生成式人工智能嵌入司法裁判的耦合機理與規范進路

摘要：人工智能應用推動了我國法院數字化發展，但在實踐中也暴露了困境：既往的智能化裁判面臨技術發展瓶頸，而傳統人工智能下的司法應用不僅對法官形成技術規訓，在處理價值沖突與法律漏洞的疑難案件時也存在功能缺失。生成式人工智能的興起為突破這些困境提供了契機。從價值維度分析，生成式人工智能基于其特有的運作原理，與司法公正價值之間存在內在契合性。從功能維度分析，生成式人工智能在補強傳統人工智能技術的同時，既能有效保障法官的主體性地位，又能在疑難案件中發揮價值判斷與規則探索的有限功能。基于價值和功能的雙重耦合，生成式人工智能得以嵌入司法裁判，但這一過程還需要構建適配司法場景的裁判大模型，并通過明確法官在技術應用中的義務來建立風險防范機制，從而為生成式人工智能嵌入司法裁判提供規范化進路。

關鍵詞：生成式人工智能；司法裁判；司法人工智能；數字法院

作者簡介：蘇杭，廣東外語外貿大學法學院講師（廣州510420）

基金項目：廣東省哲學社會科學規劃青年項目“生成式人工智能輔助司法裁判的規范進路研究”（GD25YFX04）

DOI編碼：10.19667/j.cnki.cn23-1070/c.2025.04.010

黨的二十屆三中全會提出，要完善生成式人工智能發展和管理機制。與以往的決策型人工智能相比，生成式人工智能具備強大的語義理解與文本生成能力，能夠通過用戶指令或根據所輸入的文本而自動生成復雜內容。隨著當下GPT、DeepSeek、Claude等大模型的蓬勃發展，生成式人工智能正在深刻重塑人們的生活方式和社會各領域的運作模式。2023年1月，哥倫比亞的一名法官在審理一起醫療保險糾紛時，首次使用了ChatGPT來擴展觀點并優化判決。①這一舉動表明，生成式人工智能的應用場景拓展到了司法領域，由生成式人工智能輔助法官辦案已成為現實。我國各地法院在中共中央加快建設數字中國的號召下，積極探索司法審判與生成式人工智能的深度融合。2024年6月，廣東省深圳市中級人民法院正式啟用人工智能輔助審判系統，實現了立案、閱卷、庭審以及文書撰寫的全流程AI賦能，極大地提升了司法工作的質效。①值此重要節點，厘清生成式人工智能在司法裁判領域的作用機制，構建生成式人工智能輔助法官裁判的規范體系，既是數字法院建設的現實需求，也是應對技術變革的理論挑戰。本文立足于我國以往司法人工智能應用的實踐困境，結合生成式人工智能的技術原理，深入剖析新興技術與司法裁判二者在價值和功能上的耦合關系及作用方式，同時，正視生成式人工智能嵌入司法裁判所面臨的風險挑戰，為新技術賦能司法提供必要的規范引導。

一、我國以往司法人工智能應用的實踐困境

對我國以往司法實踐中人工智能應用的檢視發現，人工智能在提升審判質效的同時，也暴露出諸多困境，這些困境不僅體現在技術層面的發展瓶頸，更涉及法官與技術的關系定位，以及在疑難案件中的功能缺失。推動我國數字法院建設，需要在直面困境的基礎上積極尋找破解之道。

（一）法院開展智能化裁判的技術瓶頸

我國法院的信息化建設始于20世紀90年代，互聯網、大數據和云計算等信息技術加快了司法的現代化發展，人工智能的出現更是促進了法院的智慧轉型。2025年2月，中共中央印發《關于加強新時代審判工作的意見》，強調加強數字法院建設。數字法院建設是以往智慧法院建設的迭代升級，其采用新興人工智能技術推動案件審判、審判管理乃至司法治理的全面革新。其中，案件審理作為法院主要職責，是數字法院建設的重點內容。從整體上來看，目前案件審理的數字化建設主要集中在兩個層面：一是在線化辦案，即法院依托網絡平臺，實現司法流程和審判業務的全過程在線。為此，最高人民法院（以下簡稱“最高法”）曾在2022年前后發布了三大在線規則，②為實現在線化辦案構建了完備的規則體系。二是智能化裁判，即將人工智能應用于裁判領域，輔助法官的司法決策。在這種情況下，由于技術實質性地介入到個案的處理之中，因此對技術和司法的融合程度要求更高。正因如此，從以往的制度實踐來看，相較于在線化辦案方面的快速發展，我國法院在智能化裁判方面的建設稍顯滯后。

智能化裁判方面，根據人工智能在技術功能上的區別，又可以劃分出兩大類應用，其一是依據強力法而構建的法律專家系統，其二是依據訓練法而構建的裁判預測系統。③強力法和訓練法是人工智能中的兩大技術，所謂的強力法是指在形式化模型的基礎上對復雜問題進行推導或搜索出答案的技術。④由于法律知識具有較好的結構性，而法律推理又是基于形式化邏輯，因此專家系統能夠較好地契合裁判的邏輯，在司法領域，該技術被應用于具有顯式編碼和封閉規則的法律專家系統。⑤該系統可以模擬人類法律專家，在給定的知識和場景下進行法律推理，進而對法官決策提供有效的技術支持。然而，強力法也面臨著一定的技術瓶頸。這是因為強力法的本質在于人工建模，其知識、場景以及相關關系都是預先設定的，因此一旦面對真實的案件事實與龐大的法律規范體系，就需要大量的計算資源與復雜的推理能力作為支持。進一步說，即便滿足了技術要求，試圖通過人工建模的方式來窮盡某個法律規范所涵攝的全部可能情形也是不可行的，法律語言的開放性特征、規則的可解釋空間都增加了技術實現的難度，依賴建模來求解的強力法難以應對法律的不確定性。①

人工智能的另一類技術訓練法則是以數據為驅動，通過人工神經元網絡和機器學習發現既定規律并對未來加以預測。與強力法的形式主義進路不同，訓練法通過對承載以往審判經驗的數據進行自主分析和學習，具有顯著的經驗主義導向，其通過發現先前判例中的裁判規律，進而對當下案件作出預測，并且能夠在一定程度上協助法官進行法政策學意義上的權衡。②事實上，鑒于強力法的技術瓶頸，加之深度學習的興起，使得訓練法顯現出了更大的發展潛力，然而，從目前來看，訓練法在司法中的應用仍停留在較為初級的階段。究其原因，訓練法依靠數據驅動，對數據質量要求極高。反觀我國目前建成的司法案例庫、規則庫以及信息庫，其內容并不夠規范與完備，不但包含了大量的非結構和半結構化的信息，而且這些公開的數據集可信性和有效性有限，難以充分滿足裁判預測應用的訓練需求。對此，訓練法通常采用人工標注的方式來獲取高質量的樣本數據，以促成模型的監督式學習。但人工標注的方式，既要事先制定統一的標注方式和規范，又要由法律專業人員耗費大量的時間精力進行操作，在完成標注后，技術人員還要對標注質量予以評估和反饋。這樣的技術流程不但需要投入大量的經濟和時間成本，而且面對專業性強又內容復雜的司法數據集，人工標注時的錯誤和偏見也會影響訓練數據的質量。正因如此，訓練法雖然較之強力法有更廣闊的發展空間，但是如果無法解決數據質量和人工標注的問題，也難以在司法裁判中發揮真正價值。

（二）對法官形成的技術規訓

在最高法的制度預期中，司法人工智能的應用應當為法官提供全流程的智能輔助。縱觀以往司法與技術的融合實踐，人工智能在提高司法效率和服務方面確實具有顯著功能，但與此同時，隨著人工智能全方位地介入司法領域，法官的行為和決策也一并被納入和整合進了智能裁判系統，這使得在司法人工智能應用的過程中逐漸形成了一種由技術規訓法官的邏輯。③在福柯（MichelFoucault）的語境中，“規訓”特指一種作用于個體的權力技術，其往往采用層級監控、規范化裁決與檢查的手段來實現對個體的干預與矯正。④法院顯然不同于工廠和學校等公共場域，法官也不是只會被動接受權力的客體。但不得不承認，在司法人工智能應用中確實存在一種規范化的力量，使之產生了類似于規訓的作用效果。這種規范化力量在設定了某種準則的前提下，會對偏離標準的行為進行矯正乃至懲罰，從而縮小不同個體之間的行為差距，使其符合規范的統一要求。⑤人工智能應用將司法流程的各個節點予以記錄，對法官的審判行為予以時刻觀察，運用數字化的標準來拆解并評判法官的裁判過程和結果，從而將法官納入一個有著科技支持、精密計算以及持續監督的權力機制之中。

近年來，我國法院數字化建設的重點在于推行類案推送與案件裁判偏離度預警的智能系統。最高法研發了“類案智能推送系統”，各地方法院也相繼推出了一系列的智能化應用，比如北京高院的“睿法官智能研判系統”、貴州法院的“法鏡大數據系統”、江蘇法院的“同案不同判預警系統”等。這些智能系統一方面有利于實現法律適用的統一，另一方面也強化了對法官的日常審判工作的監管。尤其是當技術應用被確定為法官的強制性義務時，規訓的效果也得到了進一步加強，我國2017年發布的《最高人民法院司法責任制實施意見（試行）》確立了類案全面強制檢索機制，要求法官在審理案件時，對已審結或正在審理的類案和關聯案件進行全面檢索，并制作檢索報告。⑥除了類案推送系統之外，裁判偏離預警機制也在無形中強化了對法官審判的技術規訓，這是因為該機制重在對判決進行事后糾偏，其運作的核心原理在于通過將法官當下作出的判決和既往類似案件確定的裁判均值進行比較，①當偏離值較大則會觸發預警，同時也以數據的形式記錄和保存在法院的信息化平臺，庭長、院長以及上級法院的監管人員可以隨時調出并檢查。事實上，在福柯所描述的規訓的作用模式中，檢查恰恰是展示權力的一種方式，而規訓對象只能被迫可見，②這正如法官的決策和行為始終處于司法人工智能系統的動態監管之下。由此可見，人工智能應用在輔助裁判的同時極易使法官成為技術規訓的對象。

（三）在疑難案件中的功能缺失

雖說每一個案件都勾連著事實與規范，但所謂的疑難案件，一般認為是不包含那些在事實層面難以認定和查證的案件，而專指在法律規范的適用上存在困難的案件。③由于疑難案件的范圍界定與審理方式表征著依法裁判和實質正義之間的張力，因此向來是理論學界討論的重點。哈特和德沃金就曾圍繞法官如何審理疑難案件這一核心議題來闡釋各自的法理論。在哈特的理論中，由于法律規則由日常語言所構成，因而具有語言的“開放性結構”，如果某一案件事實落入這種結構的邊緣地帶，那么能否適用法律規則是存疑的，這也就構成了哈特所謂的疑難案件。面對這種難題，哈特認為只有賦予法官以有限的立法權力，才能填補法律漏洞。④德沃金對此持相反觀點，他在闡釋規則與原則區別的基礎上提出，疑難案件雖然在法律規則的調整范圍之外，但是卻能被更為抽象的法律原則涵蓋，因此法官在處理疑難案件時，并不用行使帶有造法性質的“強自由裁量權”，而是應當去發現既存的法律權利。⑤

結合哈特和德沃金圍繞疑難案件闡述的理論，本文從類型化的角度區分，將疑難案件所指涉的具體情形分為兩種：其一，價值沖突型疑難案件，這種情形針對那些雖落入規則“開放性結構”的邊緣地帶，但卻能夠被原則所涵蓋的案件。不過，即便法官在審理這些案件時可以將法律原則作為裁判依據，然而由于喪失了規則的明確指引，因此在關于多大程度上能夠適用原則以及能夠適用何種原則等問題是有待商榷的，尤其是當規則和原則之間、原則和原則之間在處理個案時存在沖突的時候，將導致此類案件的審理更為復雜棘手。面對這種情形，法官往往需要根據社會群體共識性的道德觀點進行價值判斷，這樣的價值判斷顯然無法依靠形式邏輯得出，而需要法官觀照到個案的實質正義。在這里，法官積累的實踐智慧與所洞悉的社會情感發揮了更大的作用，而這恰恰是難以被技術理解與通約的，傳統人工智能在價值判斷上的短板導致法官無法通過技術獲得最佳闡釋，可以說，傳統人工智能難以有效應對價值沖突型的疑難案件。

其二，法律漏洞型疑難案件。這指的是既有規則和原則都難以涵蓋和調整的案件類型，也即新型案件。對于這類案件的處理需要調用所謂的“強自由裁量權”，對此，英美法系的國家往往賦予法官以一定的造法權限來應對規范的空白和缺失，而在我國，則通常是由最高法通過發布司法解釋的形式來填補在審判實踐中發現的漏洞。傳統人工智能在面對此類疑難案件時也暴露了其功能缺陷，這是因為，技術所分析和處理的數據都是從法官以往的制度性實踐中獲取的，其運行邏輯在于抽取當下案件信息中的關鍵性要素，與數據庫中的案例加以比對并檢索類案，最終在類案基礎上對當下的裁判進行推理和預測。因此，如果是無法在司法大數據中檢索到的新型案件，那么技術既無法對比類案，也難以提煉總結裁判規律。由此可見，以往的司法人工智能應用無法為新型案件的及時妥當處理提供幫助。

二、生成式人工智能與司法裁判的價值性耦合

以往司法人工智能應用在實踐中面臨的困境，為新興技術的引入提供了契機。生成式人工智能憑借其強大的語言處理和內容生成能力，不僅在技術層面實現了重大突破，更在價值理念上與司法公正的要求形成了內在契合。

（一）生成式人工智能的核心技術原理

近年來，OpenAI、Google和Anthropic等公司團隊在生成式人工智能的研發方面取得了突破性進展，發布了一系列語言模型。其中，由OpenAI在2022年11月推出的ChatGPT以其逼真的對話能力和強大的文本生成功能，一經問世便迅速引發強烈反響，并掀起了全球范圍內對生成式人工智能技術的追捧浪潮。以GPT系列模型為例，支持生成式人工智能獲得強大功能的核心技術主要有三項。

其一，Transformer架構。Transformer是一種專門用于序列建模的神經網絡結構，在自然語言處理領域，它使用全新的自注意力機制（Self-Attention）來構建序列間的依賴關系。與以往序列模型中常用的RNN相比，Transformer不但可以做到輸入輸出各位置間計算的操作并行，而且還能更好地捕捉長序列間的遠距離依賴關系。①簡言之，Transformer通過自注意力機制，可以根據每個詞的所在位置推斷出其和其他詞之間的相關性，進而生成關聯度最高的信息，即使是面對長文本也可以順利捕捉上下文關系。②正因如此，Transformer在機器翻譯、語義分析和文本生成等方面取代了RNN的傳統架構。

其二，預訓練模型（Pre-trainedModel）。預訓練是GPT獲得強大語言能力的關鍵，其以Transformer為模型架構，通過對大規模且未標注的語料進行無監督訓練，獲取關于語言的一般特征，從而形成一個具有通用性質的語言模型。在此基礎上，通過小樣本乃至零樣本的“微調”（Fine-tuning），就可以使其適配并應用到下游任務。③GPT模型的預訓練所使用的語料一部分是從維基百科、搜索引等基于互聯網媒介上自動爬取所得，其不但具有范圍廣、規模大、易獲得等優勢，而且有效減少了人工標注的高昂成本。在GPT的迭代過程中，訓練的數據量級不斷攀升，GPT-3的參數量高達上千億級別，與此同時，模型的學習能力也隨之大幅度提高。④可以說，預訓練是生成式人工智能模型獲得泛化語言理解和表達能力的基礎與關鍵。

其三，基于人類反饋的強化學習（ReinforcementLearningfromHumanFeedback）。預訓練模型在大規模數據上進行無監督學習，雖然由此獲得良好的通用性與泛化性，但是因此缺乏人類的監督與反饋，會導致模型出現捏造事實、輸出有偏見或有害信息等情況，降低了模型的安全性和有效性。雖然可以通過標注好的樣本數據對模型進行“微調”，但是由于內容生成的邏輯在于從文本數據中預測下一個最大關聯度的詞元（Token），而這樣生成的結果顯然和用戶想要的內容仍存在較大差距，因此，如何促使人類意圖和模型生成之間的一致性，讓語言模型更好地實現人類所希望達成的目標，是GPT面臨的又一大挑戰。對此，InstructGPT采用了基于人類反饋的強化學習，即在以往“微調”模型上訓練一個全新的獎勵模型，并在強化學習的框架下進一步優化原有模型。其中，獎勵模型就建立在人類對模型生成內容偏好排序的基礎上，具體來說，通過在模型中輸入提示詞（Prompt），使其輸出幾個不同的結果，再通過用戶反饋來對輸出的多個結果予以排序，并將其轉換為模型可理解的正向或負向的獎勵信號，從而使排序越靠前的內容越能符合人類的意圖與需求。如此一來，既能夠減少通過人工標注對齊用戶指令的規模和成本，也有助于解決參數量級巨大模型的安全性及有效性問題。①

（二）生成式人工智能與司法公正的內在契合

裁判是法院業務的核心，承載的是法官依據案件事實和法律規范所作出的糾紛處理結果。由于裁判不但關涉當事人權利的救濟與義務的再分配，而且直接影響著社會大眾對司法的認可與評價，因此一般認為，裁判應當是由客觀中立的法官，依據自身的理性和經驗，在合理的時限內對糾紛公正地作出判決的行為。可見，司法裁判蘊含著效率和公正的雙重價值。以往的司法人工智能應用不但能夠有效減少法官的重復性工作，提高審判效率，而且技術本身的價值中立也增強了裁判的客觀性。可見，傳統人工智能技術已經有助于司法效率和程序公正的實現。然而，對于人工智能是否有助于實體意義上的司法公正這一問題向來是存在爭議的。這是因為，若想實現實體公正，需要法官將目光在案件事實與法律規范之間往返流轉，并運用理性和智慧對案件結論達至內心確認，這樣的過程融合了邏輯推理、經驗復用和價值判斷，傳統人工智能雖然能模擬人類思維方式，但卻難以應對復雜的人類情感與多元的社會價值。對此，新興的生成式人工智能基于在技術上的重大突破，能夠擴大傳統人工智能的技術優勢，更有助于司法效率與程序公正的實現，即便對于實體公正的價值來說，生成式人工智能也與之存在一定的契合，只要技術運用得當，也能夠起到一定的積極促進作用。

一般認為，實體意義上的司法公正分為兩個層次，一是形式正義，二是實質正義，而生成式人工智能的司法應用均將有助于二者的實現。首先，形式正義要求法官對于相同情況相同對待，“同案同判”的理念是形式正義的外在表征。②從人類智能的角度來看，司法實踐中“同案不同判”產生的根本誘因就在于法官基于個人感情、思想和經驗而作出決策，其雖然對應的是自由裁量權的行使，但是對于追求“同案同判”的形式正義并沒有太大助益。③相比之下，技術的應用可以促進裁判的客觀化和理性化，尤其是在生成式人工智能的技術支持下，類案推送和檢索機制將得到進一步完善，從而推動“同案同判”的實現。具體而言，“同案同判”的一般實現程式是由法官先行識別出類案，在此基礎上從先前的類案中提煉出可普遍化的裁判標準或規則，再將其作為法律推理的大前提適用于當下的待決案件。由于生成式人工智能建立在大語言模型的基礎上，因此在這個過程中，其既可以在海量的司法數據中快速抓取孤立分散的個案信息，縮短類案的匹配速度、提升推送的精確度，又能夠對大量類似案件進行系統化整合，從而生成出可普遍化的標準與一般性的裁判規則供法官適用。④可見，生成式人工智能的引入有助于實現“同案同判”目標下的形式正義。

其次，生成式人工智能可以通過強化個案的裁判說理來促進實質正義的實現。在個案的審判過程中，判決結果固然重要，但是否滿足實質正義的要求還要看裁判的說理是否充分，尤其是當實質正義與“依法裁判”的形式要求發生抵牾的時候，法官更是要通過裁判說理來化解兩者的沖突。根據最高法2018年出臺的《關于加強和規范裁判文書釋法說理的指導意見》，在裁判文書中釋法說理需要闡明事理、釋明法理、講明情理、講究文理。傳統人工智能雖然也能夠基于案件事實檢索相關案例與依據，并給法官提供一定的裁判參考，但無論是在事理和法理方面的邏輯論證，還是在情理與文理方面的意義考究都不夠詳實充分，這導致以往自動生成的判決文書重復冗雜且語言生搬硬套，難以體現個案的特殊性。與傳統人工智能不同，生成式人工智能具備強大的文本生成能力，可以快速生成語言流暢、邏輯清楚的長文本，進而有利于自動生成高質量的判決文書。此外，生成式人工智能還具備先進的人機交互技術，法官可以通過輸入提示詞與大模型進行專業的法律問答。這個過程中，無論案情的分析梳理還是規則的適用，乃至是基于不同的說理邏輯而產生的不同判決結果，都會逐一呈現在法官面前，法官不但可以追溯模型的推理邏輯，還可以通過交互問答的方式詢問模型的決策理由。這樣一來，技術應用不但能夠有效擴展法官的裁判思路，而且能夠強化裁判的說理與論證。進一步說，生成式人工智能甚至可以通過學習法官的語言風格，在自動生成的判決文書中模擬法官的表述習慣，使其更貼近真實的法律文書，增強公眾的可接受性。綜上所述，對生成式人工智能的合理運用不但不會消解司法的固有價值屬性，而且還能通過強化裁判說理有助于實質正義的實現。

三、生成式人工智能與司法裁判的功能性耦合

生成式人工智能與公正價值的內在契合，是新技術得以介入司法裁判領域的前提條件。然而，僅有價值基礎還不足以支撐生成式人工智能與司法審判的深度融合，技術能否真正發揮效用，關鍵在于其是否具備與司法裁判活動相匹配的功能特性。生成式人工智能憑借其技術功能，能夠有效破解我國以往司法人工智能應用的實踐困境。具體而言，生成式人工智能在司法裁判中發揮三個方面的功能：一是對傳統人工智能的技術補強，通過有機結合強力法與訓練法來突破現有技術瓶頸；二是保障法官的主體性地位，改善以往法官被技術規訓的傾向；三是在疑難案件中能夠發揮一定的價值判斷與規則探索功能，協助法官應對價值沖突和法律漏洞。正是這些功能使生成式人工智能真正實現對司法裁判的有效賦能，從而形成價值理念與技術功能的雙重耦合。

（一）對傳統人工智能的技術補強

如前所述，人工智能主要包含強力法與訓練法兩大類技術。在司法裁判領域，強力法難以應對法律的不確定性問題，而訓練法在數據質量和人工標注方面則提出了較高要求，這就制約了司法人工智能的進一步發展。生成式人工智能的司法應用可以做到兩種技術的有機結合，即先運用訓練法獲取經驗知識，再通過強力法在預先獲得的知識庫中進行搜索和推理，進而得出最優判斷。如此不但能發揮兩者的優勢，而且在一定程度上也能化解現階段司法人工智能應用所遭遇的技術難題，具體來說如下。首先，對于強力法來說，法律的不確定性是其始終難以回避的問題，生成式人工智能雖然無法直接簡化復雜的事實關系與法律表述，但是能夠通過技術手段來限制強力法的不確定性問題。其一，由于生成式人工智能以預訓練模型為基礎，因此可以通過訓練大量文本來建立概率語言模型，這種概率建模可以涵蓋更為復雜開放的情況，在一定程度上能應對因法律語言的開放性特征而引發的不確定性。其二，生成式人工智能可以引入知識圖譜來控制不確定性。在構建知識圖譜時，生成式人工智能可以通過預訓練模型從大量非結構化文本中提取結構化知識，這相當于限定了強力法進行計算和搜索的空間，因此能夠有效約束生成結果的不確定性。其三，生成式人工智能具有強大的人機交互性，在判決文書生成的過程中，法官可以輸入提示詞對文本生成設置附加條件，使生成的內容得以“對齊”（Alignment）自身的想法和預期，如此一來，原本不確定的法律解釋空間也能得以有效限縮。

其次，生成式人工智能能夠為訓練法提供有力的技術支持。以往的司法人工智能應用不但需要預先構建一個涵蓋各類案例和規則的數據庫，還需要調動大量法律專業人士對案件事實、裁判依據以及判決結果進行人工標注。生成式人工智能的預訓練模式能夠有效減少對標注數據的依賴。事實上，生成式人工智能中的預訓練原本就基于訓練法的技術原理，因此其十分擅長從大量無標注的數據中提取較高質量的結構化信息。進一步說，隨著模型數據量級的不斷增大，生成式人工智能語言理解和學習能力也會得到質的飛躍，因此在應用于下游任務和場景時，僅需少量樣本乃至零樣本就能對模型進行“微調”，而無須大規模人工標注下的監督式學習。這種技術突破對于司法人工智能應用具有更重要的意義，這是因為，司法裁判涉及大量的專業知識，無論是提取高質量數據，還是人工標注示范樣本的做法都面臨難度大、成本高的現實問題，生成式人工智能預訓練模式下的自監督學習更適配于司法的特定場景，強化了以往的訓練法技術。

（二）保障法官的主體性地位

傳統人工智能在司法裁判中的功能定位是輔助法官，然而其應用卻停留在較為初級的階段，難以真正起到輔助裁判的功能。例如，目前的類案檢索和推送系統不夠精確，法官仍需在較大范圍中對案例進行逐一的人工篩選；裁判預測系統的準確度較低，難以模擬法官真實的思維過程；判決文書的自動生成基于模板而無法針對特殊情形生成個案化的解釋與分析。究其原因，一方面是因為傳統人工智能的技術制約，其大多依賴于人工輸入的規則和程式，無法理解復雜法律概念，也難以生成基于非形式化邏輯的法律論證。另一方面，是因為傳統人工智能多被應用于審判管理之中，技術對法官的行為和決策產生了規訓而非輔助作用。縱觀我國的審判制度，雖然法官是司法決策的主體，但是出于對自由裁量權的制度性約束，上級法院以及本級法院的院長、庭長都具有審判監督和管理的權力，尤其是當案件本身存在爭議或者在法律可解釋的范圍內存在不同的論證路徑時，除主審法官之外的其他主體也可以通過既定的司法程序，諸如專業法官會議、審判委員會等參與到集體決策之中。這樣的做法實則在無形中將法官裁判置于科層化管理之中。在這種背景下，傳統人工智能的司法應用構成了對法官的技術規訓，以至于削弱了法官在裁判中的主體性地位。

生成式人工智能的作用邏輯與傳統人工智能有著顯著不同，在其應用過程中，法官并非技術規訓的對象，而能夠保有裁判的主體性地位。這是因為，生成式人工智能在裁判中所發揮的功能是在其與法官的交互對話中實現的，而法官對于人機交互的方向與進程掌握著主動權。具體而言，其一，法官可以通過輸入提示，要求模型對自動生成的內容進行解釋或擴充，直到形成完備的論證鏈。其二，法官可以要求模型生成反面論證，為其在判決中實現“證否”提供參考依據。其三，法官還可以讓模型生成多種可能的論證路徑，以此開闊裁判思路，形成新的法律見解。可見，在人機交互的過程中，法官始終處于主導性地位，其既可以引導模型生成裁判所需的內容，也保有對是否采納自動生成內容的決定權，這些都顯著提升了法官在司法決策過程中的話語權。此外，值得關注的是，在生成式人工智能的輔助下，判決文書的裁判說理將日臻完善，而說理的強化將增強司法在智識上的權威性，這種權威不但更易被公眾所理解與接受，而且也使得主審法官之外的主體很難憑借集體決策的名義對裁判施加科層化的干預與影響，從而間接保障法官在人機協作裁判模式中的主體性地位。

（三）價值判斷與規則探索的有限功能

韋伯曾把法官比作“自動售貨機”，認為他們所做的不過是根據案件事實在法典中尋找對應的規范，再依據司法三段論作出判決。如果僅依據這樣的論斷，那么擅長形式化邏輯的傳統人工智能技術或許可以替代法官作出決策。然而，真實的司法裁判過程不但需要將當下的社會需求與未來的社會發展納入權衡范疇，而且充斥著倫理道德的約束與價值取舍的判斷，法官始終需要在裁判的可預測性與自由裁量、法的安定性與社會進步之間尋找到平衡。也正因如此，傳統人工智能在疑難案件中是存在功能缺失的，如前所述，其既難以在價值沖突的案件中作出合理判斷，也無法發現新的裁判規則來填補法律漏洞。然而，與傳統人工智能不同，生成式人工智能憑借其技術優勢可以輔助法官進行價值判斷與規則探索的活動，從而在疑難案件中發揮一定的功能。

在價值判斷方面，雖然在每個案件中不同價值所占的分量與比例無法形成放之四海的統一標準，但是價值這一事項本身卻是可以被數據化的。事實上，人類在作出價值判斷的時候也會無意識地對不同價值予以賦值和排序，而人工智能恰恰是以數據的方式還原了這一過程，即在客觀描述價值表現性質的基礎上為其設定屬性值，進而形成某種可供數學計算的關于價值的特征向量。①這實際上是將法官的內心確信以可視化的數據形式展現出來，為技術介入價值判斷領域提供了可行性。在此基礎上，生成式人工智能可以進一步推動價值判斷中的技術應用。具體而言，其一，生成式人工智能的應用有助于彌合法官個人理念與社會普遍價值觀之間的差距。生成式人工智能的訓練數據來源廣泛、量級巨大且主要基于無監督學習，因此與法官個人帶有主觀性的判斷相比，模型輸出的結果反而更能體現社會的某種價值共識，法官以此為參考，可以有效遏制個人偏見對裁判客觀公正性的不利影響。其二，先行構建制定法淵源之外的規范數據庫，包括自由、平等、公平、正義乃至社會同理心等倫理道德因素，以此作為預訓練模型的語料庫，保證模型生成的內容將所有可能涉及的價值因素都納入權衡范疇，進而避免法官陷入單一的價值偏好。其三，生成式人工智能預測分析能力顯著提高，可以預估不同判決結果帶來的社會影響，進而輔助法官進行后果主義裁量。根據后果主義裁量的理論觀點，法官不能只機械適用法律而忽視其可能造成的非正義后果，其有必要在裁判過程中將判決可能引發的法律效果和社會效果都納入決策過程。對此，生成式人工智能可以將過往真實案例的社會效果與專家預測的可能效應作為訓練數據，發掘待決案件與社會環境中復雜因素的關聯性，進而對裁判可能導致的連鎖反應進行事先的預測與評估，厘清案件的全貌。

面對新型案件的法律漏洞，生成式人工智能雖然不具備人類智慧，但是法官可以通過交互對話的方式與模型開展“頭腦風暴”，提高法官對于法律適用的想象力與創造力。我國司法雖然不具備造法的權力，但是在實踐中卻常常承擔著“試行立法”的職責，②一方面是為正式立法積累前期經驗，另一方面是化解在新型案件中無據可依的審判難題。因此，在我國生成式人工智能雖然不能輔助法官直接創制規則，但是可以幫助法官在新型案件中探索新的裁判規則。事實上，生成式人工智能對于新型案件從發現到應對的各個環節都有所助益。

首先，當法官發現既有法律難以涵蓋和調整案件事實時，要先行判斷其是否屬于新型案件的范疇，此時，生成式人工智能可以列舉所有可能相關的規則與案例供法官予以排除，也可以發掘法律條文新的解釋空間供法官參考。其次，如果確認既有規范難以調整，那么意味著該案件可能具有首案效應或者具有法律適用的普遍指導意義。在我國，這類案件往往會由上級法院提級管轄并以審理典型案例的方式確定具體裁判規則。在這個過程中，生成式人工智能可以在語言模型的基礎上構建知識圖譜并進行語義關聯，在窮盡法律規則和法律原則時，可以從非正式法律淵源，諸如司法政策、最高法的司法解釋性質文件、地方法院的審判業務文件、參考性案例、社會慣習乃至道德規范中尋找和匹配相關依據，為裁判規則的適用提供效力論證。最后，在新的裁判規則被制定后，生成式人工智能仍可以對其進行修正和優化，一方面可以確保新的裁判規則與既有法律體系的融貫而不矛盾，另一方面也可以使模型針對新規則的邊界情況生成特定的假想案例，從而發掘規則的可能漏洞，完善規則的語言表達。

綜上所述，疑難案件的審理雖仍然需要由法官主導裁判，不過應當承認的是，生成式人工智能可能通過發揮有限的價值判斷功能與規則探索功能來協助法官化解價值沖突和法律漏洞的實踐困境。

四、生成式人工智能嵌入司法裁判的路徑構建

生成式人工智能在價值和功能層面能與司法裁判形成雙重耦合，但若想使二者耦合關系更為緊密，還需要從技術規范和制度構建的雙重維度探索生成式人工智能嵌入司法裁判的具體路徑。從技術規范的維度來說，“通專結合”是生成式人工智能在特定領域的發展趨勢，因此有必要在基礎模型上建立專門適配于司法場景的裁判大模型，并對其開發過程進行嚴格監督和規范。從制度構建的維度來說，由于生成式人工智能尚存在潛在風險，因此需要在明確技術功能定位的前提下，通過設定法官義務來實現風險的及時識別與有效防范。

（一）司法裁判專業大模型的技術建構規范

生成式人工智能以預訓練模型為基石，具有很強的通用性與泛化性，這的確為各行業的應用提供了智能引擎。然而，即便模型經過了千億級別數據的預訓練而具備高水平文本生成能力，但也只能算作是完成了“通識”教育，由于不同場景中知識與信息的壁壘，在執行具體下游任務時，為了能夠更好地適配場景特性，需要在預訓練的基礎上根據特定領域的知識與經驗進行小樣本的“微調”，才能使模型在“通識”教育基礎上再完成專業教育。①可以說，當下生成式人工智能的發展路徑正在從通用能力向專精方向演進。當將生成式人工智能引入司法裁判時，為了能更好地契合司法的運行邏輯，同樣應當采取“預訓練+微調”的技術路徑，訓練出專業的裁判大模型。2024年11月，最高人民法院發布國內首個法律行業基座大模型——“法信法律基座大模型”，標志著我國司法領域開始探索使用大模型以實現技術賦能。在此背景下，有必要對司法裁判大模型的技術建構過程進行系統規范。

首先，在預訓練階段，由于模型是在沒有標注的數據上進行自我監督式學習，因此訓練數據的質量至關重要。目前我國的司法數據庫包含各級法院司法大數據平臺上存儲的內部審判數據以及在裁判文書網等網站上可以搜索到的公開信息，這些數據雖然看似數量龐大，但其中包含大量程序運轉類信息和行政管理類信息，真正涉及裁判的內容較為有限。另外，由于案件之間關于事實判定和法律關系尚未建立有效關聯，加之法官錄入平臺的信息不夠規范且時有錯誤，因此這些內容多呈現為非結構化或半結構化的數據。②對此，有必要對接受預訓練的司法數據進行清洗，由最高法參與設定專門的篩選規則，去掉重復的、無關的以及有害的司法數據，避免數據侵權或者當事人隱私信息泄露，再通過構建法律知識圖譜提取結構化信息，進而為裁判大模型的預訓練提供高質量的語料庫。其次，在經過大數據預訓練后，為了能夠更好適配司法場景和盡可能滿足法官的裁判需求，需要對模型進行“微調”。

對此，最高法可以組織一批有經驗的法官和法律專家來組成專門團隊，一方面，團隊可以為模型提供一定數量的標注樣本。雖然生成式人工智能所需要的標注樣本數量較于傳統的訓練法已經大幅度降低，但通過少量樣本的半監督式學習有助于增強模型在司法場景中的有效性。另一方面，團隊可以對給定提示下模型所生成的多種結果進行排序，并訓練獎勵模型，從而促使該模型生成內容更符合司法審判需求。再次，在開發專業裁判大模型時，法院系統內部應當設置相應的審查委員會，對預訓練數據的篩選標準以及樣本數據的標注與排序等事項進行全面監督，防止裁判大模型被滲透進有悖于司法公正的理念。最后，司法行政機關應當與生成式人工智能的研發團隊保持密切合作，技術開發者應承擔算法的可解釋性義務，降低算法黑箱和算法歧視等人工智能的共性問題所造成的不利影響，也可以考慮引入第三方對模型公平性的評估機制，通過對模型運行的監測以持續改進其合規性。

（二）生成式人工智能輔助裁判的風險防范

雖說目前從技術功能的角度來說能夠建構出專門適配司法場景的裁判大模型，但是對于生成式人工智能在裁判中的具體應用還需審慎推進。這是因為，與其他領域相比，司法的公正與否不但事關公民的權利義務分配，也影響到法律權威與社會秩序，生成式人工智能作為一項新興技術，仍有不可忽視的潛在風險與不確定性，如應用不當則可能貶損司法價值，損害裁判公正。具體來說如下。

首先，生成式人工智能存在“知識幻覺”現象。①生成式人工智能是通過計算文本出現的概率來預測生成內容，本質上類似于一種“文字接龍”的游戲程序。事實上，生成式人工智能仍屬于弱AI系統，其所生成的內容只是在概率上最有可能出現的結果，而不能確保其真實性。但即便是虛構的結論，由于其建立在對足夠多的數據的分析和統計基礎上，因此生成內容往往看起來十分可信，但卻會讓人產生混淆。例如，在生成式人工智能的某平臺輸入問題“在中國判定闖紅燈是否違法的依據是什么？”，模型自動生成了這樣的回答：“《中華人民共和國道路交通安全法》第六十一條明確規定，遇紅燈必須停車，不得闖紅燈。違反者將被處以警告或者100元以上500元以下的罰款。”這是一條虛構的法律條款，但乍看卻十分符合“行為模式+法律后果”的規則結構，如不熟悉相關規定很容易誤以為這是一條真實的法律規則。事實上，回答這個問題并不困難，只要在法律法規檢索平臺中根據要素檢索即可獲得相關法條依據，然而具有強大技術功能的生成式人工智能反而表現得不盡如人意，原因在于該模型生成的內容只是基于概率的文字組合，而非真知，因此即便提升數據量級，也難以完全規避該問題。

其次，生成式人工智能生成內容的有害性。生成式人工智能雖然在客觀上可以起到輔助法官價值判斷的功能，但該技術本身缺乏人類的倫理觀念，難以對生成內容進行道德判定。從本質上來說，生成式人工智能是對事實關系的一種數據映射，其強大的語義理解與生成能力都是通過在海量數據上的深度學習而獲取，因此，如果預訓練數據來源單一或者樣本數據內含偏見，都可能會導致生成內容的有害性。當介入司法領域時，生成式人工智能的有害性風險主要體現在三個方面：其一，過于依賴既往判例易導致生成內容帶有明顯的傾向性。既往判例是裁判模型的重要訓練數據，然而這些判例只為生成式人工智能的強化學習提供了正樣本，其作用在于使模型生成內容更符合人類預期。然而，過于依賴正樣本，會導致裁判模型難以覆蓋負樣本的可能情境，也容易對正樣本中高頻出現的情形產生傾向性，進而有違司法的客觀中立。例如，有學者就指出，機器無法根據有罪判決所構建的刑事案例庫而作出無罪判決。②其二，生成內容對法律行為和結果之間存在不當歸因的情況。由于生成式人工智能只是基于當前輸入而對輸出文本的概率預測，加之技術本身缺乏道德評價能力，因此容易建立錯誤的因果關系。例如，自動生成判決中可能會將性犯罪原因與女性受害人特征之間直接掛鉤。其三，生成判決中可能會包含歧視性的負面言論。未經人工標注的數據本身是現實世界的投射，而歧視現象是社會中客觀存在的事實，模型經過海量數據的預訓練后往往會放大這些既存偏見。即便有人工標注下的“微調”予以矯正，但是也難以避免相關人員在調試過程中摻入新的偏好與歧視。

從上述分析可以看出，生成式人工智能即便具備強大功能，但囿于技術潛在的風險，其始終無法取代法官而作出司法決策。我國在2022年發布的《最高人民法院關于規范和加強人工智能司法應用的意見》中就提出，“無論技術發展到何種水平，人工智能都不得代替法官裁判”，明確這二者的功能定位有助于防范生成式人工智能潛在的技術風險。在此基礎上，還應當進一步明確法官在使用該技術時所承擔的法定義務：第一，法官負有審查真實性的義務。生成式人工智能的“知識幻覺”現象導致其生成內容可能是對案件事實、法律規定甚至是對既往判例的虛構，因此，在運用生成式人工智能整理案情和分析爭議焦點的時候，法官應當提前掌握案件基本情況，確保自動生成的內容與法官對案件的基本認識和把握相一致，以此來審核生成內容的真實性。第二，法官負有解釋性義務。在裁判說理中，法官如果采納了生成式人工智能的觀點，則應當在判決中對采納的原因予以具體解釋或說明。技術的先進性并不意味著由其所生成內容的正當性，裁判的權威還是要訴諸說理與論證，因此，法官如若認為有必要采納生成內容，則應當論證生成內容的無害性、合理性和有效性，為生成式人工智能的融入提供充足的說理依據。第三，法官負有引用標注的義務。模型生成的內容并不等同于法官個人的觀點，法官如認為合理，可以對其采納，但應當明確標注來源，說明該觀點屬于模型自動化生成，這主要是避免法官用而不說、權責混亂。我國2023年發布的《生成式人工智能服務管理暫行辦法》中也提到對生成內容進行標識的要求，法官的義務設定可以加以參照。第四，法官負有使用留痕的義務。法官在裁判中運用的生成式人工智能應當是由法院專門建構的司法裁判大模型，而不應使用市場上面向所有用戶開放的基礎模型，這是為了記錄和保存法官和模型交互問答的全過程，防止法官通過輸入提示與問題引導繞過生成式人工智能的安全防線，進而達成不正當目的或者生成有害內容。

綜上所述，法官作為裁判的決策主體與責任主體，應當對生成式人工智能合理、審慎地利用。但法官所承擔的上述義務也給其運用技術造成一定負擔，降低其使用意愿。對此，可以從司法制度的層面制定相應的激勵措施，鼓勵法官積極運用新技術輔助辦案。例如，法院可以組織技術技能培訓會和技術應用交流會，既降低使用技術的門檻，也減輕法官對新興技術的畏難情緒。此外，各級法院也可以采取內部評選的方式，對那些使用生成式人工智能輔助辦案且取得良好效果的法官給予物質或非物質獎勵，并作為典型案例加以推廣，供其他法官學習和參考。總之，生成式人工智能在司法裁判領域的具體應用和制度建設還有非常廣闊的發展空間，而這有賴于在日后的司法實踐中不斷地探索與發掘。

［責任編輯李宏弢］