关于人工智能法律系统的思考

关于人工智能法律系统的思考总结

核心内容

本文探讨了人工智能在法律系统中的应用前景、法律推理的智能模拟可能性以及人工智能法律系统研发中的关键问题和策略。文章从人工智能的定义入手，分析了其在法律领域中的适用性，并结合历史案例和理论探讨，提出了法律推理是人工智能模拟的理想对象，同时指出了事实认定与法律解释作为研发难点。

主要观点

1. 人工智能的界定

• 人工智能被定义为在多变且不可控情况下作业、无需过多人工监管或可自学经验、改善表现的系统。
• 它能够从事需要洞察、认知、计划、学习、交流或行动等类似人类行为的任务。
• 人工智能系统在法律领域中的应用，要求其在推理、判断、行动等方面接近人类智能。

2. 法律推理是智能模拟的最佳对象

• 法律推理具有稳定的对象（案件）、明确的前提（法律规则、事实真相）和严格的程序，为智能模拟提供了典型样本和必要条件。
• 法律推理过程具有明确的风格、理性标准和充分的辩论，为思维模拟提供了外部语言描述场景。
• 法律知识的长期积累和丰富档案为人工智能模拟知识获得、表达和应用提供了资源。
• 法律的自我意识和对程序、假设的检验传统为模拟法律推理评价过程提供了条件。
• 人工智能法律系统的开发具有广阔的市场前景，主要用户为律师、检察官和法官。

关键信息

3. 人工智能在司法领域的应用前景

• 莱布尼兹的设想：认为推理与计算之间可以建立联系，使错误减少为计算错误。
• 弗里德曼的信息论描述：将法律制度运行分为输入、加工、输出和反馈四个阶段。
• 瓦尔格伦的法律推理信息论描述：强调法律推理过程中的信息流动与处理。
• 研发目标：人工智能法律系统应专注于“法律推理”而非“法律适用或量刑系统”。

4. 研发难点

(1) 事实认定

• 事实认定依赖于“证据之镜”原理，但证据往往具有不完全性、非结论性、含糊性、不和谐性和可信性等级不均等特性。
• 证言可信性具有四种品质，涉及陈述人诚实性、叙述能力、感知和记忆能力。
• 事实认定过程中存在经验推论链条，通过概括实现从证据到最终待证事实的推论。
• 概括在经验推论中具有必要性，但同时存在危险性，如“念斌案”中的错误概括导致事实认定错误。

(2) 法律解释

• 法律解释是发现法律推理大前提的关键操作，涉及法条解释、体系解释、法意解释、目的解释、合宪性解释、比较法解释和社会学解释等方法。
• 法律理性是法官的职责，而非国王或其他权力机构的直接替代，法律是一种特殊的理性，需通过法律家的专业训练和实践才能运用。

开发策略

1. 研发主体多元化

• 人工智能法律系统应由法律家、逻辑学家和计算机专家共同研发，形成三结合的研发群体。

2. 研发策略导向

• 研究与应用相结合，以应用为主导。

3. 研发目标与功能定位

• 系统应满足律师、检察官、法官、法学家等多用户需求，如：
  • 法官助理
  • 检察官助理
  • 律师助理
  • 法学家助理

4. 系统功能模块

• 案件输入：输入案情信息，包括证据数据和双方事实主张。
• 法律检索：提供相关法律规则、法律解释和判例。
• 法律分析：分析法律规则之间的关系、法律漏洞及判例适用的共性和区别。
• 事实认定：进行证据分析，包括图示法、概要法、证据评价等。
• 法律解释：提供多种法律解释方法，包括单数和复数法律规则的解释。
• 法律推理：支持单项和组合推理方法，以及功能性选择。

5. 威格莫尔图示法的应用

• 威格莫尔图示法是一种用于法律推理的符号系统，通过方块、圆圈、角度、符号等描述证据和推论之间的关系。
• 其符号系统包括：
  • 方块：用于描述证言性主张
  • 圆圈：用于描述间接证据或推断性命题
  • 开度角：标识可选解释的论证
  • 立式三角形：标识补强论证
  • 直线与箭头：表示推论方向和影响
  • 无穷大符号：标识无证据支持但被认定为真的事实
  • 段落符号：标识司法认知的事实
  • G：标识可能起重要作用的概括

结论

1. 人工智能不会完全取代律师、检察官和法官，但人-机系统（如机器人助理）可能具有广阔前景。
2. 人工智能应以“假乱真”为宗旨，提高人类改造自然和自身的能力，但机器人不能担任法官。
3. 人工智能法律系统的发展对推动法律推理微观机制研究和促进司法文明具有积极意义。