人工智能法律论文范文第1篇

【关 键 词】法理学/法律推理/人工智能

【正 文】

一、人工智能法律系统的历史

机先驱思想家莱布尼兹曾这样不无浪漫地谈到推理与计算的关系：“我们要造成这样一个结果，使所有推理的错误都只成为计算的错误，这样，当争论发生的时候，两个家同两个计算家一样，用不着辩论，只要把笔拿在手里，并且在算盘面前坐下，两个人面对面地说：让我们来计算一下吧！”（注：转引自肖尔兹著：《简明逻辑史》，张家龙译，商务印书馆1977年版，第54页。）

如果连抽象的哲学推理都能转变为计算来解决，法律推理的定量化也许还要相对简单一些。尽管理论上的可能性与技术可行性之间依然存在着巨大的鸿沟，但是，人工智能技术的发展速度确实令人惊叹。从诞生至今的短短45年内，人工智能从一般问题的研究向特殊领域不断深入。1956年纽厄尔和西蒙教授的“逻辑理论家”程序，证明了罗素《数学原理》第二章52个定理中的38个定理。塞缪尔的课题组利用对策论和启发式探索技术开发的具有自能力的跳棋程序，在1959年击败了其设计者，1962年击败了州跳棋冠军，1997年超级计算机“深蓝”使世界头号国际象棋大师卡斯帕罗夫俯首称臣。

20世纪60年代，人工智能研究的主要课题是博弈、难题求解和智能机器人；70年代开始研究语言理解和专家系统。1971年费根鲍姆教授等人研制出“化学家系统”之后，“计算机数学家”、“计算机医生”等系统相继诞生。在其他领域专家系统研究取得突出成就的鼓舞下，一些律师提出了研制“法律诊断”系统和律师系统的可能性。（注：Simon Chalton，Legal Diagnostics，Computers and Law，No.25，August 1980.pp.13-15.Bryan Niblett，Expert Systems for Lawyers，Computers and Law，No.29，August 1981.p.2.）

1970年Buchanan & Headrick发表了《关于人工智能和法律推理若干问题的考察》，一文，拉开了对法律推理进行人工智能研究的序幕。文章认为，理解、模拟法律论证或法律推理，需要在许多知识领域进行艰难的研究。首先要了解如何描述案件、规则和论证等几种知识类型，即如何描述法律知识，其中处理开放结构的法律概念是主要难题。其次，要了解如何运用各种知识进行推理，包括分别运用规则、判例和假设的推理，以及混合运用规则和判例的推理。再次，要了解审判实践中法律推理运用的实际过程，如审判程序的运行，规则的适用，事实的辩论等等。最后，如何将它们最终运用于编制能执行法律推理和辩论任务的计算机程序，区别和不同的案件，预测并规避对手的辩护策略，建立巧妙的假设等等。（注：Buchanan & Headrick，Some SpeculationAbout Artificial Intelligence and Legal Reasoning，23 StanfordLaw Review(1970).pp.40-62.）法律推理的人工智能研究在这一时期主要沿着两条途径前进：一是基于规则模拟归纳推理，70年代初由Walter G.Popp和Bernhard Schlink开发了JUDITH律师推理系统。二是模拟法律分析，寻求在模型与以前贮存的基础数据之间建立实际联系，并仅依这种关联的相似性而得出结论。Jeffrey Meld-man 1977年开发了计算机辅助法律分析系统，它以律师推理为模拟对象，试图识别与案件事实模型相似的其他案件。考虑到律师分析案件既用归纳推理又用演绎推理，程序对两者都给予了必要的关注，并且包括了各种水平的分析推理方法。

专家系统在法律中的第一次实际应用，是D.沃特曼和M.皮特森1981年开发的法律判决辅助系统(LDS)。研究者探索将其当作法律适用的实践工具，对美国民法制度的某个方面进行检测，运用严格责任、相对疏忽和损害赔偿等模型，计算出责任案件的赔偿价值，并论证了如何模拟法律专家意见的方法论问题。（注：'Models of LegalDecisionmaking Report'，R-2717-ICJ(1981).）

我国专家系统的研制于20世纪80年代中期起步。（注： 钱学森教授：《论法治系统工程的任务与》（《管理》1981年第4期）、《主义和法治学与技术》（《法制建设》1984年第3期）、《现代科学技术与法和法制建设》（《政法论坛》）1985年第3期）等文章，为我国法律专家系统的研发起了思想解放和奠基作用。）1986年由朱华荣、肖开权主持的《量刑综合平衡与电脑辅助量刑专家系统研究》被确定为国家社科“七五”研究课题，它在建立盗窃罪量刑数学模型方面取得了成果。在法律数据库开发方面，1993年中山大学学生胡钊、周宗毅、汪宏杰等人合作研制了《LOA律师办公自动化系统》。（注：杨建广、骆梅芬编著：《法治系统工程》，中山大学出版社1996年版，第344-349页。）1993年武汉大学法学院赵廷光教授主持开发了《实用刑法专家系统》。（注：赵廷光等著：《实用刑法专家系统用户手册》，北京新概念软件研究所1993年版。）它由咨询检索系统、辅助定性系统和辅助量刑系统组成，具有检索刑法知识和对刑事个案进行推理判断的功能。

专家系统与以往的“通用难题求解”相比具有以下特点：(1)它要解决复杂的实际，而不是规则简单的游戏或数学定理证明问题；(2)它面向更加专门的领域，而不是单纯的原理性探索；(3)它主要根据具体的问题域，选择合理的方法来表达和运用特殊的知识，而不强调与问题的特殊性无关的普适性推理和搜索策略。

法律专家系统在法规和判例的辅助检索方面确实发挥了重要作用，解放了律师一部分脑力劳动。但绝大多数专家系统只能做法律数据的检索工作，缺乏应有的推理功能。20世纪90年代以后，人工智能法律系统进入了以知识工程为主要技术手段的开发时期。知识工程是指以知识为处理对象，以能在机上表达和运用知识的技术为主要手段，研究知识型系统的设计、构造和维护的一门更加高级的人工智能技术。（注：《大百科全书·自动控制与系统工程》，中国大百科全书出版社1991年版，第579页。）知识工程概念的提出，改变了以往人们认为几个推理定律再加上强大的计算机就会产生专家功能的信念。以知识工程为技术手段的法律系统研制，如果能在法律知识的获得、表达和应用等方面获得突破，将会使人工智能法律系统的研制产生一个质的飞跃。

人工智能法律系统的源于两种动力。其一是法律实践自身的要求。随着社会生活和法律关系的复杂化，法律实践需要新的思维工具，否则，法律家（律师、检察官和法官）将无法承受法律日积月累和法律案件不断增多的重负。其二是人工智能发展的需要。人工智能以模拟人的全部思维活动为目标，但又必须以具体思维活动一城一池的攻克为过程。它需要通过对不同思维领域的征服，来证明知识的每个领域都可以精确描述并制造出类似人类智能的机器。此外，人工智能选择法律领域寻求突破，还有下述原因：(1)尽管法律推理十分复杂，但它有相对稳定的对象（案件）、相对明确的前提（法律规则、法律事实）及严格的程序规则，且须得出确定的判决结论。这为人工智能模拟提供了极为有利的条件。(2)法律推理特别是抗辩制审判中的司法推理，以明确的规则、理性的标准、充分的辩论，为观察思维活动的轨迹提供了可以记录和回放的样本。(3)法律知识长期的积累、完备的档案，为模拟法律知识的获得、表达和应用提供了丰富、准确的资料。(4)法律活动所特有的自我意识、自我批评精神，对法律程序和假设进行检验的传统，为模拟法律推理提供了良好的反思条件。

二、人工智能法律系统的价值

人工智能法律系统的研制对法学理论和法律实践的价值和意义，可以概括为以下几点：

一是方法论启示。P.Wahlgren说：“人工智能方法的研究可以支持和深化在创造性方法上的法反思。这个信仰反映了法理学可以被视为旨在于开发法律和法律推理之方法的活动。从法理学的观点看，这种研究的最终目标是揭示方法论的潜在作用，从而有助于开展从法理学观点所提出的解决方法的讨论，而不仅仅是探讨与计算机科学和人工智能有关的非常细致的技术方面。”（注：P.Wahlgren，Automationof Legal Reasoning:A Study on Artificial Intelligence and Law，Computer Law Series 11.Kluwer Law and Taxation Publishers.Deventer Boston 1992.Chapter 7.）在模拟法律推理的过程中，法学家通过与工人智能专家的密切合作，可以从其对法律推理的独特理解中获得有关方法论方面的启示。例如，由于很少有两个案件完全相似，在判例法实践中，总有某些不相似的方面需要法律家运用假设来分析已有判例与现实案件的相关性程度。但法学家们在假设的性质问题上常常莫衷一是。然而HYPO的设计者，在无真实判例或真实判例不能充分解释现实案件的情况下，以假设的反例来反驳对方的观点，用补充、删减和改变事实的机械论方法来生成假设。这种用人工智能方法来处理假设的办法，就使复杂问题变得十分简单：假设实际上是一个新的论证产生于一个经过修正的老的论证的过程。总之，人工智能方法可以帮助法学家跳出法理学方法的思维定势，用其他学科的方法来重新审视法学问题，从而为法律问题的解决提供了新的途径。

二是提供了思想实验手段。西蒙认为，尽管我们还不知道思维在头脑中是怎样由生理作用完成的，“但我们知道这些处理在数字机中是由电子作用完成的。给计算机编程序使之思维，已经证明有可能为思维提供机械论解释”。（注：转引自童天湘：《人工智能与第N代计算机》，载《》1985年第5期。）童天湘先生认为：“通过编制有关思维活动的程序，就会加深对思维活动具体细节的了解，并将这种程序送进计算机运行，检验其正确性。这是一种思想实验，有助于我们研究人脑思维的机理。”（注：转引自童天湘：《人工智能与第N代计算机》，载《哲学研究》1985年第5期。）人工智能系统研究的直接目标是使计算机能够获取、表达和法律知识，软件工程师为模拟法律推理而编制程序，必须先对人的推理过程作出基于人工智能和的独特解释。人工智能以功能模拟开路，在未搞清法律家的推理结构之前，首先从功能上对法律证成、法律检索、法律解释、法律适用等法律推理的要素和活动进行数理，将法、诉讼法学关于法律推理的研究成果模型化，以实现法律推理知识的机器表达或再现，从而为认识法律推理的过程和提供了一种实验手段。法学家则可以将人工智能法律系统的推理过程、方法和结论与人类法律推理活动相对照，为法律推理的法理学研究所借鉴。因此，用人工智能方法模拟法律推理，深化了人们对法律推理性质、要素和过程的认识，使法学家得以借助人工智能的敏锐透镜去考察法律推理的微观机制。正是在这个意义上，Bryan Niblett教授说：“一个成功的专家系统很可能比其他的途径对法理学作出更多的（理论）贡献。”（注：Bryan Niblett，ExpertSystems for Lawyers，Computers and Law，No.29，August 1981.note14，p.3.）

三是辅助司法审判。按照格雷的观点，法律专家系统首先在英美判例法国家出现的直接原因在于，浩如烟海的判例案卷如果没有计算机编纂、分类、查询，这种法律制度简直就无法运转了。（注：Pamela N.Gray Brookfield，Artificial Legal Intelligence，VT:DartmouthPublishing Co.，1997.p.402.）其实不仅是判例法，制定法制度下的律师和法官往往也要为检索有关的法律、法规和司法解释耗费大量的精力和时间，而且由于人脑的知识和记忆能力有限，还存在着检索不全面、记忆不准确的。人工智能法律系统强大的记忆和检索功能，可以弥补人类智能的某些局限性，帮助律师和法官从事相对简单的法律检索工作，从而极大地解放律师和法官的脑力劳动，使其能够集中精力从事更加复杂的法律推理活动。

四是促进司法公正。司法推理虽有统一的法律标准，但法官是具有主观能动性的差异个体，所以在执行统一标准时会产生一些差异的结果。司法解释所具有的建构性、辩证性和创造性的特点，进一步加剧了这种差异。如果换了钢铁之躯的机器，这种由主观原因所造成的差异性就有可能加以避免。这当然不是说让计算机完全取代法官，而是说，由于人工智能法律系统为司法审判提供了相对统一的推理标准和评价标准，从而可以辅助法官取得具有一贯性的判决。无论如何，我们必须承认，钢铁之躯的机器没有物质欲望和感情生活，可以比人更少地受到外界因素的干扰。正像计算机录取增强了高考招生的公正性、电子监视器提高了纠正行车违章的公正性一样，智能法律系统在庭审中的运用有可能减少某些徇私舞弊现象。

五是辅助法律和培训。人工智能法律系统凝聚了法律家的专门知识和法官群体的审判经验，如果通过软件系统或计算机实现专家经验和知识的共享，便可在法律教育和培训中发挥多方面的作用。例如，(1)在法学院教学中发挥模拟法庭的作用，可以帮助法律专业学生巩固自己所学知识，并将法律知识应用于模拟的审判实践，从而较快地提高解决法律实践问题的能力。(2)帮助新律师和新法官全面掌握法律知识，迅速获得判案经验，在审判过程的跟踪检测和判决结论的动态校正中增长知识和才干，较快地接近或达到专家水平。(3)可使不同地区、不同层次的律师和法官及时获得有关法律问题的咨询建议，弥补因知识结构差异和判案经验多寡而可能出现的失误。(4)可以为大众提供及时的法律咨询，提高广大人民群众的法律素质，增强法律意识。

六是辅助立法活动。人工智能系统不仅对辅助司法审判有重要的意义，而且对完善立法也具有实用价值。（注：Edwina L.Rissland，Artificial Intelligence and Law:Stepping Stones to a Modelof Legal Reasoning， Yale Law Journal.(Vol.99:1957-1981).）例如，伦敦大学Imperial学院的逻辑程序组将1981年英国国籍法的形式化，帮助立法者发现了该法在预见性上存在的一些缺陷和法律漏洞。（注：Edwina L.Rissland，Artificial Intelligence and Law:Stepping Stones to a Model of Legal Reasoning，The Yale LawJournal.(Vol.99:1957-1981).）立法辅助系统如能于法律起草和法律草案的审议过程，有可能事先发现一些立法漏洞，避免一个法律内部各种规则之间以及新法律与现有法律制度之间的相互冲突。

三、法在人工智能法律系统中的作用

1.人工智能法律系统的法理学思想来源

关于人工智能法律系统之法理学思想来源的追踪，不是对法理学与人工智能的联系作面面俱到的考察，而旨在揭示法理学对人工智能法律系统的所产生的一些直接。

第一，法律形式主义为人工智能法律系统的产生奠定了基础。18-19世纪的法律形式主义强调法律推理的形式方面，认为将法律化成简单的几何公式是完全可能的。这种以J·奥斯汀为代表的英国法学的传统，主张“法律推理应该依据客观事实、明确的规则以及逻辑去解决一切为法律所要求的具体行为。假如法律能如此运作，那么无论谁作裁决，法律推理都会导向同样的裁决。”（注：（美）史蒂文·J·伯顿著：《法律和法律推理导论》，张志铭、解兴权译，政法大学出版社1998年9月版，第3页。）换言之，机器只要遵守法律推理的逻辑，也可以得出和法官一样的判决结果。在分析法学家看来，“所谓‘法治’就是要求结论必须是大前提与小前提逻辑必然结果。”（注：朱景文主编：《对西律传统的挑战》，中国检察出版社1996年2月版，第292页。）如果法官违反三段论推理的逻辑，就会破坏法治。这种机械论的法律推理观，反映了分析法学要求法官不以个人价值观干扰法律推理活动的主张。但是，它同时具有忽视法官主观能动性和法律推理灵活性的僵化的缺陷。所以，自由法学家比埃利希将法律形式主义的逻辑推理说称为“自动售货机”理论。然而，从人工智能就是为思维提供机械论解释的意义上说，法律形式主义对法律推理所作的机械论解释，恰恰为人工智能法律系统的开发提供了可能的前提。从人工智能法律系统研制的实际过程来看，在其起步阶段，人工智能专家正是根据法律形式主义所提供的理论前提，首先选择三段论演绎推理进行模拟，由Walter G.Popp和Bernhard Schlink在20世纪70年代初开发了JUDITH律师推理系统。在这个系统中，作为推理大小前提的法律和事实之间的逻辑关系，被机以“如果A和B，那么C”的方式加以描述，使机器法律推理第一次从理论变为现实。

第二，法律现实主义推动智能模拟深入到主体的思维结构领域。法律形式主义忽视了推理主体的性。法官是生活在现实社会中的人，其所从事的法律活动不可能不受到其社会体验和思维结构的影响。法官在实际的审判实践中，并不是机械地遵循规则，特别是在遇到复杂案件时，往往需要作出某种价值选择。而一旦面对价值，法律形式主义的逻辑决定论便立刻陷入困境，显出其僵化性的致命弱点。法律现实主义对其僵化性进行了深刻的批判。霍姆斯法官明确提出“法律的生命并不在于逻辑而在于经验”（注：（美）博登海默著：《法理学——法及其方法》，邓正来、姬敬武译，华夏出版社1987年12月版，第478页。）的格言。这里所谓逻辑，就是指法律形式主义的三段论演绎逻辑；所谓经验，则包括一定的道德和理论、公共政策及直觉知识，甚至法官的偏见。法律现实主义对法官主观能动性和法律推理灵活性的强调，促使人工智能研究从模拟法律推理的外在逻辑形式进一步转向探求法官的内在思维结构。人们开始考虑，如果思维结构对法官的推理活动具有定向作用，那么，人工智能法律系统若要达到法官水平，就应该通过建立思维结构模型来设计机器的运行结构。TAXMAN的设计就借鉴了这一思想，法律知识被计算机结构语言以语义的方式组成不同的规则系统，解释程序、协调程序、说明程序分别对网络结构中的输入和输出信息进行动态结构调整，从而适应了知识整合的需要。大规模知识系统的KBS(Knowledge Based System)开发也注意了思维结构的整合作用，许多具有内在联系的小规模KBS子系统，在分别模拟法律推理要素功能（证成、法律查询、法律解释、法律适用、法律评价、理由阐述）的基础上，又通过联想程序被有机联系起来，构成了具有法律推理整体功能的概念模型。（注：P.Wahlgren，Automation of Legal Reasoning:A Study onArtificial Intelligence and Law，Computer Law Series 11.KluwerLaw and Taxation Publishers.Deventer Boston 1992.Chapter 7.）

第三，“开放结构”的概念打开了疑难案件法律推理模拟的思路。法律形式主义忽视了疑难案件的存在。疑难案件的特征表现为法律规则和案件之间不存在单一的逻辑对应关系。有时候从一个法律规则可以推出几种不同的结论，它们往往没有明显的对错之分；有时一个案件面对着几个相似的法律规则。在这些情况下，形式主义推理说都一筹莫展。但是，法律现实主义在批判法律形式主义时又走向另一个极端，它否认具有普遍性的一般法律规则的存在，试图用“行动中的法律”完全代替法学“本本中的法律”。这种矫枉过正的做法虽然是使法律推理摆脱机械论束缚所走出的必要一步，然而，法律如果真像现实主义法学所说的那样仅仅存在于具体判决之中，法律推理如果可以不遵循任何标准或因人而异，那么，受到挑战的就不仅是法律形式主义，而且还会殃及法治要求实现规则统治之根本原则，并动摇人工智能法律系统存在的基础。哈特在法律形式主义和法律现实主义的争论中采取了一种折中立场，他既承认逻辑的局限性又强调其重要性；既拒斥法官完全按自己的预感来随意判案的见解，又承认直觉的存在。这种折中立场在哈特“开放结构”的法律概念中得到了充分体现。法律概念既有“意义核心”又有“开放结构”，逻辑推理可以帮助法官发现的阳面，而根据政策、价值和后果对规则进行解释则有助于发现问题的阴面。开放结构的法律概念，使基于规则的法律推理模拟在受到概念封闭性的限制而对疑难案件无能为力时，找到了新的立足点。在此基础上，运用开放结构概念的疑难案件法律推理模型，通过逻辑程序工具和联想技术而建立起来。Gardner博士就疑难案件提出两种解决策略：一是将简易问题从疑难问题中筛选出来，运用基于规则的技术来解决；二是将疑难问题同“开放结构”的法律概念联系在一起，先用非范例知识如规则、控辩双方的陈述、常识来获得初步答案，再运用范例来澄清案件、检查答案的正确性。

第四，目的法学促进了价值推理的人工智能。目的法学是指一种所谓直接实现目的之“后法治”理想。美国法学家诺内特和塞尔兹尼克把法律分为三种类型。他们认为，以法治为标志的自治型法，过分强调手段或程序的正当性，有把手段当作目的的倾向。这说明法治社会并没有反映人类关于美好社会的最高理想，因为实质正义不是经过人们直接追求而实现的，而是通过追求形式正义而间接获得的。因此他们提出以回应型法取代自治型法的主张。在回应型法中，“目的为评判既定的做法设立了标准，从而也就开辟了变化的途径。同时，如果认真地对待目的，它们就能控制行政自由裁量权，从而减轻制度屈从的危险。反之，缺少目的既是僵硬的根源，又是机会主义的根源。”（注：（美）诺内特、塞尔兹尼克著：《转变中的法律与社会》，张志铭译，政法大学出版社1994年版，第60页。）美国批判法学家昂格尔对形式主义法律推理和目的型法律推理的特点进行了比较，他认为，前者要求使用明确、固定的规则，无视社会现实生活中不同价值观念的冲突，不能适应复杂情况和变化，追求形式正义；后者则要求放松对法律推理标准的严格限制，允许使用无固定内容的抽象标准，迫使人们在不同的价值观念之间做出选择，追求实质正义。与此相应，佩雷尔曼提出了新修辞学(New Rhetoric)的法律。他认为，形式逻辑只是根据演绎法或归纳法对问题加以说明或论证的技术，属于手段的逻辑；新修辞学要填补形式逻辑的不足，是关于目的的辩证逻辑，可以帮助法官论证其决定和选择，因而是进行价值判断的逻辑。他认为，在司法三段论思想支配下，法学的任务是将全部法律系统化并作为阐释法律的大前提，“明确性、一致性和完备性”就成为对法律的三个要求。而新修辞学的基本思想是价值判断的多元论，法官必须在某种价值判断的指示下履行义务，必须考虑哪些价值是“合理的、可接受的、社会上有效的公平的”。这些价值构成了判决的正当理由。（注：沈宗灵著：《西》，北京大学出版社1992年版，第443-446页。）制造人工智能法律系统最终需要解决价值推理的模拟问题，否则，就难以实现为判决提供正当理由的要求。为此，P.Wahlgren提出的与人工智能相关的5种知识表达途径中，明确地包括了以道义为基础的法律推理模型。（注：P.Wahlgren，Automation of Legal Reasoning:A Study on ArtificialIntelligence and Law，Computer Law Series 11.Kluwer Law andTaxation Publishers.Deventer Boston 1992.Chapter 7.）引入道义逻辑，或者说在机器中采用基于某种道义逻辑的推理程序，强调目的价值，也许是制造智能法律系统的关键。不过，即使把道义逻辑硬塞给机，钢铁之躯的机器没有生理需要，也很难产生价值观念和主观体验，没办法解决主观选择的问题。在这个问题上，波斯纳曾以法律家有七情六欲为由对法律家对法律的机械忠诚表示了强烈怀疑，并辩证地将其视为法律的动力之一。只有人才能够平衡相互冲突的利益，能够发现对人类生存和发展至关重要的价值。因此，关于价值推理的人工智能模拟究竟能取得什么成果，恐怕还是个未知数。

2.法对人工智能系统研制的指导作用

Gold and Susskind指出：“不争的事实是，所有的专家系统必须适应一些法理学理论，因为一切法律专家系统都需要提出关于法律和法律推理性质的假设。从更严格的意义上说，一切专家系统都必须体现一种结构理论和法律的个性，一种法律规范理论，一种描述法律的理论，一种法律推理理论”。（注：Gold and Susskind，ExpertSystems in Law:A Jurisprudential and Formal SpecificationApproach，pp.307-309.）人工智能法律系统的，不仅需要以法理学关于法律的一般理论为知识基础，还需要从法理学获得关于法律推理的完整理论，如法律推理实践和理论的，法律推理的标准、主体、过程、等等。人工智能对法律推理的模拟，主要是对法理学关于法律推理的知识进行人工智能方法的描述，建立数学模型并编制机程序，从而在智能机器上再现人类法律推理功能的过程。在这个过程中，人工智能专家的主要任务是研究如何吸收法理学关于法律推理的研究成果，包括法理学关于人工智能法律系统的研究成果。

随着人工智能法律系统研究从低级向高级目标的推进，人们越来越意识到，对法律推理的微观机制认识不足已成为人工智能模拟的严重障碍。P.Wahlgren指出，“许多人工智能技术在法律领域的开发项目之所以失败，就是因为许多潜在的法理学原则没有在系统开发的开始阶段被遵守或给予有效的注意。”“法理学对法律推理和方法论的关注已经有几百年，而人工智能的诞生只是本世纪50年代中期的事情，这个事实是人工智能通过考察法理学知识来丰富自己的一个有效动机。”（注：P.Wahlgren，Automation of Legal Reasoning:A Study onArtificial Intelligence and Law，Computer Law Series 11.KluwerLaw and Taxation Publishers.Deventer Boston 1992.Chapter 7.）因此，研究法律推理自动化的目标，“一方面是用人工智能（通过把计算机的应用与模型相结合）来支撑法律推理的可能性；另一方面是应用法理学理论来解决作为法律推理支撑系统的以及一般的人工智能问题。”（注：P.Wahlgren，Automation of Legal Reasoning:A Studyon Artificial Intelligence and Law，Computer Law Series 11.Kluwer Law and Taxation Publishers.Deventer Boston 1992.Chapter 7.）在前一方面，是人工智能法律系统充当法律推理研究的思想实验手段以及辅助司法审判的问题。后一方面，则是法律推理的法律学研究成果直接为人工智能法律系统的研制所应用的问题。例如，20世纪70年代法理学在真实和假设案例的推理和分析方面所取得的成果，已为几种人工智能法律装置借鉴而成为其设计工作的理论基础。在运用模糊或开放结构概念的法律推理研究方面，以及在法庭辩论和法律解释的形式化等问题上，法理学的研究成果也已为人工智能法律系统的研究所借鉴。

四、人工智能法律系统研究的难点

人工智能法律系统的研究尽管在很短的时间内取得了许多令人振奋的成果，但它的发展也面临着许多困难。这些困难构成了研究工作需要进一步努力奋斗的目标。

第一，关于法律解释的模拟。在法理学的诸多研究成果中，法律解释的研究对人工智能法律系统的研制起着关键作用。法律知识表达的核心问题是法律解释。法律规范在一个法律论点上的效力，是由法律家按忠实原意和适合当时案件的原则通过法律解释予以确认的，其中包含着人类特有的价值和目的考虑，反映了法律家的知识表达具有主观能动性。所以，德沃金将解释过程看作是一种结合了法律知识、信息和思维方法而形成的，能够应变的思维策略。（注：Dworkin，Taking RightsSeriously，Harvard University Press Cambridge，Massachusetts1977.p.75.）的法律专家系统并未以知识表达为目的来解释法律，而是将法律整齐地“码放”在计算机记忆系统中仅供一般检索之用。然而，在法律知识工程系统中，法律知识必须被解释，以满足自动推理对法律知识进行重新建构的需要。麦卡锡说：“在开发智能信息系统的过程中，最关键的任务既不是文件的重建也不是专家意见的重建，而是建立有关法律领域的概念模型。”（注：McCarty，Intelligent legalinformation systems:problems and prospects，op.cit.supra，note25，p.126.）建立法律概念模型必须以法律家对某一法律概念的共识为基础，但不同的法律家对同一法律概念往往有不同的解释策略。凯尔森甚至说：即使在国内法领域也难以形成一个“能够用来叙述一定法律共同体的实在法的基本概念”。（注：（奥）凯尔森著：《法与国家的一般理论》，沈宗灵译，大百科全书出版社1996年版，第1页。）尽管如此，法理学还是为法律概念模型的重建提供了一些方法。例如，德沃金认为，法官在“解释”阶段，要通过推理论证，为自己在“前解释”阶段所确定的大多数法官对模糊法律规范的“一致看法”提供“一些总的理由”。获取这些总的理由的过程分为两个步骤：首先，从现存的明确法律制度中抽象出一般的法律原则，用自我建立的一般法律理论来证明这种法律原则是其中的一部分，证明现存的明确法律制度是正当的。其次，再以法律原则为依据反向推出具体的法律结论，即用一般法律理论来证明某一法律原则存在的合理性，再用该法律原则来解释某一法律概念。TAXMAN等系统装置已吸收了这种方法，法律知识被计算机结构语言以语义的方式组成不同的规则系统，解释程序使计算机根据案件事实来执行某条法律规则，并在新案件事实输入时对法律规则作出新的解释后才加以调用。不过，法律知识表达的进展还依赖于法律解释研究取得更多的突破。

第二，关于启发式程序。的专家系统如果不能与启发式程序接口，不能运用判断性知识进行推理，只通过规则反馈来提供简单解释，就谈不上真正的智能性。启发式程序要解决智能机器如何模拟法律家推理的直觉性、经验性以及推理结果的不确定性等，即人可以有效地处理错误的或不完全的数据，在必要时作出猜测和假设，从而使问题的解决具有灵活性。在这方面，Gardner的混合推理模型，Edwina L.Rissland运用联想程序对规则和判例推理的结果作集合处理的思路，以及Massachusetts大学研制的CABARET（基于判例的推理工具），在将启发式程序于系统开发方面都进行了有益的尝试。但是，法律问题往往没有唯一正确的答案，这是人工智能模拟法律推理的一个难题。选择哪一个答案，往往取决于法律推理的目的标准和推理主体的立场和价值观念。但智能机器没有自己的目的、利益和立场。这似乎从某种程度上划定了机器法律推理所能解决问题的范围。

第三，关于法律语言理解。在设计基于规则的程序时，设计者必须假定整套规则没有意义不明和冲突，程序必须消灭这些问题而使规则呈现出更多的一致性。就是说，尽管人们对法律概念的含义可以争论不休，但输入机器的法律语言却不能互相矛盾。机器语言具有很大的局限性，例如，LDS基于规则来模拟严格责任并实际损害时，表现出的最大弱点就是不能使用不精确的自然语言进行推理。然而，在实际的法律推理过程中，法律家对某个问题的任何一种回答都可根据上下文关系作多种解释，而且辩论双方总是寻求得出不同的结论。因此，智能法律专家系统的成功在很大程度上还依赖于自然语言理解工作的突破。牛津大学的一个程序组正在研究法律自然语言的理解问题，但是遇到了重重困难。原因是连法学家们自己目前也还没有建立起一套大家一致同意的专业术语规范。所以Edwina L.Rissland认为，常识知识、意图和信仰类知识的模拟化，以及自然语言理解的模拟问题，迄今为止可能是人工智能面临的最困难的任务。对于语言模拟来说，像交际短语和短语概括的有限能力可能会在较窄的语境条件下取得成果，完全的功能模拟、一般“解决问题”能力的模拟则距离非常遥远，而像书面上诉意见的理解则是永远的终极幻想。（注：Edwina L.Rissland，ArtificialIntelligence and Law:Stepping Stones to a Model of LegalReasoning， Yale Law Journal.(Vol.99:1957-1981).）

五、人工智能法律系统的开发策略和应用前景

我们能够制造出一台什么样的机器，可以证明它是人工智能法律系统？从检验标准上看，这主要是法律知识在机器中再现的判定问题。根据“图灵试验”原理，我们可将该检验标准概括如下：设两间隔开的屋子，一间坐着一位法律家，另一间“坐着”一台智能机器。一个人（也是法律家）向法律家和机器提出同样的法律问题，如果提问者不能从二者的回答中区分出谁是法律家、谁是机器，就不能怀疑机器具有法律知识表达的能力。

依“图灵试验”制定的智能法律系统检验标准，所看重的是功能。只要机器和法律家解决同样法律问题时所表现出来的功能相同，就不再苛求哪个是钢铁结构、哪个是血肉之躯。人工智能立足的基础，就是相同的功能可以通过不同的结构来实现之功能模拟。

从功能模拟的观点来确定人工智能法律系统的研究与开发策略，可作以下考虑：

第一，扩大人工智能法律系统的研发主体。现有人工法律系统的幼稚，暴露了仅仅依靠计算机和知识工程专家从事系统研发工作的局限性。因此，应该确立以法律家、逻辑学家和计算机专家三结合的研发群体。在系统研发初期，可组成由法学家、逻辑与认知专家、计算机和知识工程专家为主体的课题组，制定系统研发的整体战略和分阶段实施的研发规划。在系统研发中期，应通过等手段充分吸收初级产品用户（律师、检察官、法官）的意见，使研发工作在理论研究与实际应用之间形成反馈，将开发精英与广大用户的智慧结合起来，互相启发、群策群力，推动系统迅速升级。

第二，确定与相结合、以应用为主导的研发策略。国外人工智能系统的研究大多停留在实验室领域，还没有在司法实践中加以应用。但是，任何智能系统包括相对简单的软件系统，如果不经过用户的长期使用和反馈，是永远也不可能走向成熟的。从我国的实际情况看，如果不能将初期研究成果尽快地转化为产品，我们也难以为后续研究工作提供雄厚的资金支持。因此，人工智能法律系统的研究必须走产研结合的道路，坚持以应用开路，使智能法律系统尽快走出实验室，同时以研究为先导，促进不断更新升级。

第三，系统研发目标与初级产品功能定位。人工智能法律系统的研发目标是制造出能够满足多用户（律师、检察官、法官、立法者、法学家）多种需要的机型。初级产品的定位应考虑到，人的推理功能特别是价值推理的功能远远超过机器，但人的记忆功能、检索速度和准确性又远不如机器。同时还应该考虑到，我国目前有12万律师，23万检察官和21万法官，每年1.2万法学院本科毕业生，他们对法律知识的获取、表达和应用能力参差不齐。因此，初级产品的标准可适当降低，先研制推理功能薄弱、检索功能强大的法律专家系统。可与机厂商合作生产具有强大数据库功能的硬件，并确保最新法律、法规、司法解释和判例的网上及时更新；同时编制以案件为引导的高速检索软件。系统开发的先期目标应确定为：(1)替律师起草仅供的起诉书和辩护词；(2)替法官起草仅供参考的判决书；(3)为法学院学生提供模拟法庭审判的通用系统软件，以辅助学生在起诉、辩护和审判等诉讼的不同阶段巩固所学知识、获得审判经验。上述软件旨在提供一个初级平台，先解决有无和急需，再不断收集用户反馈意见，逐步改进完善。

第四，实验室研发应确定较高的起点或跟踪战略。国外以知识工程为主要技术手段的人工智能法律系统开发已经历了如下阶段：(1)主要适用于简单案件的规则推理；(2)运用开放结构概念的推理；(3)运用判例和假设的推理；(4)运用规则和判例的混合推理。我们如确定以简单案件的规则推理为初级市场产品，那么，实验室中第二代产品开发就应瞄准运用开放结构概念的推理。同时，跟踪运用假设的推理及混合推理，吸收国外先进的KBS和HYPO的设计思想，将功能子系统开发与联想式控制系统结合。HYPO判例法推理智能装置具有如下功能：(1)评价相关判例；(2)判定何方使用判例更加贴切；(3)并区分判例；(4)建立假设并用假设来推理；(5)为一种主张引用各种类型的反例；(6)建立判例的引证概要。HYPO以商业秘密法的判例推理为模拟对象，假设了完全自动化的法律推理过程中全部要素被建立起来的途径。值得注意的是，HYPO忽略了许多要素的存在，如商业秘密法背后的政策考虑，法律概念应用于实际情况时固有的模糊性，信息是否已被公开，被告是否使用了对方设计的产品，是否签署了让与协议，等等。一个系统设计的要素列表无论多长，好律师也总能再多想出一些。同样，律师对案件的分析，不可能仅限于商业秘密法判例，还可能援引侵权法或专利法的判例，这决定了起诉缘由的多种可能性。Ashley还讨论了判例法推理模拟的其他困难：判例并不是概念的肯定的或否定的样本，因此，要通过要素等简单的法律术语使模糊的法律规则得到澄清十分困难，法律原则和类推推理之间的关系还不能以令人满意的方式加以描述。（注：Edwina L.Rissland，Artificial Intelligence and Law:Stepping Stones toa Model of Legal Reasoning， Yale Law Journal.(Vol.99:1957-1981).）这说明，即使具有较高起点的实验室基础研究，也不宜确定过高的目标。因为，智能法律系统的研究不能脱离人工智能的整体发展水平。

第五，人－机系统解决方案。人和机器在解决法律时各有所长。人的优点是能作价值推理，使法律问题的解决适应的变化发展，从而具有灵活性。机器的长处是记忆和检索功能强，可以使法律问题的解决具有一贯性。人－机系统解决方案立足于人与机器的功能互补，目的是解放人的脑力劳动，服务于国家的法治建设。该方案的实施可以分为两个阶段：第一阶段以人为主，机器为人收集信息并作初步分析，提供决策参考。律师受理案件后，可以先用机器处理大批数据，并参考机器的起诉和辩护方案，再做更加高级的推证工作。法官接触一个新案件，或新法官刚接触审判工作，也可以先看看“机器法官”的判决建议或者审判思路，作为参考。法院的监督部门可参照机器法官的判决，对法官的审判活动进行某种监督，如二者的判决结果差别太大，可以审查一下法官的判决理由。这也许可以在一定程度上制约司法腐败。在人－机系统开发的第二阶段，会有越来越多的简单案件的判决与电脑推理结果完全相同，因此，某些简单案件可以机器为主进行审判，例如，美国小额法庭的一些案件，我国法庭可用简易程序来审理的一些案件。法官可以作为“产品检验员”监督和修订机器的判决结果。这样，法官的判案效率将大大提高，法官队伍也可借此“消肿”，有可能大幅度提高法官薪水，吸引高素质法律人才进入法官队伍。

人工智能法律论文范文第2篇

关键词:人工智能;作品;标识

一、人工智能美术作品

如同这幅《爱德蒙贝拉米的肖像》画作，人工智能美术作品是指在一定规则下的算法程序或软件，通过一定外在计算机载体对外进行的表达，所产生的人工智能美术创作物。而对于传统美术作品，在现有的法律体系下受知识产权保护，其权利主体是作者，所保护的客体不仅是画作这个客观物体，更是基于人类思想上的外在表达模式，故而知识产权所保护的不仅仅是财产性权利，更多的偏向于对精神思想的保护。而对于人工智能所创作的美术作品，则是基于人工智能软件或程序在模拟人脑过程中，外在的机械化操作。我们无法将这一过程定义为思想的表达。故而人工智能美术作品无法受到现有的知识产权进行保护，那么此时就有学者对此提出了民法理论下的另一观点，认为人工智能美术作品依据人工智能算法及机器的性质而产生的一种知识财产收益;该类作品的产生具有连续性，这一自然属性符合现有民法理论下的“孳息”。而民法中对于孳息的保护依然是基于物的范畴。

二、必要性标识制度

根据以上阐述可以看出人工智能美术作品已经达到高度模拟传统美术作品，但其权属上却无法受现有的知识产权体系予以保护，在人工智能美术作品的价值无法估量的情况下，普通消费者无法准确在二者之间进行选择，就会导致二者之间的差异性逐渐缩小，最终使得二者予以混淆，这不仅会造成传统美术作品的市场紊乱，同时也会阻碍产生该美术作品的人工智能技术的发展。所以面对目前人工智能美术作品所带来的问题，首要解决的是将二者进行有效的划分。在此基础上笔者提出构建必要性标识制度。同时为达到合理监管人工智能美术作品的产生。对于必要性标识制度应当实行一定的申请制，因为人工智能美术作品暂时无法受到除民法“物”以外更多的特殊保护，所以要想获得更多的法律权益，应当主动进行申请，在申请经过初步的合法性、信息完整性以及初步价值估量的审核后对其予以登记归档，获得特殊的认证标识，基于此该标识制度具有一定的强制性，因为若想获得来自人工智能创作物的更多非物效益，必须强制性申请该标识，反之无特定保护。

三、必要性标识制度特点

基于对必要性标识制度的阐述，则该制度应当具有以下几个特点;首先，显著性。作为区分人工智能美术作品和传统美术作品的重要标识，该标识一定要显著地展现在画作上，使得浏览者在初识作品是就能第一时间分辨出该作品来源于人工智能创作，那么基于传统审美标准以及类比现有的市场商品包装标识，应当使得该标识制度处于画作的右下方，所占面积不得低于该画作的百分之三。其次，差异性。因为人工智能美术作品不同于普通批量商品，在人工智能模拟人脑的过程中所产生的美术作品虽不具有思想性，但其本质作品间存在差异，无法做到完全相同，所以该标识制度也不能仅仅是一个简单的图案统一所有的人工智能作品。应当每一幅人工智能美术作品的标识都有一定的差异。最后，信息性。由于人工智能的美术作品不具有权属清晰的权利主体，无法区别“作者”，故而对于该人工智能的来源将会被转化为特定软件计算法，该标识制度应当将此进行展示。避免该人工智能美术作品在流通过程中产生权属纠纷。

四、小结

社会发展是推动法律更迭的主要动力，现行的法律无法合理顺应人工智能技术的迅猛发展。相应的制度应当及时完善，建立人工智能美术作品的必要性标识制度可以避免现有的知识产权体系被人工智能所打乱，合理的法律制度不仅能保护现有的法律体系，更能促进人工智能艺术市场的蓬勃发展。

［参考文献］

［1］吴汉东．人工智能时代的制度安排与法律规制［J］．法律科学(西北政法大学学报)，2017，35(05):128－136．

［2］孙山．人工智能生成内容的作品属性证成［J］．上海政法学院学报(法治论丛)，2018，33(05):84－94．

人工智能法律论文范文第3篇

关键词:结构模拟;功能模拟;行为模拟;机制主义方法;人工智能统一理论

1人工智能成为信息科学技术的焦点

信息是事物存在方式和运动状态的表象;知识是由信息提炼出来的产物,是事物存在方式和运动规律的本质表征;智能是知识和目的演绎的结果,是运用知识来认识问题和解决问题的能力。信息科学技术的研究目标不仅是为了认识和利用信息本身,更重要的是为了“利用信息、提炼知识、生成智能、解决问题”。后者,就是“人工智能”的研究。

人,是地球上所存在的最高级信息系统。人体信息系统的进化表现了一个重要的科学规律:在感觉器官、神经系统、古皮层旧皮层、行动器官成熟之后,新皮层就成为整体发展的焦点。信息技术的发展也遵循同样的规律:在传感(感觉器官功能的扩展)、通信(传导神经系统功能的扩展)、计算(古皮层旧皮层功能的扩展)、控制(行动器官功能的扩展)充分发展起来之后,人工智能(新皮层功能的扩展)就成为信息技术整体发展的焦点。

进入21世纪,传感、通信、计算、控制以及基于通信和计算的互联网都获得了长足的发展,智能传感、智能通信、智能计算、智能控制、智能信息处理、智能机器人、智能信息安全、智能游戏等已经成为备受关注的方向,因而它们的共同基础――人工智能本身的发展客观上就成为了当代信息技术发展的焦点。

2人工智能研究现状简述

迄今,人工智能的研究形成了3种主流学说。

1) 1943年以来形成的模拟人脑结构的“结构模拟学说”[1-5],它的典型代表是人工神经网络(后来与模糊逻辑及进化计算相结合,称为计算智能)。它的特点是:通过对“信息样本的训练”获得经验知识和策略,用以解决形象思维一类智能问题。

2) 1956年以来兴起的模拟人脑逻辑思维功能的“功能模拟学说”[6-10],典型代表是符号逻辑系统(如专家系统)。它的特点是:通过获取领域相关的规范知识和运用逻辑演绎的方法获得求解问题的策略,求解逻辑思维一类智能问题。

3) 1990年前后发展起来的模拟智能系统行为的“行为模拟学说”[11],它的典型代表是黑箱系统(如感知―动作系统)。它的特点是:需要建立刺激与响应之间的关系(表现为常识知识),于是只要识别了刺激的类型,与之相关的响应就可以自动产生。

目前的人工智能研究还存在许多问题。主要问题之一是,在“三种学说”各自取得进展的同时,却很少互相沟通。不仅如此,互相之间还存有“孰优孰劣”的争论,有时争论还非常尖锐和激烈[12],表现出三者之间的不和谐,形成“鼎足三分”的格局。

这种“鼎足三分互不沟通”的状况,不能不使人们深思,并且逐渐醒悟:看来,现有人工智能的各种研究方法还没有真正抓住智能问题的本质,致使“三分”状态未能实现“归一”;为此,当务之急就是要加紧研究和发现更加深刻更加科学的研究方法。

3人工智能理论研究的新进展

3.1新进展之一:人工智能的第4方法――机制主义方法

智能是一种复杂的研究对象。智能系统的结构、功能、行为虽然都是窥探其中奥秘的重要观察窗口,却不是最根本的入口。

本文的研究发现:探索智能奥秘最具本质意义的途径,应当是探寻和阐明“智能生成的机制”,回答“智能是怎样生成的”这样根本的问题,特别要把注意力放在“智能生成的共性核心机制”的问题上。这就是人工智能研究的第4种方法的基本理念。

按照这个新的理念,我们分析了典型的智能活动过程,考察了隐藏其中的普遍规律。

 典型的智能活动过程。

无论何种场合,典型的智能活动过程一般都应当包含以下6个基本步骤:

1) 给定问题P、目标G和环境E,称为“任务给定”。

2) 获得关于问题、目标、环境的信息,称为“信息获取”,符号表示为:I(P, G, E)。

3) 把这些信息加工成为相应的知识,称为“知识提炼”,符号表示为: = f (I)。

4) 在目标的引导下把知识和信息演绎成为解决问题的策略,称为“策略生成”,符号表示为: = g (K, I, D)。

5) 把策略转换为行为,求解问题,称为“策略执行”。

6) 把求解的效果(误差)作为新的信息反馈至2),通过2)至5)的步骤调整和优化策略,称为“反馈优化”;逐次逼近,直至满意。

智能活动过程的普遍规律。

考察上述典型的智能活动过程不难发现:通常,1)是由人给定的,2)至6)则可以由机器执行;而机器执行的这些步骤之中,2)至4)――信息获取、知识提炼、策略生成是核心步骤。考虑到“策略”是智能的集中体现,所以,策略生成也可以成为智能生成。于是,这些核心步骤也可以表示为:信息获取、知识提炼、智能生成。信息获取、知识提炼、智能生成是逐层递进的过程,由此可以得出结论:智能生成的共性核心机制是“信息―知识―智能转换”。符号表示为:

 = g (, I, G)(1)

其中,

 = f (I (P, G, E)) (2)

公式(2)表示的是由信息到知识的转换;公式(1)表示的是在目标制导下由信息和知识到智能的转换;两者的综合表示了“信息―知识―智能”的转换。关于公式中的转换g和f,原则上可以认为:f 是一类由大量信息样本提炼共性知识的“归纳算法”,而g则是在目标制导下由相关知识和信息演绎智能策略的“演绎算法”。因此,它们在原则上是可以操作和可以实现的。不过,关于g和f还需要做出如下的说明:

1) 在规范的场合,转换g和f可能由“数学”表达式来严格地表示并进行运算。

2) 在更多的场合,由于智能问题的复杂性,这些转换不一定能够用现有的数学表达式来表示。这时,可能要借助“逻辑”来表达和推理。

3) 在许多更为复杂的情形,现有的逻辑学也无能为力。这时,可以用“算法程序”来表示和处理。

4) 在那些极为复杂的情形,甚至还要借助“人工”的方法来处置。

本文确信,在各种智能问题求解需求的强烈推动之下,各种新的数学方法、逻辑方法和算法程序必将陆续应运而生。正像经典微积分方法处理不了随机现象的时候就诞生了概率论等统计数学方法,经典微积分和统计数学方法处理不了模糊现象的时候就催生了模糊数学方法一样。

于是,以公式(1)和(2)表示的“信息―知识―智能转换”就是“智能生成的共性核心机制”。只要给定了具体的问题、环境约束和目标,原则上就可以通过(1)和(2)的转换来获取信息、提炼知识、生成智能(策略),使问题得到满意的解决。

3.2新进展之二:知识的生态学结构

如上所见,智能生成的共性核心机制涉及到信息、知识、智能3个层次的理论。在这三者之中,信息是现象,知识是本质,智能是能力。信息来自现实世界,能力作用于现实世界,知识则是信息与智能之间的桥梁与中介。因此,知识在“智能生成的共性核心机制”中扮演着极其重要的作用。

本文研究发现:知识并非孤立静止的对象,相反,它是一个不断动态生长着的复杂运动过程。在先天知识的支持下,在各种信息的激励下,不断生长出“欠成熟”的经验知识,其中一些经验知识会成长为“成熟”的规范知识,并进一步成长为“过成熟”的常识知识;后者的一部分又可能沉淀成为下一代的先天知识。如此不断生长,不断进化,成为一个“有始无终”的开放的生态过程。这就是“知识的生态学”,它的结构也可以由图1表示。

图1知识的生态学系统

如果把这个知识生态学系统看作是知识内部生长过程的规律,称为“知识的内生态系统”,那么,前面所讨论的“信息―知识―智能转换”则可以看作是知识的“外部”生长过程的规律,称为“知识的外生态系统”。

3.3新进展之三:人工智能的统一理论

表面上看,这里所揭示的“知识内生态系统”并没有什么新奇而不可理解或不可接受的概念。然而,正是这个“知识内生态系统”与“知识外生态系统(即智能生成的共性核心机制)”结合在一起,却产生了一个非常有意义的重要结果,这就是:依所用知识类型的不同,机制主义方法有A、B、C型之分;而神经网络(结构模拟)、专家系统(功能模拟)、感知―动作系统(行为模拟)分别是A、B、C型的机制主义方法特例,如表1所示。

表1说明:机制主义方法的实现是“信息―知识―智能转换”;当其中的知识属于经验知识的时候,机制模拟可以退化为“结构模拟”;当其中的知识属于规范知识的时候,机制模拟可以退化为“功能模拟”;当其中的知识属于常识知识的时候,机制模拟可以退化为“行为模拟”。换言之,结构模拟、功能模拟、行为模拟都是机制模拟分别在经验知识、规范知识、常识知识条件下的特例,而根据知识的内生态结构,经验知识可以成长为规范知识并进而可能成长为常识知识。因此,结构模拟、功能模拟、行为模拟之间构成了一种各司其职、相互支持和相辅相成的生态关系,而不存在先前那种“孰优孰劣”的矛盾。

这样,如果令表示机制模拟方法,和分别表示“信息―知识―智能转换”的知识和智能策略,令(S)、(F)和(B)分别表示结构模拟方法、功能模拟方法和行为模拟方法,令(E)、(R)和(C)分别表示经验知识、规范知识和常识知识,(E)、(R)和(C)表示经验性智能策略、规范性智能策略和常识性智能策略,那么,就分别有:

  (S),若 = (E)(3)

和

  (F),若 = (R) (4)

以及

  (B),若 = (C) (5)

且有

   (S)  (F)  (B) (6)

上述公式的含义和表1的含义完全等效,两者都说明:人工智能的结构模拟方法、功能模拟方法和行为模拟方法在机制模拟方法的框架内实现了和谐的统一。

4进展的学术意义

当今社会已经进入信息时代,信息化(利用信息技术促进经济与社会发展)正如火如荼地展开。但是,理论预测和实践经验都表明,信息化发展到一定程度就必须向智能化的水平提升,否则就会进入“休眠期”。因此,“智能化”正越来越强烈地成为社会各行各业共同的呼声。这便是今天发展人工智能科学技术的意义。

由于国际上迄今所建立的结构模拟、功能模拟、行为模拟3种方法各自都具有明显的局限性,在相当程度上制约了人工智能的发展。本文提出的“机制模拟方法”(即人工智能研究的第4方法)比已有的3种方法更加深刻地触及了智能生成的本质机制――“信息―知识―智能转换”,为人工智能的研究提供了更为科学的研究方法。只有方法更科学,才能使研究取得更好的进步。这是三大进展的学术意义之一。

知识生态结构理论的发现,不仅使人们理解了“知识”的生态规律,而且使人们认识到原来“鼎足三分,势不两立”的人工智能三种研究方法之间并非水火不容。恰恰相反,它们之间正是处在“知识生态结构”的不同部位,是可以通过一定的措施实现互相转化的,从而可以结束以前互不认可的局面。这是本文三大进展的学术意义之二。

基于前面两大进展,本文证明了:结构模拟方法、功能模拟方法、行为模拟方法都可以在机制模拟方法的框架内实现和谐的统一。这样,原先看似独立的“人工神经网络学说”(也称为计算智能,结构主义或者并行联接主义)、“(狭义的)人工智能学说”(也称为专家系统,功能主义或者符号逻辑主义)和“感知动作系统学说”(也称为黑箱系统,行为主义)就在“机制主义方法”的基础上形成了人工智能的统一理论。或者说,人工智能的结构主义方法、功能主义方法、行为主义方法都成为了机制主义方法的3个相辅相成的特例。3个原来不和谐的“分力”形成和谐一致的“合力”,这是本文提出的三大进展的学术

意义之三。

总之,本文获得的三大进展――新的研究方法、新的知识理论、统一的人工智能理论将使人工智能学科的理论更为深刻、更为成熟、更为完善。因此,一方面对学科的发展具有重要意义,同时对人工智能学科的教学也具有重要意义。

5结论

本文注意到人工智能研究领域三大主流学说之间存在“互不认可”的矛盾,认识到其中的本质问题是研究方法不完善,于是笔者通过深入研究提出和建立了“机制主义方法”,进而又发现和总结了“知识内生态结构”与“知识外生态结构”。综合以上提出的方法和两项发现,建立了人工智能的统一理论,使整个人工智能的研究由原来“鼎足三分”的状态转变为“三分归一”。这一研究成果,对于人工智能理论研究的进一步发展具有重要的意义。

参考文献:

[1]W. C. McCulloch and W. Pitts. A Logic Calculus of the Ideas Immanent in Nervous Activity[J]. Bulletin of Mathematical Biophysics,1943(5):115-133.

[2]Rosenblatt, F. The Perceptrom: A Probabilistic Model for Information Storage and Organization in the Brain[J]. Psych.Rev.,1958(65):386-408.

[3]Hopfield, J. J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities[J]. Proc. Natl.Acad,1982(79):2554-2558.

[4]Grossberg, S. Studies of Mind and Brain: Neural Principles of Learning Perception, Development, Cognition, and Motor Control[M]. Boston:Reidel Press,1982.

[5]Rumelhart, D.E.Brain Style Computation: Leaning and Generalization[M]//Introduction to Neural and Electronic Networks[M]. New York:Academic Press,1990.

[6]Newell,A. and Simon,H.A.A Program That Simulates Human Thought[M]//Computers and Thought. New York:McGraw-Hill, 1963:279-293.

[7]Feigenbaum,E.A.,J.Feldman. Computers and Thought[M]. New York:McGraw-Hill,1963.

[8]Simon,H.A. The Sciences of Artificial[M]. Cambridge:The MIT Press,1969.

[9]Newell,A.,H.A. Simon. Human Problem Solving[M]. Englewood Cliffs:Prentice-Hall,1972.

[10]Minsky,M.L. The Society of Mind [M]. New York:Simon and Schuster,1986.

[11]Brooks,R.A. Intelligence without Representation[J]. Artificial Intelligence,1991(47):139-159.

[12]钟义信. 机器知行学原理:信息-知识-智能转换理论[M]. 北京:科学出版社,2007.

Mechanism Approach and Unified AI Theory

ZHONG Yi-xin

(Department of Intelligence Science, Beijing University of Posts and Telecommunications, Beijing 100876, China)

人工智能法律论文范文第4篇

在这部电影中，导演使用了真正可操作的机器人，而非在大多数类似电影中看到的CGI角色。这些机器人外表简陋、动作缓慢，更像是历尽沧桑的工业机械，看起来极近真实。只有两条原则制约了机器人的行为：第一，机器人不可伤害任何生命；第二，机器人不可维修或改造自己或其他机器人。

毫无意外地，机器人失控了。有个机器人突变而不受第二定律的影响，于是诞生了一个新的智慧物种，这就像《终结者》或者《黑客帝国》。

机器人的原则

幸好这只是科幻。机器人这个词从第一次发明出来到现在，还差六年才到一百年。但是机器人已经出现在生活的各个方面，从打扫卫生的Roomba到宠物小恐龙Pleo和宠物狗AIBO，再到在生产线上组装生产其他机器的机械手们，人们正在和越来越多的机器人生活在同一个世界。当然，它们并没有智能，最多只是看起来似乎有智能的样子。

日本信息业巨头软银公司现在也进入了家用机器人市场，并将在明年二月一款叫作“Pepper”的人形机器人，能够运行一些应用程序，还能识别人的情绪并做出回应。这款机器人的身高和6岁孩子相仿，有光滑的珠白色外壳，靠一组轮子行走，胸前还有一块平板电脑。它有多种传感器，能通过对面部表情和语音的分析来判断人们的情绪，还能学习应对这些情绪的最好办法。最终，这种小机器人会成为帮助我们改善情绪的朋友―而它的售价将不到2000美元。然而，它依然没有智能。今天的机器人，只是由计算机控制和驱动的一些运动部件。无论外观多么像人，决定它们行为的依然是计算机的逻辑运算。诸多与机器人有关的科幻电影将机器人描述为智慧与人类相仿甚至更高的新造物，但却对一个关键问题语焉不详：智能是如何开始的？

人工智能之梦

不幸的是我们现在也没有确切的答案。从20世纪50年代开始，在教会机器思考这一领域，人们尝试了多种方法，包括让机器学量人类知识、让它们从经验中学会总结，把它们设计成类似生物大脑的结构，以及将能够自我学习的程序放到浩大的知识海洋之中；但是直到现在，我们依然没有办法制造出真正可以思考的机器。我们无法理解自己的智能，自然也无法把它赋予机器。

于是我们发现，近期的人工智能电影，无论是《超验骇客》还是《超体》，都用了另一种方式来创造更强大的智能体：以人为基础，再加上计算机的输入输出和存储计算能力。这样，人们最少还能和这些智能体沟通；而当机器人学会自行进化时，就像《机器纪元》中的台词那样：到了第九天，我们已经无法理解它了。

伟大的科幻作家艾萨克・阿西莫夫早就为机器人拟定了三定律：第一，机器人不可伤害人或看到人被伤害而无动于衷；第二，除非违背第一定律，机器人必须服从人类的命令；第三，除非违背之前两条定律，机器人必须保护自己。后来又加上了第零定律：机器人不得伤害人类，或者因不作为而使得人类族群受到伤害。

这几条定律成了20世纪诸多机器人主题科幻作品的核心，也经过多次修正。人们恐惧地意识到，如果没有这些定律的约束，在高效而强壮的机器面前，人类脆弱得不堪一击。指望智慧比我们强得多的造物与我们相安无事，就像是蚯蚓祈祷靴子不要踩下来一样。

在《机器纪元》中，机器人的原则写进了仿生内核中，成了机器人智能的基础；因为这两条原则是由一部量子大脑拟定的，它的智力远超过人类可以理解的程度，因此人们完全无法改造它；但即使如此，也敌不过自然突变。

可能的未来

20世纪最重要的未来学家和发明家雷・库兹韦尔曾经提出过著名的“技术奇点”理论，认为人类文明的发展速度正在迅速加快，在2040年-2050年，将迎来一次智慧的大爆炸。也许到那时，世界上将会出现真正有智力的机器人，这很可能意味着历史上从未有过的繁荣时代，或者前所未见的巨大危险。

如果没有任何限制，人工智能的演化速度将会比人类进化得快得多。而无论是《机器纪元》中的两原则还是阿西莫夫的机器人三定律都无法控制它；这些定律本身的定义太过模糊，而可行性堪忧。我们只能指望人工智能们离开人类，去创造自己的新世界。

美剧《疑犯追踪》描述了两台人工智能机器的对抗。在早期，一台机器已经拥有了相当程度的智能，但是被它的开发者全部删除了。因为哪怕只有一点瑕疵都会酿成人类可能无法承受的后果―能力越强的机器，越应该被严格控制。

人工智能法律论文范文第5篇

1高校法学专业教育的现状

当代高校法学专业教育成绩斐然，其不仅为中国的法治建设奠定了丰富的理论基础，而且也为未来的法学专业教育指明了发展方向。但是随着新时代的到来，法学教育的背景以及定位也在发生变化，此时，高校的法学专业教育在教育目标、方法、体制以及模式方面也显现出诸多问题。

1．1法学教育目标片面

法学教育目标不仅直接决定了高校法学教育的方向，甚至也影响着法律人才类型的培养。但就目前来看，教育界对法学教育目标的认识较为混乱。有学者主张法律人作为治国之才，承担着服务社会与管理社会的责任，其属于社会的精英人才。为了更好发挥法律人管理及服务社会的能力，法学教育目标应以培养法律精英人才为首位。也有学者主张法学作为应用性学科，法学教育应以培养法学应用人才为根本目标，核心在于注重法学理论知识的运用。还有的学者认为法学专业应以培养通识人才为主，在当前创新型国家背景下，培养法学通识人才有利于形成创新思维，使法学人更容易应对社会变化不断出现的新情况以及新问题。学界对法学教育目标认识不一致最终导致高校在实际法学教育过程中目标的不统一。有的高校仅重视法学精英人才的培养，而忽略了法学应用人才培养，导致学生处理实际法律纠纷的能力多有欠缺。而有的高校仅重视培养法学应用人才，而忽略了传统的法学理论知识，也导致学生的专业素养不高，甚至缺乏法律职业道德素养，给相关法律职业带来负面影响。

1．2法学教育方法落后

在高校进行法学教育过程中，教学方法的运用也至关重要。科学、合理的教学方法不仅能使学生牢固掌握法学理论知识，还有利于提升法学专业的教学质量。但从当前高校法学教育方法来看，仍然较为落后。一方面，由于高校法学教育目标较为片面，导致在教学方法上，也未能很好兼顾理论教学与实践教学，最终使学生产生理论和实践脱节现象。有的高校教师仅进行课堂式的法学教学，通过在课堂上分析法律条文的内涵与外延来要求学生掌握相应的法学理论知识，并未给学生提供运用法律知识处理实际问题的机会;而有的高校教师则一味重视案例教学，并未教授相应的法学理论知识，导致学生仅掌握了个别案件，对案件背后所折射的法学理论则一知半解。另一方面，随着人工智能以及大数据技术在各学科领域的运用，其也为法学教育方法的革新带来了契机。但实践中，高校教师大多数仍是以传统的课堂教学为主，未能很好运用现代化的教学工具。最终，法学教育方法的落后不仅不利于提升学生学习法律知识的积极性，使法学教学难以达到应有的效果。而且也不利于培养学生的法律逻辑能力、思维能力以及实际解决问题的能力。

1．3法学教育体制不一

就我国当前的法学教育体制而言，从法学教育层次来看，既有专科，也有本科，同时还有硕士及博士，不同层次教育所掌握的法学知识明显存在差异。从法学教育机构来看，既有普通公办高校，也有私立学校还有职业院校以及其他相关培训机构。从法学教育内容来看，既有普通高校的法学基础理论知识教学，也有培训机构的法律职业资格教学，还有公权机关对相关人员的法律执业能力的培训。虽然从历史层面上来看，现有的法学教育体制在一定程度上为改革开放之初国家法治建设输送了大量的法律人才，但是随着国家治理体系以及治理能力现代化水平的持续深入，实践中法学教育层次繁多、渠道庞杂、内容多样等的特点无不彰显着当前法学教育体制的混乱，不仅同国家要求构建法律职业共同体的愿景相违背，也严重影响了法学教育工作的开展，给法学教育的整体形象带来了负面影响。

1．4法学教育模式单一

法学作为理论与应用相结合的学科，法学教育也可以分为专业型、职业型以及专业与职业兼顾型模式。但我国高校在教学模式的选择方面长期坚持专业型的教学模式。主要原因在于一方面，我国传统的课堂教学是教师主导型，教师在课堂上通常是对法学各学科的基本理论以及法律条文进行讲解，使学生能够具备基本的法学素养，并系统掌握法学的基础理论。在此过程中极少涉及实践案例，使得法学教育呈现专业性特征。另一方面，我国的法律职业资格考试也进一步加强了专业型的法学教育模式。法律职业资格考试在很大程度上作为法律职业的准入门槛，对于法学生以及法学院校而言，其重要性不言而喻，所以，学生个人为了通过资格考试，往往会花费大量时间在法律专业知识的学习上，从而也使得学校在法学教学模式上更倾向于选择法律职业资格考试所要求的专业型教育模式，最终也导致了法学教育模式的单一。

2高校法学专业教育面临的机遇

审视当代高校法学专业教育的现状，虽然可以看出仍然存在诸多问题，但随着依法治国理念的深入推进、社会经济稳中向好的发展、人工智能技术的广泛应用以及高端法学人才培养模式的逐渐健全也为高校法学专业教育的优化带来了诸多机遇。

2．1依法治国理念为高校法学专业教育带来思想优势

依法治国，建设社会主义法治国家作为我国社会主义现代化建设重要的战略目标，其核心要义是依据宪法及法律来治理国家。随着时代进步，依法治国理念也被不断深入推进，并成为国家长治久安的重要保障。在全面依法治国战略的引领下，社会各界都形成“尊法、学法、守法、用法、护法”的法治理念，社会公民的法律素养整体上有很大提升。而高校作为社会的重要组成部分，依法治国理念的深入推进也为高校的法学专业教育带来了诸多机遇。

2．2社会经济增长为高校法学专业教育带来经济优势

经济同教育的关系具有辩证统一性，一方面，教育可以为经济带来智力型劳动人才以及相应的技术创新。另一方面，经济又影响着教育发展、教育规模、教育结构甚至教育内容。如果国家的经济实力强大，基于教育对经济的能动作用，势必会投入诸多经济资源来为教育发展奠定物质基础。随着我国的社会经济的稳步发展，综合国力也得到了显著提升。而在科教兴国作为实现中华民族伟大复兴的重大方略的重要影响下，我国对教育的投入逐年提高，教育经费占国内生产总值的比例也在不断上升。从而为高校的法学教育工作的优化奠定了物质基础。

2．3人工智能发展为高校法学专业教育带来技术优势

随着人工智能技术在社会各领域的广泛应用，其也为高校的法学专业教育带来了诸多技术优势。例如，一方面，法学专业更加注重理论和实践相结合的教育模式，面对实践中高校教师仅重视理论型教学的弊端，便可以利用法律人工智能技术来加以完善，其能够提供一种交互式的VR模拟场所，使学生可以置身于虚拟法律系统中全程模拟法官、检察官或者律师办公流程或者对案件进行重现，该种技术不仅有利于学生深入了解案件的基本情况，还有利于学生学习到相应的法律实务技能，从而使其能够在课堂上所学到的法学理论与法学实践相结合。另一方面，人工智能技术还为高校法学专业的课堂教育提供了新的方式。慕课借助人工智能技术后，具备极强的互动性、智能性以及自主性的优势，更新了传统的法学教育模式。在慕课教学中，学生可以根据自身情况来选择所要学习的课程，摆脱了传统法学教学课堂的概括性教学，从而能够很大程度上调动学生学习的自主性。并且慕课也能够实现差异性学习，每个学生对于知识的掌握并不是同步的，在慕课平台，学生可以自主选择学习时间、学习地点以及学习内容，使学生的学习潜能最大程度被激发。

2．4高端法学人才为高校法学专业教育带来智力优势

法学教育作为培养法律人才的关键环节，不仅影响着法学生的思维养成以及职业选择，甚至也对国家的法治建设具有重要影响。高校在进行法学教育过程中，一方面需要有思想、经济、以及技术的支持，另一方面也需要高端法学人才的参与。教育本质上来说是师生共同完成的一项活动，如果法学教师的理论水平不高、实践经验有限，其在教学过程中将很难对学生以启迪，严重影响了学生的对于知识的掌握。因此，法学理论知识储备以及司法实践经验丰富的法学教师对于法学专业教育而言必不可少。就目前来看，随着我国高端法学人才培养模式的逐渐健全，具备深厚的法学理论知识、司法实践经验丰富、综合素质较强的法学人才被培养出来，当该类人才作为教师队伍投入到法学教育中时，高校法学专业的教育能够在很大程度上得到优化。

3高校法学专业教育的优化路径

对高校法学专业教育加以优化，从微观层面来看，有利于法学生对于法学知识的理解与掌握，从而改善并提高法学教学的现状及质量;从宏观层面来看，能更好为国家法治建设输送高技能的法律人才。在优化路径的选择上，应首先准确把握高校法学教育目标;其次，转变法学教育方法;再次，应打破高校同司法实务部门的体制壁垒，最后，需要积极探索“人工智能+法学”的教育模式。

3．1准确把握高校法学教育目标

法学作为一门实践性极强的学科，决定了高校的法学教育绝不是纯粹的象牙塔式的文字理论教学，法学教育目标的制定应以满足社会实际需求为准则。而在社会层面，不仅需要具有丰富理论知识的法学家来对社会现象问题进行研究、论证;也需要具有丰富实践经验的律师以及其他法律实践工作者来为社会提供法律服务;还需要具有较高的法律职业素养以及辨法析理能力的法官、检察官来对案件进行定分止争，进而达到维护法律的权威以及社会正义的目标。所以，高校法学教育目标的制定决不能过于单一化，而应该具有综合性。法学教育除了需要培养学生的基础法学理论之外，也需要注重对学生法律实践的引导，还需要注重提升学生法律职业素养，以不断适应社会发展对法学教育所提出的新要求。

3．2积极转变高校法学教育方法

传统的高校法学教育主要以课堂式讲授教学为主，虽然有利于学生掌握系统的法学理论知识，但却不利于学生实务经验的提高，导致学生进入社会后由于缺乏相应的实务经验而难以找到自身的职业定位，最终对法学生的就业率产生影响。所以，高校的法学教育应加以改进，从传统上以法学理论为主的教学方法转变为将理论与实务两者并重的教学方法。尤其面对当下重理论而轻实务的教学背景，法学教育除了课堂式的讲授教学方法之外，还可以通过加入相关案例教学，通过对典型案例的分析来引导学生进入案例情景，然后对案例背后所蕴含的深层法学理论知识以及解决实际法律问题的技巧进行讲解，不仅能以小见大，使学生能够更加深刻地理解抽象的法学理论，而且也能使学生亲自体验获取知识的过程，激发其求知欲，有利于培养学生创造性思维能力以及批判精神。除此之外，实践中高校还可以进一步推进模拟法庭活动，正所谓“实践出真知”，在模拟法庭中，由学生自己扮演和案件相关的诉讼参与人，并按照案件事实以及法庭程序来真实还原法院审判的全过程，不仅能够增加学习法律知识的趣味性，还有利于使学生对相关案件的发生、预防、处理以及涉及到的法律法规有更为深刻的认识和理解。最后，为了使学生能够学以致用，还可以开展诊所式的法律教育，法律诊所不同于传统的法学教育，其更加注重对学生自主学习能力、法律思维能力以及灵活运用法律解决问题能力的培养。在法律诊所教育中，学生能够亲自参与到案件争议的解决过程中，不仅能使其更深层次理解法律的内涵与要义，还有利于培养其法学实践能力。

3．3打破高校同实务部门的体制壁垒

当前的法学院校和实务部门之间具有明显的体制壁垒，法学院校作为高等学府，掌握着大量的法学基础理论知识，但是实务经验相对来说较为欠缺。而对于诸如法院、律所、政府机构等实务部门而言，其掌握了大量卷宗材料以及实务经验，但可能在法学理论基础方面较为薄弱。因此，应破除高校同实务部门之间的体制壁垒，充分发挥法律实务工作者在高校法学教育中的积极作用。具体可以在高校的法学教育过程中积极引入律师、法官、检察官以及其他法律实务人员担任高校教师，实现理论型教师与实务型教师的双线并行式教学模式。在该种并行式模式下，不仅可以使学生学习系统法学基础理论，还可以在实务型教师的引导下，使学生能够将法学基础理论同具体案件的知识点相融合。例如中国政法大学除了传统的法学基础理论以及实务课程体系之外，还开设了庭审同步直播、庭审录像观摩以及案卷阅览等诸多模式的实践教学活动，学生通过观看庭审直播、录像或者翻阅相关案卷材料来掌握司法实务中的相关问题，最终实现法学理论与实践经验的同步发展。

3．4探索“人工智能+法学”的教育模式

随着人工智能技术的迅速发展，其不仅推动了法律服务与行业活动的智能化，也给高校的法学专业教育模式也带来了诸多影响，为了培养出更多适应智能化要求的法治人才，法学教育应做出积极的回应与变革。大学慕课便是很好的尝试，不仅能很好解决传统法学课堂概括性教学的弊端，使学生能够实现个性化以及差异化学习，而且还能实现优势教育资源的共享，使学生能突破时间、地域以及师资力量的限制，学习潜能也可以在最大程度上被激发。此外，高校还应该引导教师转变传统的教学观念，高校教师作为推动教育创新发展的中坚力量，面对智能化变革的背景，不仅应积极探索智能化的教学方案，将智能化技术运用到法学基础教学中，还应该引导学生在法学学习过程中掌握各种智能技术，着重培养其法律思维能力、推理能力以及解决问题的能力，使其能适应人工智能时代对法治人才新的需求。