人工智能應用于地方立法的 現實困境與應然路徑

李弸

隨著大數據、人工智能的飛速發展，海量數據資源逐步成為國家層面最為重要的基礎性戰略資源之一。習近平總書記指出：“要運用大數據提升國家治理現代化水平，建立健全大數據輔助科學決策和社會治理的機制，推進政府管理和社會治理模式創新，實現政府決策科學化、社會治理精準化、公共服務高效化。”

黨的十九大報告明確，立法應遵循科學立法、民主立法、依法立法的原則。大數據及人工智能在立法領域的應用，為立法提供了全新的思路，對于更好實現以良法促進發展、保障善治，意義重大而深遠。

現實困境

早在2014年，天津市人大常委會就依托北大法寶法律數據庫，投入使用了全國首個運用人工智能輔助地方立法的法律應用系統——規范性文件審查系統。此后，多個地方人大常委會陸續引進北大法寶智能立法平臺，將人工智能運用于地方立法。當前，人工智能在地方立法中的實踐應用主要包括以下幾個領域：規范性文件備案審查、法規清理、法規文件制定。

盡管各地人大常委會漸次開展了有益探索，但總體而言，大數據在我國立法領域遠未得到應有重視，尚處于起步階段，應用范圍較窄，功能開發較少，整體推進速度較慢。

運用大數據技術進行分析預測的前提在于數據的完備，而我國目前的立法基礎數據庫存在以下問題：一是數據共享不足。當下，不同政府部門控制的數據并未實現開放共享，海量政府數據亟須“蘇醒”，尚未形成統一的數據開放格式，不利于數據的有效利用。二是數據價值密度偏低，很多地區可下載的數據存在碎片化、低容量等問題。三是大數據開放市場處于無序狀態，重復建設、信息孤島、信息盲點、數據打架等現象大量存在。比如地方人大的信息網站與“一府一委兩院”、同級人大、上下級人大并未實現互聯互通。即使是同級人大，代表履職平臺、備案審查平臺、預算聯網監督平臺也存在重復建設、各自為政的問題。

人工智能的本質在于算法和數據處理，機器通過學習，對海量數據進行自動挖掘與預測，以形成統一的智能化算法或參考指引。而算法形成的關鍵在于深度學習，其中最主要的方法即為知識圖譜的構建。所謂知識圖譜，是指知識間結構關系的可視化呈現，簡單來說，就是將人類的知識整合到機器中去，使其有效管理知識、規則和結論，從而形成類似人腦推理的知識圖譜。而法律語言的豐富多彩，使得“投喂”給人工智能的數據并不具備結構化特征。以目前發展較為成熟的規范性文件備案審查人工智能舉例，對限制人身自由的表述包括“拘留”“強制關押”“扣留審查”“限制出境”“不得離開”等50多種。如果僅僅以“拘留”為敏感詞，則其他提法顯然回避了敏感詞詞庫。而此項工作，需要人工對立法數據進行清洗、標注和篩選分類，以形成機器能夠識別的結構化數據——分詞詞庫，在此基礎上再讓機器深度學習，從而形成人工智能。而對浩如煙海的法律規范進行篩選、歸類、標簽設置，其工作量可想而知。

人工智能在立法領域的深度應用，急需一大批精通法律和大數據分析知識的復合型人才。即使擁有豐富立法經驗的立法者，在人工智能應用于立法工作中時，也往往掣肘于欠缺計算機知識及數據應用理念，無法實現立法需求與人工智能的深度融合。當前，大部分機構多采用“法律人才+大數據人才”的方式開展工作，然而計算機人才對于法言法語的精準理解、法律人才對于機器語言的深度識別都存在鴻溝，知識背景的巨大差異使得溝通成本增加，易使項目偏離預設目標。

前景展望

盡管存在上述種種困境，但人工智能在立法領域的應用前景仍然十分廣闊，在立法意見收集智能整理、立法決策量化論證、立法資料收集等方面大有用武之地。

一是立法意見智能整理。

開門立法、民主立法是對全過程人民民主最生動的詮釋，而人工智能在立法意見征集中的應用，能夠最大限度傾聽民聲、匯聚民智，降低公眾參與立法的成本。

可拓寬公眾參與立法的廣度。過去，僅僅依靠立法調研、立法座談會、實地走訪等傳統形式征集意見，立法意見收集渠道較為單一，群眾參與立法的廣度和深度都十分有限。而互聯網、大數據的引入，使得公眾參與立法的廣度得以極大提升。

可高效智能分析篩選立法意見。立法意見匯集后，更重要的是對其進行分類篩選，依靠傳統人力進行整理匯總，工作量可想而知。以《民法典》為例，其編纂過程中共收到42.5萬人提出的102萬余條意見，對如此海量的意見進行收集整理，需要過濾無效意見、去除重復意見，十分耗時耗力。而處理海量信息恰恰是大數據的優勢，依托語義理解、文本自動處理和深度學習，人工智能能夠對收集到的數據進行過濾，區分整體意見和分類意見，去除無效意見和重復意見，在短時間內整理出對法規草案有益的立法信息。

二是立法決策量化分析。

為解決地方立法針對性和可操作性不強、立法初衷與最終效果相悖的弊病，必須努力強化立法決策量化論證，全面衡量各方利益訴求。大數據連接一切、去中心化、計算一切、可預測性等重要特征能夠有力彌合地方立法工作的痛點，為立法決策提供有力支撐，實現“讓數據說話，用數據決策”。

可助力科學編制立法規劃。全樣本是大數據的第一基礎特征，能夠全面、客觀、真實地反映各方主體的利益訴求，使立法者得以準確掌握社會治理現狀和人民真實意愿，真正實現民有所呼，我有所應。

可助力科學作出立法決策。在獲取全樣本數據的基礎上，人工智能能夠利用大數據進行分析，繼而通過深度學習發現數據相關性。比如在立法項目論證中，人工智能能夠實現對某一法規草案可能帶來的社會影響、相關效應作出科學預測，輔助立法者篩選出立法成本最小、社會效益最高的立法方案。

可助力完善立法（后）評估。傳統立法（后）評估參與主體不夠廣泛，評估方式限于抽樣調查、座談走訪、專家評議。人工智能的引入，可極大拓展參與主體廣度，同時依托大數據深入挖掘海量數據資源、評估結構化數據的優勢，能夠使立法后評估的數據來源更加真實可靠，真實反映民意。

三是立法資料智能收集。

高質量的地方立法離不開對國內外相關法律法規、學術研究成果的海量檢索。在這方面，大數據處理海量數據資源的優勢得以凸顯，立法工作者只需輸入關鍵詞，人工智能平臺就能在數據庫中自動搜索匹配相關資料。未來高階版的人工智能搜索引擎能利用分詞詞庫最大限度減少無關信息源，精準匹配目標數據，大力提升立法資料收集質量和效率。

路徑探析

當前，人工智能已經上升到國家戰略層面，地方人大應積極搭乘科技快車，運用大數據和人工智能，推動地方立法更加科學、民主、精細化。

一是充實立法數據庫。

當前，我國立法大數據資源嚴重匱乏，與大數據全樣本的要求相去甚遠，當務之急是從體量和規模上充實立法大數據庫。

首先，完善人大系統內部數據資源的原始積累。以重慶市人大常委會為例，橫向層面，應整合現有的門戶網站、公文辦理系統、規范性文件備案審查平臺、代表履職平臺、預算聯網監督系統數據資源，實現不同平臺數據信息互聯互通;縱向層面，應對接區縣、鄉鎮人大已有數字資源，努力實現市與區縣信息化建設、規劃、使用一盤棋，避免平臺重復建設、資源浪費。更進一步，嘗試與全國人大、兄弟省市人大的立法資源實現深度關聯，最大限度整合現有立法資源。

其次，要打破數據孤島，整合政務數據資源，安全有序開放數據共享。地方立法從來就不是地方人大常委會的獨角戲，政府部門本來就是地方立法起草的主要參與者。而立法活動中政務數據開放不足，必將制約立法大數據長足發展，應打破部門間的數據壁壘，實現立法機關與政府部門、司法部門的數據共享。

二是構建立法領域法律知識圖譜。

人工智能在立法領域的深度應用，離不開法律知識圖譜的搭建。如前所述，盡管將立法領域法律知識圖譜的構建直接運用于立法條文編撰還不太現實，但在規范性文件備案審查、立法意見征集匯總、立法決策量化分析中，法律知識圖譜卻大有用武之地。知識圖譜構建的關鍵在于人工標注分詞詞庫，無論是備案審查系統中的“敏感詞詞庫”，還是立法意見收集、立法決策量化分析，都離不開分詞詞庫的構建和人工標注。

立法領域的法律知識圖譜構建尚在啟蒙階段。隨著各地立法機關對人工智能的重視，將會有更多的立法專家加入到“敏感詞詞庫”的標注工作中，各地立法工作者都來貢獻一些數據，就能“喂養”出真正的“立法人工智能”。

三是完善人才融合與培養戰略。

將人工智能技術應用到地方立法中，離不開既精通法律又知曉技術的人才。一要依托現有人才資源，努力實現法律人才和技術人才的融合。地方立法機關和政府職能部門的立法人才不僅具有豐富的立法實踐經驗、精湛的立法技藝，同時還是法律知識圖譜清洗、標注、分類的主力軍。應加強立法人才與技術人才的合作溝通，精準提出人工智能立法的法律產品需求，由技術人才轉化成AI語言，強化技術人才對立法人才的技術指導。加強對立法人才的培訓，將大數據、人工智能、法律知識圖譜構建、神經網絡、深度學習等課程作為立法人才必修課程。

二是培養“人工智能+法律”復合型人才。國務院2017年出臺的《新一代人工智能發展規劃》已經明確了“人工智能+法律”復合型人才培養規劃。在此背景下，相關高校應提供一套立體的人才培養方案，為人工智能立法提供生力軍。

（作者單位：重慶市人大常委會研究室）