公益:裁判智能化生成的模式选择与实现路径

本篇文章5951字，读完约15分钟

萧方训曾宪未

近年来，随着深度学习技术的日益成熟，加上计算机计算速度的大幅提高和网络时代积累的大量数据，人工智能进一步繁荣迅速发展，呈现出深度学习、跨境融合、人机协同等新特征。 司法也将加快融入智能技术。 司法审判直接关系到公平正义的实现，其人工智能化的实现程度和方法备受关注。

人工智能的司法审判场景

人工智能( artificial intelligence，ai )的概念在1956年达特茅斯会议上正式提出。 在人工智能的迅速发展过程中，影响最大的技术学派是符号主义和连接主义。

(一)两大技术流派的考察

符号主义也被称为逻辑主义、心理学派或计算机学派，其核心理念是所有与智力相关的事业都可以归结为符号的操作。 符号主义的代表性算法是逆演绎算法，代表性地作为知识图来应用。 1956年首先使用“人工智能”这个用语的是符号主义者。 符号主义曾经长期独秀，特别是成功地开发和应用了专家系统，对人工智能的工程应用起到了重要的意义。

连接主义也称为仿生学派，其原理是神经网络和神经网络之间的连接机制和学习算法，与概率统计密切相关。 连接学派的主要算法是反向传递和深度学习，代表着应用了语音识别、图像识别和自动驾驶。 1986年，鲁梅尔哈特等人提出了多层互联网中的反向传输( bp )算法。 之后，从模型到算法，从理论的解体到工程的实现，连接主义的势头受到了很大的动摇，为神经网络计算机进入市场奠定了基础。 淘宝首页的“千人千面”，今天头条的精确推送都运用了连接主义技术。

符号主义技术和连结主义技术各有优劣。 符号主义技术在数据资源不足的情况下，可以根据预先设定的规则正确地计算结果，但整理规则需要时间，“有多少人在工作”，因此逻辑规则中可以定义的概念只是冰山的一角 连接主义技术在有丰富优质的数据的情况下，可以使用深度学习等算法得到结果，但在数据资源匮乏和质量不高的情况下，实现效果不能令人满意。

(二)国内外人工智能司法的应用与研究

1 .海外司法的应用与研究

探索人工智能在法律行业中的运用是法学家和科学家的热门话题。 美国伊利诺伊理工大学的科学家使用被称为随机森林的机器学习统计模型预测1816年至年美国最高法院的判决，准确率超过70%，该院法学教授丹尼尔·卡茨的团队利用最高法院数据库， 该模型学习了1816年至年美国最高法院的样本特征与判决结果之间的关联后，每年研究各样本的特征，预测了判决结果。 最后，该算法学习预测的结果并升级今后判决的策略。 结果对28000件判决结果和24万张法官投票，新模型算法预测的正确率分别为70.2%和71.9%。

根据gardian等海外媒体的宣传，伦敦大学学院( ucl )、谢菲尔德大学、宾夕法尼亚大学的科学家的研究表明，人工智能法官模型在测试的584起案件中，与欧洲人权法院审判专家的判决结果进行比较

在保释和假释的决定中，美国州法庭使用算法明确被告的“风险程度”:从这种体验出发，从可能再次犯罪到被告有可能按计划出庭，决定对被告是否保释或假释。 另外，法律人工智能也被用于法庭量刑。

2 .国内司法的应用与研究

上海开发的“206系统”具有26个功能和88个子功能。 该系统通过制定统一适用的证据标准指南、证据规则指南，被纳入公共检查司法机关刑事案件系统，不仅提供事务人员收集固定证据的指南，而且还提供证据的验证、验证、出示、监督 例如，在法庭调查阶段，如果证据不够充分，系统就会提出证据的缺陷，自动引起议会要点的关注。

杭州网络法院的网络交易是全程智能化审判系统，进行起诉、答辩、举证、质量证明、审判结构化、要素化、数据化，让当事人陈述清诉请求和事实，智能地形成争论焦点。 根据法官的专业积累，学习大量事件，形成电子商务的完美知识地图，利用专业算法，自动提取审判风险点向法官确认，生成智能完美的判决书。

从上述中外司法实例可以看出，以法律知识地图为中心的符号主义和利用机器进行深入学习的连接主义是使用最多的技术。 通过规则的整理形成法律知识地图是应用于案例是目前最重要的方法机器学习的运用很受欢迎。

优缺点的分解和融合之路

(1)符号主义的审判应用分解

符号主义是根据符号的逻辑规则展开的，使用if…then的句子设计的，明确性强，通过规则的整理形成法律知识图适合于案例，在依赖严格逻辑的司法审判中比较容易被理解和接受。 一是满足立法和司法的关系，满足法官依法处理案件的要求。 “三段论”作为基本的审判逻辑，法官在具体案件中以法律规则为大前提，以案件事实为小前提，导出结论，保证抽象的法律适用于案例。 二是可以为占多数的速决案件提供有力的支持。 速审案件的事实很清楚，适用的法律规则决定了案件事实是否符合特定情况下的行为模式，从而更容易和正确地推导出该案件是否适用法律规则中的法律结果。 三是技术要求相对简单。 法律规则的整理是基于法律专家的经验，不需要大量的数据训练，典型的代表是法律专家系统。

这种模式最大的缺点是封闭性。 因为这样的审判系统以现有的人工整理的法律规则为前提，在法律规则变化的情况下，系统不能自动识别并进行相应的调整，需要人工再次介入调整，不能自动适用新的规范环境。 其次，知识地图的整理以前依赖人工，但由于地图的构建速度和精度不足，地图的范围非常有限，只能处理一个地图中的某种纠纷。 再次，知识地图构建后，可能需要利用成熟的自然语言解决技术来匹配事件事实和法律规则中的行为。 大部分研究开发主体都使用了共同的自然语义识别技术，比较没有根据司法场景进行开发，所以根据知识地图提取事件方案时容易产生错误和遗漏。

(2)连接主义的审判应用分解

连接主义根据概率统计展开，模拟神经网络的工作机制，通过输入输出闭环训练，具有学习进化的能力，对生动的具体案例研究有独特的价值。 一是具备开放成长性。 数据的积累和训练为机器学习提供了足够的素材，数量越多，沉淀越丰富，推动越准确。 二是体现不同案件不同判决的价值。 现实生活丰富，最强的专家也很难彻底练习。 许多规则分散在范式中，难以抽象地凝结。 这样的样本规则成为机器学习的对象，推送适用于案件。 三是满足法官审判的个性化诉求。 机器学习可以使法官的反馈情况，例如法官使用痕迹不断优化，在与法官的长时间交互中，可以捕捉法官的偏好并使其满意，形成与特定法官对比的特定推送。 四是提供越来越多的审判支持。 如果符号主义系统缺乏规则，系统不能提供任何帮助。 在连接主义模式下，这种可能性很小。 机器总是试图向法官提供最相似的结果。

这种模式最大的缺点是机器首先需要大量和大量的数据训练，案例中的审判推理是大量的规则组合，至少千万的数据学习需要机器认识特征。 其次，机器学习推送的结果具有随机性，除了法官偏好的多样化外，很难保证法律的统一适用和质量管理。 最后，机器学习质量受到算法的影响，算法模型的技术难度相对较大，实现价格高。

(三)融合的路径

对司法的期待既有稳定性、明确性方面，也有开放性、个性化方面。 法律为了满足秩序的诉讼需要成文法条，为了满足变更的诉讼也需要案例研究。 符号主义正好对应前者，连接主义对应后者，两者在审判应用中要取长补短，融合迅速发展。 成文法系的国家要以法条为管理基础，人工智能的审判应用要以符号主义为主，以连接主义为枝叶，形成智力审判之树。

1 .根据法治逻辑构造智慧树的主干

法治是规则的治疗，理想的依法审判根据事件事实和法律规则的逻辑关系，保证法律的普遍适用，不受非法律或非逻辑要素的干涉。 知识工程和知识图谱将学习和符号逻辑相结合，可以产生效果可控、计算机可读的法律推理逻辑，最能保障法律的严格贯彻。 这种模式当然会成为智能审判的优先方案。 司法审判中的规则分布在以宪法为核心的成文法律、实例、法理中，通过整理整合形成逻辑层次以语义网络的形式存在的主干，即法律知识地图。

2 .将枝叶延伸到数据量要素化的程度

在智能审判化初期，由于数据量少，质量差，所以通过成文法则的微细化分析，整理形成微细化的枝，可以提高机器学习的效率。 具有强要素特征的案件也可以通过结构化细分整合的方法形成审判。 当可用的数据积累到足以通过算法识别事件的特征和要素的东西时，深度学习系统算法开始发挥自己的特征，发挥实质性的作用。 司法不能拒绝审判。 在知识地图的空白处，自然语言解决和搜索推荐技术有助于推荐类似例子。

3 .知识地图的学习公式构建

人力永远有限，人的错误和错误不容易，但法律规则在不断更新进化中，需要保证随着规则的时间进化，用算法的方法在两个模式之间架起桥梁，用机器学习的方法推进知识地图的完整性。 知识地图应用于案例，应该吸收案例中的法律规则，例如通过学习可以丰富知识逻辑树的枝。 现阶段法律知识地图构建的自动化水平低，人工过度依赖，构建速度慢，精度不足，价格高。 作者包括基于维基百科info boxes等结构化数据的构建方法、基于开放文档的构建( schemaless )、基于fixed ontology/schema的构建方法、基于分层本体的构建方法等国家/地区 综合资源设计框架实现法律知识表示和推理，统一描述知识地图的实体、关系、语林、垂直知识地图、机器学习算法模型等。

智能审判的实现路径

通过知识地图、标签技术、结构化电子数据库、各大搜索引擎的构建和深度学习等算法的应用，实现智能审判是法律人和法律技术人员共同追求的目标。 如前文的分解，融合符号主义和连接主义的模型现在有特征。 但是，通过这个模型走向“强人工智能”还有很长的路要走，在完善可用的法律知识库、积累大量高质量的电子化事件数据、探索先进有效的算法、培养优秀的法律人工智能复合型人才等方面有很多问题

(一)建立完全统一可用的法律知识库

迅速发展智能审判，以法律知识库为基础。 法律知识库本身是新闻库，包括推理规则和经验新闻。 需要收集最新的最完全的法规、权威的正确实例、专业详细的法学文献，但这是不够的。 因为现在的人工智能技术不能直接理解、学习和应用这些消息。 贯穿法律规范、示范事实、审判要旨、学术观点等副本间的逻辑节点，利用人工智能进行语义分解、相似度排名、数据挖掘等技术，构建完善、通用、统一可利用的法律知识库，法律语言理解、法律人工智能技术 (葛翔:《参见司法实践中人工智能运用的实现和前瞻上海法院行政案件智能辅助事务系统》)

法律知识库建设中的一个突出问题是规则冲突。 在相同的假设条件下规定了不同的行为模式，不同的地区、法院有不同的方案，不同的标准给智能审判系统的开发带来了困难和障碍。 对此，一是应该完全关联法律法规，健全我国法律体系，消除体系内部规范的冲突。 二是应该打破审判规则的地域限制。 加强上级法院的指导，加强各地区、各法院的司法合作，统一审判尺度。 三是应该规范自由裁量权的行使。 陪审员必须严格遵守法律规定的裁断范围。 法律本身有空白或冲突的，通过拆除该问题、漏洞，立即更新审判规则。

(2)积累大量的高质量电子化案件数据

前提是迅速发展智能审判，将事件数据电子化。 目前司法大数据和人工智能应用的出现与中国审判文件网的文件公开是分不开的，但不足以很好地支持智能审判的迅速发展。 一是中国审判文件网上的结案文件数量有限。 二是反映的案件新闻不完全。 三是公开的文件质量不一致。

为了实现智能审判，必须积累数量越来越多、新闻更完整、质量更高的电子化数据，为机器学习创造条件。 首先，应该在全国一级进一步推进事件数据的电子化。 除了审判文件的数据外，还积累起诉、起草、举证、质量证明、审判、证据等电子化数据。 尽量复制事件的电子数据，只将书面事件资料的扫描转换为电子版的方法通常与图像文字的转换有关，因此会影响数据的正确性和检索效率。 其次，要进一步推进司法公开，扩大数据的开放、共享。 在确保数据安全、合法合规的情况下，以一定的形式、过程向公开或相关机构共享起草、证据、审判等数据。 再次建立司法数据标准，为法院之间或法院与相关机构之间数据流的通信和数据利用提高质量效果。

(3)探索先进比较有效的算法

智能审判迅速发展，算法是智能技术的核心。 人工智能“看”“听”“读”“明白”“收集”“评价”“写”的背后需要算法的支持。

运用了深入学习、特征学习、迁移学习等优秀的算法，如知识地图的学习式构建、事件新闻的发掘和解决等。 这些算法使智能审判系统具有自我构建能力，随着计算、挖掘次数的增加自动调整算法的参数，使挖掘和预测结果更准确。 (王禄生:“司法大数据与人工智能技术应用风险与伦理规制”)在计算机视觉与语音解决方面，在司法实践中，主要运用了ocr复印识别技术和语音转换技术。 总体来说，这两种运用是有效的，但也有不太容易识别手写复印件等完全令人满意的地方。 在自然语言解决中，机器可以通过该技术正确地“识别”、“分析”、“收集”、“理解”、“评价”、“生成”法规、实例、证据、文件等。 但是，在审判中，机器必须往来于法律条文和现实世界，客观地制约了机器法律语言的理解和解决。 我认为自然语言解决应该结合深度学习等算法，机器尽可能像人脑一样学习、思考，做出正确的决定。

(四)培养优秀的法律和人工智能复合型人才

迅速发展智能审判，复合型人才很重要。 为了完成这三个方面的工作，需要很多既懂法律又懂技术的人才。 法官和技术专家的信息表现很昂贵，很难将审判语言转换成技术语言。 另一方面，有些法官不知道人工智能，不同意，有人对人工智能抱有过高的期待，有人担心人工智能的迅速发展会损害人类的利益。 另一方面，技术专家对法律概念、诉讼程序、判决逻辑的理解有限，很难将技术应用于审判。

现在人工智能技术+法律复合型人才很少，需要加强团队建设。 一是制定适合复合型人才的招聘政策，能够吸收具有一定数量素质高的技术背景的人员。 二是可以建立培养机制，形成复合型人才培养体系。 制定特殊的人才审查和奖励机制，实行专业人才管理制度，升级和构建复合型人才池。 三是可以加强法院与大学、技术企业的合作。 三方要么共同设立法律和人工智能研究院，要么开设相关课程，互相派遣人员讲授、学习法律和技术知识，参加相关项目。 总结成包容和积累法官、技术专家、法学专家、法学学生的团队，共同推进各类数据库的建设和核心技术的研究开发。

总体来看，在法律领域应用人工智能技术的水平还处于初级阶段。 我们保持乐观的心理状态，树立理性务实的快速发展理念，发挥丰富的想象力，拥抱技术，暂时不迷信技术突破，重视人文关怀和道德伦理，融合符号主义和连接主义，知识地图、数据、戈尔

(作者单位:杭州网络法院)

标题：公益:裁判智能化生成的模式选择与实现路径    地址：http://www.shuiyihui.cn/gy/2021/0118/27990.html