人工智能與司法結合的研究與討論

周嘉琪 溫佳妮 胡浩鑫

摘要：利用自動化技術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域，可以有效解決司法部門內部矛盾，并在同類案件中，提高工作效率，減少重復勞動。我們認為將人工智能自動化與法律結合，去促進法律更好地順利實施，司法更加公平正義。想要取得突破，就必須重新進行邏輯推理，重塑責任理論，通過自動化技術建立更加合理的規則和制度，管理并約束人工智能。

關鍵詞：人工智能 司法 模型建立

近年來，人工智能的迅猛發展深刻地改變了人類社會的形態。人工智能在法律領域的應用已有60多年，取得了良好的效果。人工智能和法律的相互結合，促進司法效率的提高，緩解司法資源緊張，促進司法更加公正公正，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際應用

人工智能，又稱機器智能或計算機智能，又稱人工智能。研究和開發模擬[1]、擴展和擴展人類智能的理論、方法、技術和應用系統是一門新興的技術科學。人工智能是使用計算機來模擬某些人類的思維過程和智能行為（例如學習，推理，思維，計劃等），也稱為機器智能或計算機智能。這是更高級別的應用程序。

在"弱人工智能"階段，機器既沒有真正的智能，也沒有自我意識。利用統計學和擬合函數，可以使機器實現相對簡單的行為，這是我們目前的研究階段。在這個研究階段，人們需要以機器可以接受的方式向它傳遞所需的信息。法律領域的應用主要體現在檢索系統和法律專家系統。法律信息檢索系統自建立以來，通過不斷完善系統，擴大信息存儲量，大大提高了檢索的準確性和完整性。

如果法律專家系統將法律現象邊緣化和專家在某一領域的經驗結合起來進行建模，就會寫入相關的程序系統中。運用這一制度可以在很大程度上節約能源，盡快得到法律分析，促進法律發揮最快的效力，促進法律的實施。北京大學法學院與北京大學計算機中心聯合開發的"中國法律計算機輔助法律研究系統"于1986年11月通過了部級鑒定，實現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展。

人工智能的進一步發展是"強人工智能"。具有"強人工智能"的機器不僅是工具[2]，而且有自己的思維方式，"強人工智能"具有真正的推理和解決問題的能力。這類機器將被視為有意識和自我意識的機器，能夠獨立思考問題并做出最佳解決方案。這種智能機器利用感知和思考的功能，可以實現與人類相似的對法律知識的理解，做出自己的判斷，并提出解決法律問題的解決方案和途徑。如果能發展成為"超級人工智能"，機器智能的水平將與人類相當并超越人類。智能機器可以自我復制，大量復制并提高自我意識。這一觀點尚未得到證實，因此不必過于擔心其對人類的影響。

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等多學科的研究成果。在當今的"弱人工智能"階段，智能機器具有卓越的計算能力和學習算法，因此智能機器可用于推理和知識獲取。法律語言的人工智能研究。

（一）關于法律語言的人工智能研究。

法律語言的模糊性是法學界最重要也是最困難的問題之一。法學家利用研究數據發現規則，分類并讓機器學習，利用人工智能技術建立語料庫進行存儲、建模和理解研究。

（二）人工智能對經驗性知識的獲得

從目前的發展狀況來看，人工智能更加注重理性和數學方面。對于體驗式學習的智能機器來說，此時既沒有思維也只有類人思維，它只能進行簡單重復的動作，這需要人機合作的形式來推動。此時，開發提供了大量的數據，并不斷訓練智能機器，使其能夠識別圖片中包含的內容，降低錯誤率和偏差。2012年，加拿大科學家Jeffrey Hinton發表了一篇文章"用深卷積神經網絡進行圖像分類"，提出通過卷積神經網絡可以將圖像識別的錯誤率降低到16%，這被認為是學術界新一輪"機器學習"發展的里程碑圈，也增加了人工智能融入公司的可能性[3]。

短期內，將人工智能引入司法領域，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，減少重復勞動。從長遠看，我們要把科技與法律結合起來，促進法律更好地實施，促進司法更加公正公正。

三、創新與挑戰：人工智能的介入

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

在構建人工智能司法決策系統的過程中，首先要應對法律論證和法律推理在法律方法中的應用。技術援助階段的智能系統可以模擬法官根據規則或案例進行推理[3]。人工智能與法律推理的研究構建了一個非統一的邏輯模型，使得這種法律方法的司法實踐帶有人工智能的色彩。

四、自動人工智能司法模型的構建與研究

針對當前訴訟風險預警準確性不高的現實問題，結合訴訟活動的復雜性和專業性、法律的局限性和證據條件的不確定性，以傳統知識地圖構建的證據要素模型作為數據提取的基本標準，提出了基于知識地圖的證據要素模型以事件圖構建的證據鏈模型和證據規則模型為組合推理的載體[5]，構建了整個訴訟司法知識庫的運行框架和內在機制。但由于當事人及其代理人提供的證據材料具有多源性、格式不一致、內容不確定、矢量建模困難等特點，在一定程度上可能導致證據鏈模型與證據規則模型的聯動過程[6]中存在大量不確定因素，從而影響預測的準確性。因此，我們采用知識地圖的方法來構建人工智能司法模式。基于邏輯規則和本體語義，建立了描述實體屬性與實體關系的知識庫模型。

基本數據模型由RDF構建，案例元素串聯，形成司法知識庫中最基本的詞匯集。Owl用于引入推理規則，可以表達傳遞屬性、對稱屬性、函數屬性和逆屬性之間的關系。根據匹配模式，識別證據要素，提取關鍵信息，最后根據當事人的訴訟材料形成結構化要素。同時引入案例圖改進知識圖，通過對各種法律事實內部邏輯關系的深入挖掘，得到順序、因果、循環等邏輯關系，彌補了知識圖相對靜態、緩慢變化的不足，無法預測司法過程和結果，增強知識庫的流動性和包容性。

五、結論

在基于證據元模型的基礎上，使用基于規則推理的貝葉斯算法，如何構建多個證據之間的關系圖，以及如何通過遺傳神經網絡算法優化證據鏈模型與證據規則模型之間的關系。這是我們下一個研究的重點。

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

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

[3] 秦彥霞、張民、鄭德權：《神經網絡事件抽取技術綜述》， 《智能計算機與應用》2018年 第3期，第1-5頁。

[4] 騰訊研究院等：《人工智能：國家人工智能戰略行動抓手》，中國人民大學出版社 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）