法律人工智能背景下的法律推理：性質與特征

雷 磊 王 品

(中國政法大學 法學院，北京100088)

一、法律人工智能及其分類

(一)法律人工智能

雖然馬基雅維利(Machiavelli)早在 15 世紀就對于智能進行了定義①，但目前，學界對于人工智能仍然沒有一個統一的定義。按照人工智能類權威論著之一的《人工智能：一種現代的方法》中的界定，對人工智能的定義大概可以從四個維度進行劃分，即人性化思考(thinking humanly)、理性思考(thinking rationally)、人性化行為(acting humanly)和理性行為(acting rationally)②，而在每一個維度中又有不同的更加細致的定義區分。筆者認為，并非要能夠完成以上所有任務的綜合的系統才能稱為人工智能，完成其中任何一項任務，其只要達到了智能標準的都是人工智能，比如人工智能判斷系統、人工智能推理機、人工智能證明系統以及人工智能思考學習機等，主要判定標準是看它能否滿足圖靈測試。從法律的角度來看就是法官在對來源的性質無知的情況下，能否確定該來源是計算機還是人③。

類似地，目前無論是理論界還是實務界，對于法律人工智能都沒有一個統一的定義，但既有研究基本上是從兩個角度出發的。第一種是從學科的角度來進行定義，可分為三類主張。一是主張法律人工智能屬于計算機科學的分支，如早期研究者麥卡蒂(John McCarthy)認為人工智能是結合軟件和硬件并通過符號表達式來進行計算的形式主義計算機學科④。布坎南(Bruce G. Buchanan)和海德里克(Thomas E. Headrick)也指出：人工智能是計算機科學的一個分支，它的研究闡明了我們利用計算機模擬人類思維過程的能力⑤，進而有學者指出，法律人工智能研究的重心是計算機建模行為⑥。二是主張法律人工智能屬于交叉學科，如凱文·阿什利認為，人工智能是與計算機、應用數學和心理學等多學科交叉的新興學科，而法律人工智能更是這些學科和法律學科再次交叉⑦⑧。三是主張人工智能是結合了對思維過程和智能行為過程模擬的獨立學科⑨。另一種是從客體的角度來進行定義，這類觀點認為人工智能是人造的智能機器或智能系統⑩。

筆者認為，法律人工智能既是法學與計算機、應用數學和心理學等多學科交叉的新興學科，又是具有同法律人的思維功能相似之能力的智能系統，因此，法律人工智能背景下的法律推理既是這門新興學科研究本身的組成部分又是適用于法律智能系統的推理模型。

(二)法律人工智能的分類

對于法律人工智能可以進行不同的分類，出于本文的研究目的，這里主要討論強法律人工智能與弱法律人工智能的區分，因為這一區分對于法律人工智能推理模型的設計具有理論指導意義，也會對法律人工智能背景下法律推理的特征分析產生影響。

對于強人工智能與弱人工智能的劃分來源可以追溯到塞爾(Searle)在1980年的代表作《思維、智力與編程》，其主要是基于心智狀態和認知狀態進行區分。有學者認為，強人工智能基本上是達到幼兒智力水平，并預測此奇點大概在2045年出現，但是這種界定過于籠統，對于何為幼兒智力水平沒有一個準確的定義，而且在某些方面也不符合實際。就法律領域而言，對于強人工智能與弱人工智能之爭最著名的是麥卡蒂(McCarthy)和明斯基(Minsky)的觀點，后者采強人工智能觀，認為人工智能推理可以模仿人的心智，與邏輯無涉；前者采弱人工智能觀，認為人工智能推理跟心理無關，還是要依靠邏輯，是對常識推理設定例外，屬于非單調推理的邏輯，但筆者認為這種區分過于絕對和嚴苛，即使是強人工智能，甚至是超人工智能，也不是邏輯無涉的。目前學界除了對于何謂人工智能、何謂法律人工智能這種定性的問題沒有達成一致外，對于何謂強人工智能、何謂弱人工智能這種更為定量的分析更是沒有統一的界定。出于本文后續論證之需要，筆者暫將強人工智能定義為主要基于機器學習而具有在動態環境中感知、理解、推理、學習和行動的能力，并且心智水平達到人類水平的計算機程序，而弱人工智能是主要基于邏輯運算并且具有在靜態環境中模擬人類思維某些方面的能力，但心智水平尚未達到人類水平的計算機程序。

目前學界對于強、弱人工智能和通用、領域人工智能區分存在著一定的誤解和混淆。一般將通用人工智能界定為可以解決跨學科、跨領域問題的人工智能，而將領域人工智能定義為只能解決特定領域、完成特定任務的人工智能，或者是從個別領域出發來構建處理特定問題的智能系統。通常法律人工智能更多屬于領域人工智能，但通用和領域其實是相對的，換句話說，即使是最強的人工智能也不是無所不能的，所謂的通用也不是對于所有的領域問題都能夠解決。如此一來人工智能在法律領域就催生了兩條研究進路，一條是通用人工智能投射到法律領域，而另一條是直接開發法律領域的領域人工智能。從目前的趨勢來看，跟以往專注于法律專家系統的開發不同，領域人工智能的研究進路在“退潮”，而通用人工智能投射法律領域的趨勢呈上升勢頭，但是要注意的是，通用和領域這種劃分并非與強、弱的劃分相對應，雖然其中有一些交叉的部分。有些學者將強、弱人工智能對應到通用和領域人工智能，認為強人工智能就是通用的人工智能，其實這是有問題的，因為兩者分類的角度不同，強、弱之區分主要是基于心智狀態，而通用和領域之分則主要是依據人工智能所能發揮作用的領域。

超越于強、弱法律人工智能之上的是超人工智能，超人工智能是各方面都超過人類的智能，但需注意的是：即使到了超人工智能，也并非是無所不能的，而只是通過在算法和建模上的優化超越了人類智能。超人工智能不是本文關注的重點，但對于人工智能法律推理的特點這一主題而言，其相對于強人工智能、弱人工智能在某些方面還是有一些差別的。

二、法律人工智能背景下法律推理的性質

法律推理是由已知的法律命題或事實命題推導出未知法律命題(結論)的過程，對于法律推理的性質，學界同樣存在諸多認識上的分歧。應當說，法律人工智能興起并未創造出一種性質上迥異的法律推理，而毋寧說是凸顯出了法律推理的特定面向。

(一)基于道義論的推理

按照羅爾斯(John Rawls)以及其繼承康德(Kant)的目的論(teleological theory)和道義論( deontological theory)的劃分，可以將法律推理分為目的論推理和道義論推理，對此，阿列克西(Robert Alexy)曾指出：(法律論證的)第一種形式是通過訴諸某種規則來證明自己是正當的，第二種形式是通過提及后果來證明自己是正當的。第一種形式是道義論，第二種形式是目的論。第二種形式直接服務于上述道德目標，即避免不必要的痛苦。德沃金(Ronald Dworkin)也同意這種區分方式，就道義論和目的論推理的區分而言，筆者認為，法律人工智能背景下法律推理的性質應當是基于道義論的推理。

首先，從哲學分析的角度，在道義論與目的論的對比中，目的論并不占上風。道義論與目的論之爭可以追溯到古希臘時代，當時以至善論、快樂論等流派為主要代表的目的論推理觀點更為發達，而隨著斯多葛學派等的出現，自然法以及道義論逐漸興起和發展，逐漸成為了更為主流的觀點。隨著資本主義的興起，目的論主要表現為功利主義，并再次取代道義論成為了更為主流理論。隨后康德發展了道義論并再次使目的論淪為了相對非主流的觀點，同時康德的道義論成為了現代西方道義論的基礎。在這之后，道義論與目的論的較量從未停止過，包括羅爾斯等對目的論、對功利主義的批判。縱觀整個西方哲學史，道義論與目的論之爭從未停息，但就目前最新的進展來看，在數量上反而是道義論的觀點更多。

其次，目的論推理摻雜了很多主觀因素，摻雜了諸如價值、情感主義和直覺主義的很多因素，如果按照前文對于弱人工智能、強人工智能和超人工智能的劃分，可能只有到了超人工智能階段才能夠處理這些因素，尤其是其中涉及到的對整個社會的共同價值、社會中最大多數人的幸福等問題的界定等，所以，就目前的人工智能發展水平而言，難以實現基于目的論推理的模型。人工智能視角下的法律推理不是基于目的論的推理，或者說人工智能視角下的法律推理相比傳統的法律推理并沒有凸顯這種合目的性。

最后，也是最重要的，法律人工智能的核心是法律邏輯，沒有形式邏輯去空談目的、空談辯證推理都是空中樓閣，而相比于目的論推理，道義邏輯、模態邏輯等是更適合目前法律人工智能的處理方式，因為道義論相比目的論更加體現了一種形式主義的進路，例如，康德就是道義論方面最具代表性的人物之一，而“康德所要求的這種道德律完全是形式主義的”。考慮到目前的人工智能發展階段，筆者在整個法律人工智能研究中尤其在建模過程中，秉承的是一種修正的法律形式主義或者說是以法律形式主義為基礎、以法律形式主義為智能化裁判以及為人工智能法律推理提供理論根基。法律體系形式化的程度往往決定著人工智能法律推理系統的發展階段。形式主義對于案件特別是簡單案件的裁判具有重要意義，也是人工智能法律推理在早期人機系統(human-machine)、專家系統方面能夠有所突破的重要理論支撐，而從人工智能視角來看，在推理過程中首先考慮的也是如何對于權利等核心概念進行形式化和建模的問題，比如目前有一些學者從霍菲爾德方陣等理論著手來建構法律本體，類似的還有馬利的道義邏輯系統等。相反，我們尚未發現有基于目的論或者以目的論作為理論基礎從法律人工智能角度來進行法律本體建構，所以，人工智能視角下的法律推理更加凸顯出道義論推理的性質。

因此，在人工智能視角下，筆者對法律推理持一種以道義論為基礎的觀點，也即認為法律人工智能背景下的法律推理是一種基于道義論的推理。需要說明的是，很多時候道義論和目的論之間并非是一種非此即彼的關系，以道義論為基礎也并非是要割裂二者之間的內在的聯系，只是在目前的人工智能發展階段，選擇基于道義論來建構法律推理模型更為適宜。所謂基于道義論，就是要以道義論而非目的論作為其基本屬性，要以基于理性法則建構的更為形式化的和客觀的、具有普遍性、更加固定的以及具體的道義規則作為推理的依據，而非以非形式化的、主觀的、特殊性的、非固定的和抽象的目的作為推理的基礎。由于理性法則在道義論中的關鍵作用，因此引出了人工智能視角下法律推理的另一個面向，即從性質上來看，人工智能視角下的法律推理更加凸顯出基于實踐理性的性質。

(二)基于實踐理性的推理

正如薩爾托爾(Giovanni Sartor)所說，從法律人工智能應用的角度來看，應當將法律推理視為一種更加廣泛的人類能力的應用，即實踐認知或實踐理性。什么是實踐理性？從知識論的角度來看，與實踐理性相對的是認知理性：認知理性關注的是相信什么(what to believe)，屬于理性的范疇；實踐理性關注的是做什么(what to do)。從法律論證的角度出發，可以對實踐理性的概念做分層化處理，據此，實踐理性可分為三個層面：第一個層面是一般的、抽象的實踐理性概念，即一種超越語境意義上的正確性，代表了道德、倫理和語用因素之間復雜的相互作用。第二個層面將第一層面中的實踐理性概念具化為七個方面，即一致性(consistency)、有效性(efficiency)、可檢驗性(testability)、融貫性(coherence)、普遍性(generalizability)、篤實性(sincerity)以及自由(freedom)。第三個層面則進一步體現為人工智能法律模型各個層級或面向的建構過程中的具體要求，比如在人工智能法律推理模型建構的論辯面向中，主要體現為理想言談情境模型的建構，尤其體現為機會平等性，包括應用交往的言語行為的機會平等、論證的機會平等、應用表白性言語行為的機會平等、應用調節性言語行為的機會平等。以上三個層面的實踐理性要求最終統一于“行動中的善”(基本善與整全性的善)。

法律推理的實踐性得到法學者的廣泛認可。麥考密克(Neil Maccormick)提出通過實踐理性的一般原則來論述法律推理，阿列克西(Robert Alexy)致力于說明法律論辯如何可以成為實踐理性的一個特殊領域，阿爾尼奧(Aulis Aarnio)則試圖將實踐理性與生活形式以及法律轉化理論相結合來建構理論框架，將其作為法律推理的基礎,甚至可以說法律本身就“形成了實踐理性和實踐推理的制度化”,而就法律人工智能的語境而言，實踐性也體現在法律人工智能推理的各個方面。

首先，從宏觀的視角看，與法律人工智能推理相關的最核心的兩大學科是計算機學科與法學。計算機、人工智能學科的科學性是毋庸置疑的，而要更好地在法律人工智能背景下建模法律推理，即如何保證或提升法律論辯過程、法律證立過程的科學性以及進而提升法律學科的科學性是必須考慮的。有學者就認為實踐理性是提升法律科學性的關鍵因素，通過建立在實踐理性基礎上的論辯等過程，可以對于道德論辯和法律論辯中什么是正確的問題進行更好的證立，這種更加體現科學性的證立方式也更容易被計算機領域的科研人員或者法律人工智能交叉學科的人員理解，從而更好地在人工智能中進行建模。

其次，從中觀的視角，即從人工智能法理推理建模的角度來看，對法律推理亦應當采取更加偏重實踐理性的立場，因為計算機模擬人的思維不是直接獲取人類的想法或者對于人類的認知理性進行建模，歸根結底還是通過實踐理性來進行模擬和理解的，在法律領域則更是如此，這是由于相較于其他領域，法律推理中的事態更多是一種規范事態(normative states of affairs)，而非事實事態。規范事態是作為實踐認知和實踐理性的反射(reflex)而存在的，相應地，法律推理中更為核心的問題是“應當如何”的問題，而非“實際如何”的問題，是應然的問題，而非實然的問題，是“實踐理性”而非“思辨(speculative)理性”，所以，對于規范事態等問題的研究必須基于實踐理性。最終，人工智能法律推理的實際效果以及其中算法的優劣也應當基于上述實踐理性第二層面或者第三層面的具體要求來進行評估。類似這樣需要基于實踐理性來解決的問題在人工智能法律推理研究中比比皆是，比如薩爾托爾的意向狀態模型，在這種模型中，認知理性原則上是工具性的，即從屬于實踐認知，因此服從于指導實踐理性并由實踐理性產生意向狀態。

再次，從微觀視角來看，對人工智能法律建模的基本要素問題(如人工智能法律推理中的證據、法律文本和案例等各個具體要素)的研究更加偏重實踐理性進路，比如艾倫(Ronald J. Allen)等在《分析性的證明路徑》中就用一種分析哲學的方法，對法律文本、法律問題以及案例的相關問題進行了研究，其中多次提到“一種更為實踐理性的進路是必需的”。在目前的人工智能發展階段，對人工智能法律推理模型的建構更多地還是聚焦于法律推理實踐問題的解決。或許正如薩爾托爾所說：實踐理性作為處理實際問題的正確方式，要求行動者在面臨資源有限的多重問題時具有形成意圖的能力。

最后，法律人工智能建模過程中的一些具體圖式和模型的設計也與實踐推理密切相關，例如，法律人工智能建模的一個關鍵是概率圖式的研究，其中對于主觀概率的建模是研究的熱點，簡言之，主觀概率是一種在不同的參考系下，主體對于某件事情發生可能性的主觀相信程度。將人類的主觀概率在人工智能中進行建模的一個橋梁就是對于實踐理性問題的研究，正如波洛克(John L. Pollock)所言：如果主觀概率對外在主義者有用，那么它必須以實踐理性而不是認知理性來定義，再如，在建模基于不一致信息推理過程時，也需要基于實踐理性而非認知理性。認知理性的一個特點是往往傾向于避免或限制在兩個同等強度的不相容結論之間作出選擇，而實踐理性則相反，會在此時進行隨機選擇，以避免出現類似布里丹之驢(Buridan’s ass)的尷尬處境。對于不同強度的理由之間選擇的方式則是基于權衡，采用一種基于理由的邏輯建模方式，而在對理由的權衡過程中實際上也體現了一種實踐理性，因為實踐理性要求一個人衡量所有相關的理由，并根據其對理由權衡的評估采取行動。此外，與不相容信息處理相關的是法律融貫性問題，而融貫性最終是服務于實踐理性的。

如果上升到人工智能法律推理的論辯層面，則更需要基于實踐理性而非認知理性，尤其是其中的論辯過程、對話過程和對話模型的建構等，比如其中的核心要素商談和協商要素就更加需要基于實踐理性。沃爾頓(Douglas N. Walton)建構的對話論辯模型就是基于實踐理性來建構的，在他看來，言者與聽者之間可以看作是一種邏輯對話，這一理論代表了一種邏輯模式，即雙方如何以一種有序的、結構化的方式相互推理，這種邏輯模式代表了一種實踐理性。法律論辯模型中的難點是多智能主體系統的建模，而其中的核心問題是智能行動者概念與實踐理性概念的關聯問題，其以實踐理性相關問題的解決為關鍵點。除此之外，在法律策略層面中，也需要實踐理性，比如關于論證的合理性、實踐理性與其說服力(persuasiveness)之間的關系問題。

三、法律人工智能背景下法律推理的特征

基于前述對法律人工智能背景下法律推理性質的分析，可以闡明法律人工智能背景下的法律推理具有或應當具有的諸多特征,但首先要說明的是，以下對于法律人工智能背景下法律推理特征的闡述更多的是一種前瞻性論述，是一種應然角度而非實然角度的分析，因為畢竟就目前的人工智能尤其是法律人工智能的發展階段來看，它僅僅處于弱人工智能階段，甚至只是弱人工智能的初級階段。

(一)超越性

人工智能視角下法律推理基于道義論推理的性質決定了法律人工智能背景下的法律推理應當具有超越性，這是一種超然推理(detached reasoning),首先是要超越個人，超越個人的目的和價值。其次，從對特定觀點的初始的支持和反對的角度看，人工智能法律推理的初始設定應當體現出一種中立性，既不支持也不反對特定觀點,這與傳統法律推理中特定視角的推理相比具有一定的差別，但是這種差別更適合人工智能的處理方式，也更能體現法官必須是中立的這一基本的法律原則。

如果從強人工智能和弱人工智能的區分角度進行更為細致的分析，可以發現強人工智能法律推理和弱人工智能法律推理在超然性方面仍有不同。對于弱人工智能背景下的法律推理而言，其實現難度較強人工智能來講反而相對較低,其超然性更多體現在法律邏輯(包括但不限于非單調邏輯、模態邏輯等)的運用中，至于非理性因素(經驗、價值等)則關涉較少,或者即使關涉也僅僅是人為設定了一些數值。倘若說初始數值是基本固定的，機器學習所占的比例相對較少,而如果是強人工智能，因為已經開始有了類似于人類主觀的判斷，在超越性這一點上反倒有可能成為一種劣勢，所以，強、弱人工智能在法律推理超然性方面要采取不同的策略:對于弱人工智能法律推理，更多是要做加法并且考慮如何通過增加和拓展可用的邏輯方式來提升推理的超然性;對于強人工智能法律推理，則要分為兩個階段：前期主要是抑制和約束非超然性的因素，因為此時的強人工智能有自己的類似人類主觀的意識，可能會“不自覺”地摻雜非邏輯的、啟發式的以及經驗或價值的因素，此時就需要人為進行一些限制，避免強人工智能過多地進行“個體主觀判斷”，但在后期，如果能夠形成一些法律領域的或者說社會整體的“共同價值判斷”，并進而進行一些初始的優化設定，那么超越性特點就并不會帶來強人工智能初級階段的負面問題。

(二)辯證性

與一般的法律推理相比，法律人工智能背景下的法律推理應更加體現辯證性，當然并不是說傳統的法律推理沒有這個特點，只是說在法律人工智能背景下將更加凸顯出這個特點。辯證性指的是法律推理對懷疑的觀點、反對的觀點、對立的觀點保持開放性，這又會衍生出法律推理的不確定性或者蓋然性的特點，其意味著法律人工智能往往會將法律推理帶回到一般實踐認知和常識推理(common-sense reasoning)，這與上文提到的基于實踐理性的推理性質是相一致的。

從人工智能法律推理的角度，就整體而言，這種辯證性主要體現在三個方面：一是由于人工智能視角下法律可廢止性體現出的本體論層面的辯證性，比如法律人工智能代表人物哈赫(Jaap Hage)就是從本體上來對相關問題進行分析的。二是由于法律概念的開放結構等問題導致的認識論層面的辯證性。概念表述的一般性和應用實踐的特殊性之間存在著尖銳的矛盾，從而使得無論是在法學理論上還是在法律實踐中都存在著這種辯證性。三是在對法律規則、法律原則進行邏輯表達時體現出的辯證性，比如規則往往有例外，不同規則之間可能出現沖突、對立等，此時就需要用辯證的方式來決定最終適用何種規則。法律原則在辯證性上也沒有本質的不同，比如碰撞法則(Collision Law)、權衡法則(Law of Balancing)以及權重公式(Weight Formula)等都是在人工智能法律推理的邏輯層面來處理法律原則問題的辯證方法。

從人工智能法律推理建模的角度具體分析，辯證性主要體現在如下幾個方面：一是從建模過程看，辯證性主要體現為其表達邏輯的非單調性(non-monotonicity)，而“非單調性的主要來源是關于爭議語境的新事實或信息與規范性結論所依據的現有前提之間的辯證性關系”。二是從建模的邏輯層面來看，這種辯證性主要體現在其推理的可廢止性，即采用辯證的方式，針對理由邏輯中的可廢止性進行處理。三是從建模的論辯層面來看，主要體現為一種需要通過對話模型來實現的可論辯性、可辯駁性，展現為兩個參與者——因承擔不同的論辯角色 (支持者或反對者)——圍繞不同命題展開的論證博弈。四是從建模的程序層面來看，在對實際的司法程序進行建模時也要體現這種辯證性。需要注意的是，法律程序層面的辯證性和法律論辯層面的辯證性是不同的：法律論辯層面的辯證性是一種靜態的辯證，重視的是對于何謂反駁、何謂破壞攻擊等狀態的定義，它并不會“自動地引入論辯性的程序”，其需要人為地進行轉換和重構，而法律程序層面的辯證性則是一種動態的辯證，其加入了時間維度并體現整個司法論辯程序隨著時間的變化而變化的實際過程。五是從建模的策略層面或修辭層面來看，辯證性和修辭發明之間具有密不可分的關系，辯證性可謂邏輯學和修辭學兩個領域在法律人工智能領域聯結的紐帶，而這種聯結主要就是通過在人工智能中對于群體環境(group environments)中對多智能主體應用修辭進行說服的過程建模。

強人工智能和弱人工智能法理推理在辯證性方面亦有所不同。一般情況下，強人工智能法律推理在辯證性方面的表現會更好一些，因為弱人工智能更多是通過邏輯方面來實現這種辯證性，比如非單調邏輯、模態邏輯和可廢止推理等，而強人工智能更多是通過辯證推理或者說通過一種法律對話模型的建構來實現，體現的是一種對抗性，需要融入商談理論、對話理論和理性論辯理論等。從主體來看，弱人工智能的辯證性是一種零主體或者單一主體模型中的辯證性，主要實現進路是在建模的邏輯層面，而強人工智能更多是基于多主體的模型，需要綜合邏輯層面、論辯層面、程序層面和修辭層面。正如上文已經提到的，要想更好體現這種辯證性，需要在建模的多個層面中重視啟發類(heuristic)知識的研究以及重視論辯語境的研究，這就引出了法律人工智能視角下法律推理的第三和第四個特點，即所依賴知識的特殊性以及語用性。

(三)所依賴知識的特殊性

一方面，相比于傳統法律推理，人工智能視角下的法律推理所依賴的知識更加具有結構性的特點。人類在表達知識時往往不會針對不同性質的知識進行詳細的區分和結構化，也不會在語法結構上進行截然不同的處理，但人工智能則不同，這里體現的是一種面向對象編程和面向過程編程的不同。如果用一個比較通俗的表達，面向對象編程是“蓋飯”，面向過程編程是“炒飯”，人類在進行推理以及法律推理時對于各種知識的處理更像是“炒飯”，飯和菜是摻雜在一起的，而人工智能進行法律推理時則更像是“蓋飯”，飯和菜是分離的。解決法律人工智能背景下法律推理很多難題的一個關鍵就在于將邏輯知識和啟發類知識分開、將知識和知識的推理分開。論證圖式是目前法律人工智能的一個比較前沿的研究對象，在論證圖式中的一個亟待研究問題是其中領域知識表示的問題，尤其是對于陳述知識表示與程序知識表示的區分以及結構化問題，由此產生了陳述主義者與程序主義者兩個陣營的對立，并繼而衍生出對知識控制的不同理念。筆者認為，對于陳述知識表示路徑而衍生的知識系統或知識庫系統可以和符號范例相結合，同時將邏輯知識與啟發類知識、知識與使用知識的方式相分離，這種分離和將知識與其推理方式的分開理論極為相似，從而解決人工智能法律推理中跟知識庫建構相關的一些難題，所以，人工智能法律推理中知識的建構和表達具有特殊性。

另一方面，相對于傳統法律推理，啟發類知識所起的作用更加關鍵。總體而言，傳統法律推理更多關注的是法律領域的知識，不同法律職業者之間的差距更多體現在專業領域知識的質量和豐富程度上，而人工智能則不同，其差距更多體現在啟發類知識的不同上。人工智能視角下法律推理基于實踐理性推理的性質決定了推理主體應當“至少擁有特定的生活經驗”，就目前法律人工智能的發展階段來看，我們需要解決相對豐富的專家領域知識和相對貧瘠的啟發類知識之間的矛盾，可以說，人工智能視角下法律推理很多難題的解決不在于專家領域知識，而在于啟發類知識。對于啟發類知識的處理能力體現著弱人工智能和強人工智能的主要區別：首先，弱人工智能更多地專注于邏輯方面的知識，或者說形式化的知識、自上而下建構的知識，比如模型、標準和圖式等，而強人工智能則更多地專注于非邏輯方面，或者說非形式方面、自下而上建構的知識，比如經驗知識、常識知識，這種所依賴知識的差異性是一種質的差別。其次，弱人工智能更多地專注和依賴于領域知識，而強人工智能更多依賴于通用的、在各個領域基本上都能夠適用的知識，當然，這只是一種量的差別，而不是一種質的差別。

(四)語用性

法律人工智能背景下的法律推理更注重語用思維和語用學的相關理論。法律人工智能背景下法律推理語用性的特點是如此鮮明，致使一些學者開創法律論辯的語用進路。沃爾頓在其代表作中通篇都是在分析語用學方法對于非形式邏輯的關鍵作用。與語義學不同的是，語用學專注于目標的實現，體現了一種主觀因素，專注于在對話或者商談的語境中，為了更好地實現目標、更好地說服對方或第三方篩選、重構相關的命題。

雖然語用學本身并沒有被清晰地界定，但至少可以認為其研究的對象包括語境、言語行為(speech acts)等。語用學并非只研究語用，而是在語形、語義的基礎之上來研究語用，它秉承“詞匯的意義在于其在語言中如何使用”的觀點，在語用思維的規則性、主體間性的基礎上研究法律思維和法律推理，呈現出更多的交互性和語境敏感性。法律人工智能背景下，在通過語用范式來建構推理模型的過程中，語用思維和語用學起著十分重要的作用，比如在論證圖式的場景圖式中，在法律人工智能的論辯、程序以及策略層面，都需要借助主體間的語言交互，由說者與聽者在場景中來展開法律論辯，最終的裁判往往也需要語用學視角的權衡和博弈。

語用性也與法律人工智能模型(尤其在法律人工智能的論辯層面)建構的重要元素(即缺省推理)具有十分緊密的聯系。在日常會話中，當缺少或不需要當前語境的信息時 (即推理結論與當前語境不沖突時) ，就會觸發缺省推理。缺省推理同樣在法律領域具有十分重要的意義，比如和無罪推定理論等具有一定的相似性，而在人工智能推理過程中，如果遍歷整個數據庫沒有發現一個命題，那么對于計算機來說，就可以缺省推出某個命題是不存在的結論。從不太嚴格的角度來看，缺省其實和可廢止以及非單調推理的特征十分相似，都有可能在增加新的證據、新的條件之后不再成立。

(五)因果關系的特殊性

傳統法律推理中的因果關系本質上是歸納式的，是一種基于自下而上的進路形成的因果關系。正如休謨(David Hume)所說的，因果關系是人類的一種想象，人類通過想象將兩個經常相伴存在的事件之間的關系總結為因果關系，只是結果相似令我們得到了原因也相似這樣的結論，而在人工智能的背景下，除非進行特殊設定或者如以上第三個特征中所述的那樣對于啟發類知識等問題有所突破，推理中的因果關系則主要走的是一條相反的進路，即自上而下的進路。在這一方面值得一提的是朱迪亞·珀爾(Judea Pearl)的因果模型理論，他通過因果關系階梯(Ladder of Causation)、關聯、干預和反事實推理對于人類因果關系進行解構，并引入馬爾可夫、隱馬爾可夫等模型。由于涉及過多技術問題，這里對于其中更為詳細的細節問題暫不展開，而就法律人工智能的建模而言，德米特魯克(Maria Dymitruk)等已經進行了很多有益的嘗試，比如他們關注因果關系建模中的三個關鍵過程——識別、建模和推理，并且已經進行了一些具體問題的解決，比如如何設計一種方法，將法律文本中的因果聯系一致地轉移到抽象的推理模式？如何使用語言學工具識別法律文本中的因果模糊限制語和伴隨模糊限制語？如何系統地將因果語言抽象為半形式化模型？這樣的過程可以自動化嗎？案例中的因果關系如何建模？如何使現有的一般因果關系理論適用于法律案件中的因果關系？在因果分析中，這些模型在哪些方面支持法律推理主體？如何在法律上用因果模型進行推理？形式的和半形式的理論如何支持在法律上可供選擇的因果模式之間的選擇？證據在法律推理中的作用是什么？我們如何將證據推理整合到因果模型中？如何彌合形式上的因果關系和證據理論與法律從業人員的需要之間的鴻溝？這些法律人工智能與因果關系模型建構直接相關的前沿問題的提出和關注，都體現了人工智能法律推理中因果關系的特殊性。

在因果關系的特殊性方面，強人工智能法律推理和弱人工智能法律推理也有不同。首先，弱人工智能更多是從積極的方面去促進和拓展因果關系、從如何優化算法的角度去發掘各種各樣的因果關系，而強人工智能則需要做減法，也就是研究如何不把或不把更多的“個人”或智能主體的主觀的因素代入算法，避免錯誤地把單純的相關性也納入到因果關系。其次，弱人工智能法律推理建立在比較簡單的因果關系模型(如“一因一果”)的基礎上，而強人工智能法律推理則主要依托于較為復雜的因果關系模型，如多因決定、先占和疏忽等，需要綜合運用“But for”“Ness”“Actual Causation”等多種因果關系分析工具，同時需要融入到場景圖式(Scenario Scheme)、錨定敘事(Anchored Narratives)以及最佳解釋(Best Explanation)等因果關系相關理論。最后，就獲取因果關系的方式而言，弱人工智能法律推理主要還是運用邏輯的、線性的和靜態的方法，而強人工智能法律推理則主要運用非邏輯的、非線性和動態的方法，如啟發式的檢索方法。

(六)真值的不敏感性

從真值是否能得以保持的角度，我們可將法律推理分為真值保持的法律推理(truth-preserving legal reasoning)和非真值保持的法律推理(non truth-preserving legal reasoning)。傳統法律推理往往是基于“大前提為真，小前提為真，所以結論才為真”這種觀點的推理，但事實上，邏輯推論并不要求命題具有真值，甚至不要求該命題有任何具體或特定的邏輯值，只需該命題具有可以傳遞的同一屬性即可。在人工智能背景下，這意味著只要它們有著同樣的數據類型，就可以進行邏輯運算，因而相對于傳統法律推理，法律人工智能背景下的法律推理體現了一種真值的不敏感性。

強人工智能和弱人工智能法律推理在真值的不敏感性方面同樣也有所差別。弱人工智能法律推理對于真值以及數據類型的相近性要求會更高和更嚴一些，比如必須是同樣的數據類型，而強人工智能法律推理對于真值更加不敏感，甚至對于數據的同類性這個限制都可以有所變通，例如通過模糊算法對于本來不相同的數據類型通過算法來進行一定的轉換，最終實現了表面上看起來不同的數據類型之間的計算問題，或者通過自然語言理解(NLP)技術的突破來實現對一些在弱人工智能看起來毫無頭緒的命題進行推理。這其實更類似于人類的思維，尤其是人類的思維對于一些表面上看起來缺失了關鍵信息的推理思維，其主要體現在對于日常語言中的口頭交流語言方面。人與人之間平時的、口頭的以及非正式的語言交流往往會省略很多信息，此時弱人工智能可能根本找不到有用的數據，更無法對其數據類型或者說數據的一致性進行判斷，當然也無法進行法律推理。所以，在弱人工智能法律推理中，真值問題引起的數據不充分問題可能導致無法得出任何結論，但強人工智能由于具有更為強大的模糊表述轉化能力和語境數據采集能力，在數據不充足的情形下仍然可以進行法律推理，但此時它會遇到另一個問題，即由于數據過多，這些數據大概率會存在很多不一致的地方，此時就需要基于不一致信息進行推理，而強人工智能在這類場合可能通過啟發類知識等因素的融入摻雜自己“主觀”的判斷。

一言以蔽之，弱人工智能法律推理中出現的問題影響的可能是效率，而強人工智能法律推理中出現的問題則影響的可能是公平、正義，需要順帶說明的是，筆者認為在人工智能推理領域不存在實質上的算法黑箱問題，黑箱是針對專業領域之外的人士而言的，對于IT人員來講，所有的數據都有記錄，即使數據被刪除、被篡改，也會有日志文件留下，完全可以追溯到得出結論的所有過程。至于刪除、篡改數據問題，可以通過設定類似阿西莫夫(Asimov)定律的方式寫進初始的人工智能建構底層程序中。問題主要在于，如果是最后一步的司法判決，我們可能馬上能夠看出來其中的問題并進行回溯，但如果僅僅是中間步驟，甚至是對于一些非常前期的、非關鍵問題的推斷(而該問題通過多個不易識別的間接環節最終影響了判決)可能比較難以察覺。從技術的角度來看，對于弱人工智能仍然是以促進為基調，要研究的是如何引入更多的、更好的算法獲取更多的語境相關數據,而對于強人工智能法律推理來講，是如何在數據不充足或者對于不一致信息進行處理時不摻雜過多的“主觀”判斷。

四、結 語

人工智能背景下法律推理的性質與特征之間具有內在的關聯性。人工智能法律推理特征中的超越性主要是由其基于道義論推理的性質所決定的，而辯證性主要衍生于其基于實踐理性推理的性質，道義論、實踐理性和辯證性又衍生出依賴知識的特殊性和語用性等特點。基于此，我們要在未來對于人工智能法律推理的研究中采取一種更為實踐性的立場，要針對人工智能法律推理基于道義論和實踐理性的性質，針對超越性、辯證性以及所依賴知識特殊性、語用性、因果關系特殊性以及真值不敏感性等特征，有的放矢地進行更為有針對性的研究，并結合人工智能技術領域的最新發展變化，進行法律推理建模和具體要素設計。

注釋：

①參見 Elaine Rich, Kevin Knight, Shivashankar B Nair:Artificialintelligence(Tata McGraw-Hill Education Pvt. Ltd, 1985, p.3)。

②參見Stuart Russell, Peter Norvig:Artificialintelligence:amodernapproach(Pearson Education Limited, 2014, p.1)。

③參見Kevin D. Ashley:Teaching law and digital age legal practice with an AI and law seminar(Chicago-KentLawReview, 2013,Vol.88,No.3)。

④參見John McCarthy:History of LISP(ACMSigplanNotices，1978,Vol. 13,No. 8)。

⑤參見Bruce G. Buchanan, Thomas E. Headrick:Some speculation about artificial intelligence and legal reasoning(StanfordLawReview, 1970,Vol. 23,No.1)。

⑥同③。

⑦參見凱文·阿什利、黎娟、王春穗：《法律人工智能系統:法律實踐的新工具》(《自然辯證法通訊》，2020年第6期)。

⑧類似觀點參見呂玉贊、焦寶乾：《法律邏輯的拓展研究——以新興交叉學科為背景》(《上海政法學院學報(法治論叢)》，2019年第1期)；彭舒瓊、黃興作：《人工智能影響法律職業發展之研究》(《遼寧公安司法管理干部學院學報》,2019年第1期)。

⑨參見張妮、楊遂全、蒲亦非：《國外人工智能與法律研究進展述評》(《法律方法》，2014年第2期)。

⑩參見唐昊淶、舒心：《人工智能與法律問題初探》(《哈爾濱學院學報》，2007年第1期)。