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算機自身的計算能力。此外，上下文問題⑤上下文，即語境、語意，是語言學科（語言學、社會語言學、篇章分析、語用學、符號學等）的概念。更是其難以跨越的高山。舉個例子：“小明看到一只貓趴在玫瑰花叢旁邊，它很漂亮。”而其中的“它”對于機器來說，就是一個很難理解的對象，“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例而激勵，又因某些難以克服的沖突而被新的綱領(lǐng)淘汰。

而與GOFAI相對應的一個概念則是“新式AI”（NFAI，New-Fashion AI），但是這個稱謂也只是為了與GOFAI進行區(qū)分罷了。因為NFAI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，美國西部計算機聯(lián)合大會在洛杉磯召開，會中還套了個“學習機討論會”。討論會的參加者中有兩個人參加了第二年的達特茅斯會議，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算機下棋，他們分別代表兩派觀點。討論會的主持人是神經(jīng)網(wǎng)絡的鼻祖之一皮茨，他最后總結(jié)時說：“（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。”這里的兩派，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)其價值。而聯(lián)結(jié)主義，或者說是人工神經(jīng)網(wǎng)絡理論，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”是以哲學和邏輯學這類傳統(tǒng)的人文社會科學作為其前進的旗幟，那么支撐人工神經(jīng)網(wǎng)絡的理論根基正是在當時日益蓬勃的神經(jīng)科學，而其運行理論更是基于純粹的數(shù)學和統(tǒng)計學范疇。

人工神經(jīng)網(wǎng)絡（Artifical Neural Network，ANN），即通過仿生研究，用計算機模擬人類的腦神經(jīng)網(wǎng)絡，從而實現(xiàn)類人智能。具體來說，就是將微小且數(shù)目眾多的單個神經(jīng)元相聯(lián)結(jié)，形成具有強大計算能力的神經(jīng)網(wǎng)絡。并且神經(jīng)網(wǎng)絡可以有多個層級，各個層級之間也是相互聯(lián)系的。它們的運行方式與“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)計替代了邏輯。最為重要的是，人工神經(jīng)網(wǎng)絡是動態(tài)的，它可以從隨機的輸入開始運行程序，在過程中通過機器學習，來調(diào)整不同層級網(wǎng)絡之間的聯(lián)結(jié)權(quán)重，并且可以利用監(jiān)督學習不斷修正輸入輸出過程中的誤差，進而持續(xù)實現(xiàn)自我完善。而GOFAI則是一個精密卻靜態(tài)的程序，嚴格按照既定設定運行著整個程序，一旦運行中丟失某些節(jié)點或是發(fā)生意料之外的錯誤，就會面臨程序崩潰的悲慘結(jié)局。

但是，據(jù)此而認為人工神經(jīng)網(wǎng)絡完全優(yōu)于GOFAI則是武斷的，盡管它具有很多優(yōu)點，但同時也具有顯而易見的缺陷。由于整個神經(jīng)網(wǎng)絡的運行計算是建立在統(tǒng)計學、概率論框架之上的，這就導致它無法像GOFAI那樣，依據(jù)嚴密精準的邏輯路徑得到精準的輸出內(nèi)容。舉個例子：如果詢問機器1+1等于幾？那么GOFAI會告訴你等于“2”；而人工神經(jīng)網(wǎng)絡則會告訴你大概率等于“2”。[4]換言之，人工神經(jīng)網(wǎng)絡輸出內(nèi)容通常是一種概率的描述，而不是準確結(jié)果。并且，盡管神經(jīng)網(wǎng)絡企圖通過模仿人腦的神經(jīng)系統(tǒng)，來實現(xiàn)人工智能。但事實上，神經(jīng)網(wǎng)絡與人腦神經(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)點是固定的單方向傳播，但是人工神經(jīng)網(wǎng)絡節(jié)點卻往往是多向傳播）。最關(guān)鍵的是，人工神經(jīng)網(wǎng)絡始終面臨著計算能力的桎梏。這并非硬件層面的因素，而是因為基于舊理論難以構(gòu)造足夠復雜的人工神經(jīng)網(wǎng)絡，而神經(jīng)網(wǎng)絡的復雜程度與層級數(shù)量又決定了其“智能”上限。但是，隨著“深度學習”（Deep Learning）的橫空出世，人工神經(jīng)網(wǎng)絡卻成了“元年”以來，最有應用價值的技術(shù)。

“深度學習”是自“機器學習”理論中發(fā)展出來的，建立在人工神經(jīng)網(wǎng)絡（人工神經(jīng)網(wǎng)絡的一大特性就是可以進行“機器學習”）的基礎之上，可以通過進行知識表征，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，其本身是一個動態(tài)的過程。②可以通過例子來進一步說明：存在“深度學習”機A，建立最先的表征“貓”，然后輸入大量白貓的照片進行學習，并得到輸出結(jié)果為“貓”。然后輸入大量黑貓的照片進行學習，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中進行識別，A會告訴你，這是貓。很明顯，A通過深度學習，掌握了貓的特征，并且知道“是否是貓與顏色無關(guān)”。并且，“深度學習”使得神經(jīng)網(wǎng)絡的層級數(shù)量突破原有的限制，大大延伸了神經(jīng)網(wǎng)絡的“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)絡具有了更高的“智能”上限。盡管“深度學習”對于知識表征④在神經(jīng)網(wǎng)絡中的知識表征，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，使人認為“符號主義”與人工神經(jīng)網(wǎng)絡有所結(jié)合。事實上，兩者的表征是不同的，GOFAI是集中式的表征，每一個單獨物理符號表征一個單獨的概念，但是人工神經(jīng)網(wǎng)絡卻可以實現(xiàn)分布式表征，將一個概念分布式表征在數(shù)量龐大的神經(jīng)元中。而這個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，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。這也是為何需要強調(diào)人工神經(jīng)網(wǎng)絡的統(tǒng)計學特征，因為從技術(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)絡的特質(zhì)，是基于數(shù)據(jù)庫進行大樣本的訓練學習，進而完成特征提取和規(guī)則構(gòu)建，最后進行統(tǒng)計學意義上的概率分析。而這往往會成為研究者對于法律人工智能進行分析時的混淆點。

而在“符號主義”和“人工神經(jīng)網(wǎng)絡”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，主要研究方向在運動感知、情境機器人等領(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：在計算機上構(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器，可以稱之為“強人工智能”（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器”。②西爾勒本人是站在否認人工智能能夠擁有人類思維的立場，創(chuàng)造了強弱人工智能的概念。而與之相對應的“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器。不過，在國內(nèi)“強人工智能”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歸咎于翻譯，很多未學過系統(tǒng)理論的譯者，將AGI直接翻譯為“強人工智能”。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，這點區(qū)別于所謂的“專家系統(tǒng)”。AGI注重的是人工智能的應用廣度，而“強人工智能”關(guān)注的是機器的思維強度。[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”就是當下乃至未來一段時間內(nèi)，人類在人工智能領(lǐng)域的極限。而被人工智能學者、未來學者所期待的“短期內(nèi)的指數(shù)級技術(shù)增長”，根本是缺乏理論依據(jù)與嚴謹邏輯的。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“寒冬時期”，最近的“深度學習”浪潮，是理論發(fā)展歷程中第三次復興。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——至少在當前不具有這種征兆。同理，在學科交叉領(lǐng)域中去進行的基于“強人工智能”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方向似乎從未指向“強人工智能”。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度，但是并不意味著它沒有輔助增強人類的價值。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，其運行程序只能對法律領(lǐng)域的事務進行服務，本質(zhì)上是“弱人工智能”。其發(fā)展始于20世紀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)域的標志性開端，卻是20世紀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，這符合當時人工智能學者對于法律的整體認知：法律有清晰的結(jié)構(gòu)和證成的標準，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，人為進行知識表征變得格外復雜，于是學者們轉(zhuǎn)變思路嘗試通過建立數(shù)據(jù)庫進行類比推理的方式，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涵蓋整個法律領(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，但也可歸責于因?qū)Ｗ?gòu)建法律論證模型而導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——用寫入機器的符號化、數(shù)字化的邏輯命題，實現(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對法律推理中的復雜變量，但其根本癥結(jié)在于計算機不能真正擁有人類的認知與思維，因此自然不能夠真正像人類一樣去進行法律推理。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，可以基于人的樸素認知造就出來的自然邏輯，去推理出一個符合當前情境的最優(yōu)解。但是應用現(xiàn)代人造邏輯的計算機卻做不到，當不確定因素產(chǎn)生嚴重干擾時，只會導致人工智能宕機，相關(guān)程序“閃電崩潰”。[13]因此，就目前來看，試圖建立一個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)理論建模可以取得特定的成功，但是終究難以突破“弱人工智能”的上限。因此，一個“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，這意味著機器具有“強智能”。但是，現(xiàn)有理論只能達到“弱智能”的初級階段，試圖應用“弱智能”階段的理論去完成“強智能”的類人思維，無疑是矛盾的。況且，強弱人工智能之間本就不存在直接的理論遞進聯(lián)系。換言之，現(xiàn)今的“弱智能”理論未必可以直達“強智能”，“強人工智能”與“弱人工智能”之間的不同，是根本性的。[14]

但是，智能律師ROSS、上海“刑事206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)絡為基礎的“深度學習”人工智能，相較于“符號主義”，神經(jīng)網(wǎng)絡巧妙地繞開了直接復現(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)的特征學習和統(tǒng)計學的算法構(gòu)造，使法律人工智能可以通過統(tǒng)計學的邏輯進行推理，避免了用機器智能模擬人類思維邏輯方式所面臨的悖論，從而可以實現(xiàn)“弱人工智能”層次的應用成功。所以，在技術(shù)實質(zhì)上來說，如今所見的種種法律人工智能就是“深度學習”式人工神經(jīng)網(wǎng)絡。

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知，存在著很多混淆，比如將區(qū)塊鏈、大數(shù)據(jù)、云計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)、云計算、計算機網(wǎng)絡等技術(shù)內(nèi)容聯(lián)系密切，人工智能的計算能力與學習能力都需要來自最先進的計算機技術(shù)的支持。但是這并不意味著它們就是一類事物。人工智能是由認知科學、計算機科學、哲學、心理學、腦神經(jīng)學等多學科混合的產(chǎn)物，而并非是單純的計算機信息技術(shù)的產(chǎn)物。秉持著這種混淆認知來進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，并在此基礎上梳理其基本特征。

（一）區(qū)分法律人工智能與計算機新技術(shù)

人工智能的發(fā)展是與計算機的發(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算機技術(shù)的進步。云計算、區(qū)塊鏈、大數(shù)據(jù)、虛擬現(xiàn)實、人工智能等新技術(shù)的發(fā)展都需要依托于計算機。但是這并不意味著，它們可以實現(xiàn)宏觀上的統(tǒng)一。尤其是人工智能，它和其余的計算機新技術(shù)有截然不同的定位。

美國學者恩格爾巴特曾提出過一個“智能增強”（IntelligenceAugmentation）的概念，[16]認為應當用計算機去輔助增強人的智能，正是在這種理念的推動下，促進了諸如互聯(lián)網(wǎng)、人機交互系統(tǒng)等計算機領(lǐng)域的典型技術(shù)成果的誕生。[17]簡而言之，那些帶有計算機和互聯(lián)網(wǎng)色彩的技術(shù)概念，可以統(tǒng)統(tǒng)被認定為IA（智能增強）。智能增強和人工智能在概念內(nèi)涵上去考量，甚至是完全相悖的。IA是純粹的計算機技術(shù)產(chǎn)物，其誕生目的就是服務人類。盡管當前“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。雖然隨著計算機技術(shù)的發(fā)展，人工智能和智能增強之間的技術(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，最后卻聚焦于計算機網(wǎng)絡技術(shù)的領(lǐng)域，通篇都是虛擬現(xiàn)實、區(qū)塊鏈、即時網(wǎng)絡庭審等技術(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算機新技術(shù)存在伴生關(guān)系，那就是大數(shù)據(jù)和云計算。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，而且是有價值的。通過新技術(shù)的處理模式可以實現(xiàn)對于大數(shù)據(jù)的分析、提取，使其成了具有多樣化價值的信息資產(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算以及它的劣化版“霧計算”。因為云計算的出現(xiàn)，使得物聯(lián)網(wǎng)成為可能，成千上萬的機器設備、云端服務器互相聯(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，才能實現(xiàn)“深度學習”。正是由于人工神經(jīng)網(wǎng)絡對于云計算和大數(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)、云計算，但是這不意味著“人工智能＝大數(shù)據(jù)+云計算”。三者之間的聯(lián)系是建立在數(shù)據(jù)的收集過程中，云計算推動大數(shù)據(jù)的建立，大數(shù)據(jù)供人工智能進行學習。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成運行的前置條件。由于云計算與人工智能沒有直接的技術(shù)聯(lián)系，因此實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)，應當將大數(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，是一種應用研究。既然如此，就不宜脫離其現(xiàn)實技術(shù)的根基，對于它的相關(guān)討論應當基于“弱智能”。“弱智能”在此的內(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”的角度去認知便會發(fā)現(xiàn)，其當前的本質(zhì)特征就是對人輔助與增強，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確定位成輔助工具，而不是一個所謂的“具有法律上獨立主體地位”的智能機器。通過構(gòu)建法律論證推理模型，試圖以計算機代替法官，構(gòu)建所謂“自動販售機”式[19]的機器人法官的行為，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踐中具有的實際價值。所以，進行輔助式的法律人工智能研究，探尋人機合作式的法律實務模式，才是符合法律人工智能在現(xiàn)階段輔助增強定位的研究邏輯。

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，通過大數(shù)據(jù)進行“深度學習”，以現(xiàn)代計算機技術(shù)提供的強大計算能力提取相關(guān)特征，建構(gòu)知識表征框架，進而以概率可能性的內(nèi)在邏輯表達，去解決實際的法律問題。這既是法律人工智能的準確內(nèi)涵，也是進行相關(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

當前的法律人工智能就是“深度學習”與人工神經(jīng)網(wǎng)絡技術(shù)的具體應用。其算法本質(zhì)就是統(tǒng)計與概率，不存在真正意義上的人類邏輯思維。所以法律人在談論法律人工智能時，往往會出現(xiàn)的思維誤區(qū)，就是將其對標人類的思維，殊不知這正是混淆了基本的技術(shù)特征。人工神經(jīng)網(wǎng)絡本就不是一個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)應用研究，應當建立在具體的技術(shù)特征上。具體而言，人工神經(jīng)網(wǎng)絡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)進行學習，憑借自身的計算能力，以超越人腦的信息檢索效率，對歷史信息進行特征提取，最后對比得出一個概率最優(yōu)解。而對于需要分析決策的功能部分，諸如判決偏離預警、自動量刑等，法律人工智能會發(fā)展較為艱難。因為，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，不應陷入對于技術(shù)路徑固有缺陷的過度批判之中，而應該著眼于優(yōu)勢技術(shù)與法律實踐的有機結(jié)合。

（二）統(tǒng)計學知識的輔助

由于，法律人工智能對于統(tǒng)計學知識的倚重，要想有效開展相關(guān)研究，需要進行專業(yè)統(tǒng)計學知識的學習。但是，當前法學界中的大多數(shù)人沒有經(jīng)歷專業(yè)的統(tǒng)計學、高等數(shù)學的學習。憑借傳統(tǒng)法學的知識體系，的確難以有效開展法律人工智能的技術(shù)研究。在這一點上，我國已經(jīng)與歐美學界拉開了差距。在國外，由于法律實證主義的盛行，使得學者們通過統(tǒng)計學的相關(guān)學習來提升實證能力的情況非常普遍。受益于此，國外學者可以通過統(tǒng)計學工具，以實證模型的形式來論述理論觀點，研究先進算法與法律之間的關(guān)系。相較而言，國內(nèi)學者在實證主義法學方向也多有嘗試，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)計學知識的匱乏有直接關(guān)系。因此，引入數(shù)學、統(tǒng)計學工具，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、四川大學為首的幾所國內(nèi)頂尖高校，已經(jīng)陸續(xù)開始就“計算法學”，創(chuàng)立相關(guān)專業(yè)或開設相關(guān)課程。國內(nèi)的法律學者游刃有余展開法律人工智能應用研究的時刻，應當不再遙遠。