鲍盛刚：中国靠打工能够成为大国吗？

法律人所从事的事业实际上需要根据所掌握的信息作出判断。

[38] 参见马超、于晓虹、何海波：大数据分析：中国司法裁判文书上网公开报告，《中国法律评论》2016年第4期，第195～246页。[25]此外，还有学者从司法权特点的角度反思了智慧法院的建设，认为工具理性对司法意义的消解，智慧管理对司法自主的削弱，智慧应用对司法平等的分化以及服务外包对司法公信的威胁，是智慧法院存在的法理困境。

如果由法律专业人士进行或指导计算机专业人才完成上述工作，或许可以将偏差降至最低，但如果没有法律专业人士参与其间，偏差可能将无法被控制在一个可接受的范围内。具体来说，知识图谱是用可视化的图谱形象地把复杂的知识领域通过数据挖掘、信息处理、知识计量和图形绘制而显示出来。结合裁判文书的文本内容仔细、深入地挖掘、分析、标注信息，并构建模型、发现趋势的大数据分析乃至真正意义上的法律人工智能并不多见。这些脱离人工智能界的幻想常常贻笑大方，让人工智能领域的专家在惊骇之余丧失了进一步对话的兴趣与勇气。就此而言，在当下技术开发者对人类法官经验的选择尚无力区分时，我们无法判别何为优秀的裁判文书、何为优秀的裁判标准。

这又牵扯到了下一个问题：法律数据的客观性。[45] 从实践来看，很多法律人和法律科技公司都在似懂非懂地使用知识图谱的话语来构建法律人工智能，并将其作为主流算法，即通过知识图谱实现知识的可视化，描摹出案件的主要构成要件和证据构成。这样，对概率性较大的事件进行规制一般性规则的重要性就得以凸显出来，人们通过一般性规则的约束进行社会中的交往，可以无需搜集全面的信息，因而能够避免高昂的信息成本。

[41] 周志华：《机器学习》，清华大学出版社2016年版，第23-24页。而正是效率这一推动力，使得个人在参与时有可能承受放弃对个人数据严密保护这一成本，更有力的刺激人工智能在法律活动中的运用。而即使有法官这样做了，在科层制的体制中必然将承受更大的压力。但是，人工智能对于法律认知与法律规则的重构，进一步的影响将会传导到法律价值层面。

[25]具有学习能力的人工智能可以无需局限于最初编写的代码，而是通过对于数据的学习形成更为深入的理解，从而完善其分析。站在正统的法律视角来看，由于法律本身的复杂性，人工智能的预测能力可能在较长的一段时间内并不能达到令人满意的程度，这种向公众输出的法律预测事实上很可能扭曲了真实的法律。

从对人工智能的最早的想象开始，就有许多学者在思考如何通过人工智能的运算，既能够模仿人类法官的推理路径，又能够避免人类认知中的各类偏差与谬误，使法律能够更加的理性而克服非理性。既然规则都是由于此前积累的信息形成的一种针对不同个体的概率，那么由于这些长期积累的信息必然存在着诸多细节的差异，就难以比较这种规则的适用是否运用于同等情形。[19]互联网的发展历史也表明，网络空间的的生成和扩散可以看成是一个由商业力量推动主导的生产性过程。但事实上，在人工智能时代，即使立法者名义上制定的仍然是同过去一样的一般性规则，实际上人们所能认识到的规则也还是个体化了。

尽管就法律价值而言，效率导向与公平导向都得到了高度的重视，但在人工智能的司法应用中，效率的逻辑显然更为强大。信息论意义上的这种极端情况，放在政治哲学的语境中，就是罗尔斯所设想的无知之幕。以更低的价格获得更强大的计算能力，这一加速度过程正是信息技术革命从量变到质变的基础。如果我们假定这种自由意志并不存在，而是一种随机的思维过程引发法律行为，随机变量的概率与此前状态的概率无关，那么为什么传统的法律规则仍然要考虑到某些先前的行为，而不是仅从一个瞬间的抽象的点进行考虑。

从法律认知这一角度来看，当对于规则的认知可以更便捷高效的从多元化的平台获取时，对于法律的规范性预期更为加强。[摘要] 人工智能的发展,不仅在社会生活多方面提出了需要法律回应的新问题,也形成了法律本身变革的推动力。

而法律现实主义虽然质疑这种确定性，但其指出的不确定性来源在于人的有限理性无法认识确定的事实，或是无法理解确定的规则，是一种局部不确定性，其前提还是存在着一般性的规则，因而对于许多简单案件是确定性的。法律难以像自然科学一样加以检验，如果说我们设计了一艘强大的战舰但一下水就沉入水底的话，自然可以判断这是一种错误的设计，但是法律的真实与否则不能单纯从案件结果来加以衡量。

[9]这方面既有对更具有效率和规律性的司法的乐观预期，也有对机器人法官、机器人律师对人类形成替代的忧虑。在信息高度不完全，不对称的陌生人世界里，人们通过承担足以显示自己属于注重未来收益的好人类型的信号成本来寻求合作，法律以及其他各种类型的社会规范，都起到了信号传递功能。[21] 简单来看，这似乎也并没有什么根本性的变革。上海高院院长崔亚东表示，上海法院第二个三年规划核心是一个战略、两个行动，即大数据战略，互联网+行动、人工智能行动。在此前的人类社会中，由于信息成本的约束，人们进行交流时传递的信息量较小，因而只能处理概率性较大的事件。而且，鉴于我们认知法律已有上千年的历史，对人工智能的认知则只是最近短短数十年间才开始的，我们也有必要更多思考法律本身，而不是过于大胆的去试图思考人工智能。

这样一个过程，似乎在传统模式下也存在着与之相似的情形，虽然过程的周期要长得多，当事人对于规则适用于个案所做出的预测以及反应，也会导致现实中的法律与纸面上的法律的分离，这种分离达到一定程度时也会重新塑造纸面上的法律。而在信息成本的大幅度下降揭开了无知之幕之后，人们可以确定参与博弈的对方的相关信息，因而进入到重复博弈中，每一项行为的评价与回应都不会是孤立的，而是和此前的行为结合在一起，因而引发相应的对策。

对于不同个人而言，即使他们知道法律规则是一般性的，也会发现对于自己有实际影响的规则是个体性的。但是，如果人工智能的发达意味着数据量达到了巨大的规模、获取这种服务的公众达到了很高的比例，那么，究竟什么是真实、什么又是扭曲就变得不重要了。

造成这种现象，显然并不是因为法律人在价值观上存在着高下之分，而是因为对于人工智能而言，去把握如何提高司法的效率，要比去把握如何实现司法的公平更容易。由于对法律的认知更多来源于算法，算法形成的规则也更为个体化，这两个方面的影响也将改变传统法律所体现的某些价值。

[13] 参见[美]佩德罗·多明戈斯：《终极算法：机器学习和人工智能如何重塑世界》，中信出版社2016年版。[36]例如，在网络平台上活跃着的账户，会因为此前积累的信用分、活跃度、贡献值等各类积分系统的计算而引发对其行为的不同回应，这是网络社会中人们所习惯的一种常态，而这种积分制的规则模式甚至当前已经有了从商业平台向公共管理推广的趋势。个体性规则的概率特征，使之更容易被看作不透明的黑箱所形成的产品。[28] Niklas Luhmann, Law as a Social System, translated by Klaus A. Ziegert, Oxford University Press, 2004, p.158. [29] 同前注22，霍姆斯文。

而从规则的可预期性这一价值出发，一般性规则的重要意义就在于其大大降低了信息成本，因而保证了整个社会能够形成对于规则的有效预期。而在强人工智能方面，人们关心当强人工智能在社会中出现时应当如何处理其法律人格、权利义务的相关问题。

正如我们在蒸汽火车时代无法想象高铁网络对地理空间的重塑，在手摇电话时代无法想象4G通信对信息传递的重塑，当这种预测的形成速度超过一定临界点时，变革就会变得明显起来。而当人工智能开始介入到这种服务市场的情况下，更为便捷因而也更为廉价的法律服务则成为可能。

但从效率这一出发点来看，无论是国家还是市场都有较强的推动力进一步推广人工智能的运用，在这个过程中，技术的进步也将以更高的速度表现出来。机器的学习不同于日常生活语言中所谓的学习定义，而是一个更为广义的概念，意味着计算机程序对于某类任务T和性能度量P，在T上以P衡量的性能随着经验E而自我完善。

退一步说，即使我们固守法律应当是一般性规则而非个体性规则的经典原则。在传统模式下，如果法律活动的参与者有意愿和能力购买全面的法律服务，也完全可以一步步获取非常细致的法律意见进行决策。每一个当事人数据的输入，都不是孤立的数据，而是会成为机器学习的内容，发展出处理未来数据的方法。在购买法律服务时，消费者会倾向于更为标准化并且可以被计算机处理的法律产品，因为这将意味着费用的降低。

如果法律活动的参与者可以在不同平台廉价而快捷的获取相关服务，就可能在进行每一步法律活动时直接接收到推送的法律意见，以此作为制定下一步对策的依据。当人们会更直观的获得来自于人工智能的处理结果时，出于节约思维成本的考虑，会本能的快速接受这一结果，而不太愿意消耗自己的精力去分析推导过程。

[30]因此，信息的意义在于人们能够对于事件的特定性进行更为准确的定位，我们所获得的信息越多，就越能确定一个事件相对于其他事件的特定性。据此我们很容易联想到霍姆斯著名的预测理论[22]，技术的进步正是为更快速也更准确的作出预测提供了可能。

人工智能的运用，同互联网、大数据紧密结合在一起。在物理学中，经典的牛顿力学到量子力学的范式转型，就是从非此即彼的确定状态到概率统计状态下的分布。