法官裁判方法嵌入司法人工智能路径研究

任怀钰

人工智能已成为当前社会各领域应用的重要手段，几乎席卷人类生活各个领域，司法体制综合配套制度改革亦将智慧法院建设提上日程。人工智能司法应用，是通过技术手段将人工智能应用于审判程序各阶段，适应和引导司法改革的步伐和方向，辅助法官裁判，促进裁判尺度统一，提高诉讼效率，实现更高水平的司法公平正义。但从基层一线审判人员角度，当前的司法人工智能与法官裁判方法脱节突出，导致当前司法人工智能系统应用中出现诸多短板。司法人工智能作为审判辅助工具，只有将司法裁判方法嵌入系统开发，才能迎合作为“用户”的一线审判人员的需求，发挥智能效用。

一、短板审视：司法人工智能与法官裁判思维脱节产生诸多问题

（一）司法人工智能发展呈现低端化特点

维基百科中对人工智能的最新定义是：人工智能是根据对环境的感知，做出合理的行动，并获得最大收益的计算机程序。各个领域基础技术与人工智能的结合，引起了领域内的巨大变革。比如苹果Siri、微软小冰等智能助理，改变了人与手机的交流模式；人工智能程序也已经开启自动撰写的新闻稿件、对照片、图片的自动美化等艺术创作；自动驾驶技术的实验与应用等都体现了人工智能在工业领域的发展速度。人工智能分为弱人工智能、强人工智能、超强人工智能三个层级，专注于且只能解决特定领域问题的人工智能即为弱人工智能，而上述的人工智能在各个领域的发展均是弱人工智能的层级，ALphaGo就是弱人工智能的一个最好实例。

反观人工智能在司法领域的应用，尚处于最低级与最初级的阶段，尚未达到弱人工智能阶段。目前的人工智能在司法中的应用主要集中在对法律条文、优秀裁判文书、典型性案例的电子罗列及司法程序的无纸化处理，所有的技术手段均是在人工思考并做出裁判后，再由人工操作机器予以记录、检索，人工智能应用的方式就是将海量的数据元（即法律知识电子数据）“码放”在数据库中，待人工以符合人工智能要求的检索方式进行检索后，再自行匹配需要的知识点。单纯机械的罗列法条、案例，缺乏对法律知识本体及自然语言、法律概念之间复杂关系的深入认识和理解，使得人工智能司法应用成为无本之木、无源之水。

（二）类案检索精确性不高

当前类案检索的数据库平台有多种，权威发布的有中国裁判文书网、“法信”平台及其他类案推送平台等，虽然案例的数据库足够庞大，但类案推送案件的数量和比例、精准度均不高。根据法信平台的统计，查找法律依据依然是法官最高频需求，而查找裁判规格（案例要旨）和法律观点的需求也高于类案比对。①“法信”公众号（2018年5月4日）《什么样的知识数据服务才能满足智慧法院需求？（上）》，该文章系法信团队在全国法院第五次网络安全和信息化工作会议上做的题为《知识数据服务为智慧法院提供的全场景应用》的整理文稿。总的来说，正是因为类案检索的准确率太低，法官无法通过类案检索平台检索到应用于案件的合适结果，才在经过自行思维加工后，归纳出需要的法条或案例要旨进行检索。一般来说，法官需要进行类案检索的案件基本上为相对疑难案件，例如，在一起商品房预售合同纠纷中，开发商为置业者贷款提供担保，经过七年左右时间，置业者偿还了大部分贷款后，因财务紧张，无力继续偿还剩余小部分贷款，银行扣划了担保人开发商的款项，开发商请求解除合同，收回房产，返还置业者购房时的款项及偿还的贷款。裁判过程中，合议庭对是否解除上述合同产生争议。此时，合议庭成员除了要寻找法条依据，更试图通过类案说服其他合议庭成员，并寻找裁判思路，类案检索成为首选途径。本案中，首先以“商品房预售合同、担保贷款未还、合同解除”为关键词在“法信”平台的“类案检索（测试版）”中进行查询，类案推送结果为0篇；以同样的关键词在中国司法大数据研究院的“类案智能推送”中检索结果为0篇；在更改搜索关键词为“担保贷款未还、合同解除”在法信平台的类案推送结果为4篇，在中国司法大数据研究院的类案智能推送中结果为0篇，其中这4篇均为两起劳动争议案件的一、二审判决书；在以关键词“商品房预售合同、合同解除”进行检索时，法信平台的类案推送结果为22156篇、后者的类案推送结果为21461篇，而在该两个平台左侧的“案情特征”一栏中显示的关键词高达200多，而该搜索显然已经丧失了精准检索的目的。①上述检索均是在2018年6月10日号上午10：00左右进行的检索。可见，目前所谓的“类案检索”明显无法按照法官的裁判思维实现类案比对。

（三）司法人工智能深度学习对象缺乏实操性

深度学习引发了第三次人工智能浪潮的复兴，使得人工智能在很多领域取得了突破性的进展，但却一直没有在司法应用领域的开展有效的深度学习，尤其缺乏对对法官裁判方法的深度学习。

早在1970年国外就开始了人工智能与法律推理的研究，讨论了法律推理模型的可行性，到1977年Thorne用逻辑推理的方式分析公司税务法建立了TAXMAN系统，1981年Waterman等开发设计了产品责任的民事裁量模型；1989年澳大利亚开发IKBALSI用于解释事故《司法补偿》调理额，处理工人事故补偿问题；1991年Deedma以加拿大案例为基础研究人工智能的专家断案系统；1995年开发的Split-Up用于处理离婚案件的财产分割。2005年贝叶斯网络被用于法庭调查中评估火灾事故的证据；2007年Strand将一般用于工程、计算机、医学的贝叶斯方法用于法学的实证分析；2008年Riesen以受害人的特点为视角，用贝叶斯信念网络分析美国刑事案件。、

可见，法律推理、裁量模型、专家系统、法律本体检索一直是人工智能与法律研究的重点，但由于司法裁判的主观性、专业思维的特殊性及各个国家司法体制的区别，使得上述的人工智能的裁量模型存在领域局限性、技术落后性及缺乏实操性等问题。而我国在司法人工智能领域的的研究更是滞后，甚至是空白，理论研究虽多但不够深入。尤其是在司法人工智能的深度学习方面成果缺失，真正将技术、案例与法学理论结合起来的模型贫乏，即便有少量论文结合案例进行了相关论述，也多从法学理论的角度出发进行建模而未针对司法实际，缺乏实用性的研究与应用。

二、原因反思：司法人工智能与法官裁判方法脱节的深层次原因分析

当前司法人工智能与法官裁判方法的脱节是上述问题发生的关键。而造成这种脱节的原因可以从以下三个方面入手分析：

（一）学科的割离与壁垒制约了司法人工智能学科的发展

“隔行如隔山”，人工智能的研究与法学研究，无论从研究方法还是学术成果的评估都存在着较大的差异，尤其是法学研究内部又包含了法学理论研究和法律实务研究，二者的研究方法和手段也存在很大的不同。人工智能专家的相关论文主要关注了计算方法的高效性，缺乏对法学理论和司法实务的关注；法学学者的相关论文更多地关注了法律逻辑、法律概念的本体，注重法律的实效，而法律实务界则更侧重于法律适用方法即法律裁判方法的研究和适用。这些研究侧重点的不同导致了构建人工智能模型的出发点和思维进路的差别。

具体来说，当前的司法人工智能主要是同通过“要素提取”的方式来对法律文书、案例等进行解构，“用户”在进行类案搜索时体会最为明显，比如在前文进行搜索的案例中，虽然其中的搜索的要素与结果中的要素字眼上是一致的，但相互联系上却大相径庭。这是因为，“要素提取”与审判实践中裁判方法中的“要件事实”是不尽相同的。前者是将“要素”割离称单纯的某些单词，而后者的要件事实，不仅包含这些单词，还着重分析理解单词之间的联系，而这是裁判方法的精髓所在，也是前者缺失的重要内容。前者因为缺乏了对各“要素”之间逻辑关系的描述，比如，前文中所述的检索，因为缺乏对检索要素（关键词）逻辑关系之间的理解和适用，才造成类案检索不精准。因此，人工智能专家以其脱离实践裁判方法的方式构建裁判模型必然无法满足裁判者的使用要求。

（二）基本案情智能识别脱节裁判方法导致司法智能偏离“用户”①本文中的“用户”指的是智能系统应用者，包括法官、检察官、律师等。需求

司法人工智能的基本思路是：基于案情描述作为整个司法智慧化系统的输入，再采取特定的实验方案来对数据进行“深度学习”过程，最终进行测试，选用最优的深度学习方法。因此，从庞大数据的解构和分析得出的“基本案情描述”是深度学习的基础和前提。大数据是人工智能的基础，大量的数据及处理数据能力的提升催生了深度学习的出现及其在语音识别、图像识别、围棋等应用领域的成功。在计算机领域，大数据被分为结构化数据、半结构化数据、非结构化数据三类。典型的结构化数据是表格，填写内容确定；非结构化数据则任由人们进行天马星空的想象，例如诗歌、小说等；处于两者之间的便是半结构化数据。裁判文书是最典型的半结构化数据，其有着标准格式，但真正撰写时不同法官会有不同的表述方式。①参见吕佳臻：《奇点的隐喻——法律人工智能的“寒武纪”》，载《法律与生活》2018年第5期。目前的司法人工智能系统的开发中，数据基本上为来源于中国裁判文书网或其他公共平台的生效法律文书，这种样本采集途径对“法律外行”的人工智能专家而言是最便捷、最可靠的。人工智能专家利用分词工具对半结构化的判决书文本进行分词处理，比如LTP语言技术平台，②LTP（Language Technology Platform）是由哈尔滨工业大学的社会计算与信息检索研究中心开发的，提供了包括分词、语义角色标注等功能。将数据进行结构化，但这种分词方法与法官的裁判方法并不契合的。法官判决书是由法官裁判思维加工后的自然语言，为了让普通民众看懂判决书，法官在书写判决书时会有意的将含有“要件事实”的结构化的语言自然化、生活化，有的判决书中并没有明确体现法官的裁判思维过程。因此，人工智能专家在内的普通民众是无法通过大量的判决书总结出法官的裁判思维的，因此以此为基础进行的深度学习建立的模型必然不能符合裁判者的需求。

（三）司法实践中统一裁判方法的缺乏阻碍了司法人工智能的深度学习

机器语言无法总结自然语言文本中的裁判方法是阻碍智能系统深度学习的瓶颈，而司法实践领域成熟系统裁判方法论的缺乏，更加稀释了裁判思维外化至裁判文书中的比例。

法律适用的过程本质上就是将某个生活事实归入某个法律概念之下的逻辑涵摄过程。③参见【德】卡尔·拉伦茨：《德国民法通论（上）》，王晓晔等译，法律出版社2003年版，第96页。法律方法或法学方法则是法理学界用于研究法律适用的方法的学科。张卫平曾说，“在法学界由于我们要强调基础性问题的研究，因此法技术的问题历来被轻视。……从事理论的学者不可能将主要精力放在实用法技术的层面，学者也缺乏回答和解决法应用技术层面的问题条件”。④张卫平：《知向谁迈》，法律出版社2006年版，第21-22页。可见，关于法学方法论的理论研究越来越多，但能直接运用到实践中的却非常少，更毋论审判实践中总结出的方法论。法律方法论更多的是一种思维实践，而非具体的行为实践，这也是其实践性的特殊之处。法律方法的形成方式大多是在不同时期对不同的司法实践进行总结，这也就决定了其难以形成特别完整的体系，更多的是对司法案件中的经验性规律进行概括和提升，将其中可以推广的内容进行理论化总结。法律方法具有较强的思维性质，难以直接转化为统一的行为实践。虽然人们将法律方法说成是一种以司法操作为代表的技能，但司法操作并非像生产生活中的那种技能，而是运用法律规范和程序、“技术”（更准确的说是技巧）并智慧的运用原则、规则、程序、原理及各种方法的能力。⑤参见孙光宁：《反思法律解释方法的位阶问题——兼论法律方法论的实践走向》，载《政治与法律》2013年第2期。法律方法论的实践性主要是一种主观意志中的思维实践活动，它不能也无需替代或精准的知道法官的具体行为活动。审判方法论自身无法规范性的特点及审判者水平差异导致了实践中缺乏相对统一的审判方法论。而人工智能专家并无能力自行研究出一套新的法律适用方法，亟需以相对统一的裁判方法为基础进行深度学习。

三、路径探寻：法官裁判方法嵌入司法人工智能的路径尝试

（一）统一司法裁判方法为司法人工智能提供建模基础

司法实践中的裁判方法是经过实践总结与法理理论结合的产物，是得到了实践测试的、大数据分析及高度凝练的司法经验法则，将该裁判方法嵌入人工智能研发、应用，是司法人工智能研发的捷径。在司法实践中，关于法律适用、裁判思维方面的理论研究较少，但在某些领域也有相对成熟系统的裁判方法。比如民商事领域的“要件审判九步法”，在遵循演绎推理的基本逻辑结构的基础上，将抽象三段论根据司法裁判的内在逻辑过程进行具象，将三段论的每一段进行细化，将抽象的规范分解为具体的要件；①参见吴兆祥：《提升司法水平的必由之路：确立统一的裁判思维模式》，载《人民司法》2011年第3期。此类裁判方法已经经过了多年司法实践的“测试”，具备成为司法智能系统识别法律语言的重要条件。

另外，司法人工智能的研发与应用可以先以类型化案件的人工智能平台的建立为试点，比如，民商事审判中，如民间借贷案件、离婚案件、买卖合同案件；刑事案件中相对较多的危险驾驶、盗窃、故意伤害等基层法院案由较为集中的案件类型的裁判方法进行适度总结，以此为基础进行人工智能的深度学习，在此基础上总结刑事、民事案件的相对统一的裁判方法，逐步推进人工智能对裁判方法的深度学习。

（二）规范裁判文书中裁判方法的表达方式为深度学习提供可识别样本

裁判文书是法官裁判方法的外化载体，也是深度学习的最主要和最便捷的样本来源，因此提高裁判文书中裁判方法的识别度，也就要求裁判文书准确、明晰的表达裁判方法。

以民商事案件为例，目前法院判决书新的文书样式中的民事起诉状、民事判决书的格式与民事审判“要件审判九步法”的裁判方法的思维逻辑是一致的，比如民事“要件审判九步法”中的九步法中的第一步是“固定权利请求”。权利请求是诉讼的基本出发点或原始出发点，权利请求是确定当事人诉讼请求所依据的法律基础的出发，②参见邹碧华：《要件审判九步法》，法律出版社2010年版，第54页。这也就是起诉书和判决书中所需要首先明确的东西，因此，文本样式中将“诉讼请求”单独明确出来，就是要能够一眼掌握该案件的诉求是什么，从而引出以下的论证。如果均按照统一格式书写法律文书，司法智能系统提取裁判要件的目的就是会更容易实现。因此要严格规范裁判文书遵循《人民法院制作民事诉讼文书样式》书写法律文书；另外，根据最高人民法院2018年6月13日施行的《关于加强和规范裁判文书释法说理的指导意见》中进一步对裁判文书的说法释理的内容提出要求，要求既要阐明事理、释明法理、讲明情理、讲究文理；在裁判结论的论证上要针对诉讼主张和诉讼争点，根据证据对证据认定、法律适用进行释法说理。该意见的施行，恰是印证了裁判文书的释法说理的重点和依据，潜在的裁判方法就是“要件审判九步法”的逻辑内涵。

要实现裁判文书的规范化，可以从现有技术上入手。一方面，升级裁判文书智审系统，规范文书样式模板，对不符合文书样本要求的裁判文书进行纠错、提示，在文书形成阶段即严格把关，有益提示；另一方面，通过现行网上立案和裁判文书上网的审查机制来倒逼法律文书规范化，比如网上立案时以要件填写的方式要求起诉状必须符合要件的格式要求，否则，不能上传，从而无法立案；同理，在裁判文书上网时，剔除不符合文书样式文本的裁判文书，禁止上传，从而规范裁判文书的格式要求。

（三）以对法官裁判方法的深度学习为途径构建司法人工智能系统

深度学习是目前最先进的机器学习方法，目前深度学习的核心计算模型是人工神经网络。李开复在《人工智能》一书中以简易语言对深度学习机制进行了描述，指出，深度学习和所有机器学习方法一样，是一种用数学模型对真实世界中的特定问题建模，以解决该领域内相似问题的过程。深度学习就是把计算机要学习的东西看成一大堆数据，把这些数据丢进一个复杂的、包含多个层级的数据处理网络（深度神经网络），然后检查经过这个网络处理得到的结果数据是不是符合要求——如果符合，就保留这个网络作为目标模型，如果不符合，就一次次、锲而不舍的调整网络的参数设置，直到输出满足要求为止，是一种尽可能逼近问题目标的半理论、半经验的建模方式。通俗的讲，深度学习是人工智能发展到目前最先进的一种机器学习方法，输入的信息或认知要通过计算机的运算、建模，待得出的结果与输入的结果一致，计算机此时的程序就是认知该知识的程序；如果输入与输出的结果不一致，则需要不断调整计算机的运算及模型，待两者结果一致，固定该模型，这个过程就是深度学习的过程。①参见李开复、王咏刚：《人工智能》，文化发展出版社2017年版，第241-242页。

裁判方法的深度学习是司法人工智能的基础。司法人工智能的深度学习应当是通过对成熟裁判方法的学习，这是司法人工智能系统建立的捷径。具体方式主要是在分析裁判文书、案例等大数据的基础上通过诸如神经网络系统的工具进行反复的核算、调整，最终归纳出可以被计算机运用在类似数据上的知识或规律。当前的智能系统建设已经形成大数据的平台，拥有了案例、裁判文书、法条的庞大数据库，并且具备了对该数据的存储、分析以及检索的能力，但缺乏的是如何将裁判方法嵌入司法人工智能的构建中。因此，如何让机器利用自然语言处理能力去理解案件文本，并寻找其中的裁判规律，是实现司法裁判人工智能化的关键。

对于人工智能的设计者来说，在信息处理阶段，必须将计算机模型调试到可以满足对个案进行辨识的信息处理要求，再设计出相应的程序来完成数据输入和数据输出时的知识展现问题。一旦能够完成信息处理工作，那么接下来使用特定的语法结构和数据来处理这些工作就会顺利很多。①参见吴习彧：《司法裁判人工智能化的可能性及问题》，载《浙江社会科学》2017年第4期。而对案件的识别分析及信息处理则需要将现有的法学方法论体现作为裁判规律建立计算机的裁判模型，选取实用性、科学性、专业性的裁判方法论则显得尤为重要。随着深度学习技术的不断提升，模型的不断丰富，很多模型与算法均能有效的迁移至司法智能的问题上，甚至可以针对司法智能的问题，提出更加具有针对性的模型和算法。比如，在面向中文领域的自然语言处理的各项任务中，对文本输入而言均需要先做分词的处理，主要的工具有词袋模型、FastTest模型和卷积神经网络模型等等，这些模型具有一定的局限性，比如词袋模型仅考虑了原始文本中词出现的次数，忽略了原始文本中词的书序、文本的句法和语法等信息，这种缺陷在司法数据语言的识别上，应当结合裁判思维方式进行机动的改进。

四、具体尝试：司法人工智能融合“要件审判九步法”裁判思维

以下就以民商事审判中总结并成熟实践的“要件审判九步法”为模型，试图以此为司法裁判人工智能的成型提供有益思路。

（一）“要件审判九步法”的逻辑结构分解与思辨

“要件审判九步法”是将以演绎推理为基础的法律分析方法结合实践在审判中提出的形式理性的裁判思维方法，其特点是以要件事实作为审判的基本元素，以简明具体的操作步骤作为抽象审判思路的基本载体，在程序法和实体法之间建立连接点，在纠纷事实与法律规范构成要件之间建立连接点，在法律诉讼指挥权与当事人处分权之间建立连接点。②参见邹碧华：《要素审判九步法》，法律出版社2010年版，第26-27页。可见，从要件审判九步法本身来看，其与人工智能的工作原理是契合的，能发挥人工智能在逻辑推理及演绎推理方面的优势。要件审判九步法把法官审理民事案件的基本思路分为九步：1.固定权利请求；2.确定权利请求基础规范（并法律观点开示）；3.确定抗辩权基础规范；4.基础规范构成要件分析；5.诉讼主张的检索；6.争点整理；7.要件事实证明（并心证公开义务）；8.事实认定；9.要件归入并做出裁判。要件审判九步法中的九个步骤，每一个步骤都可以在逻辑框架中找到相应的位置。

“要件审判九步法”作为民商事审判的一种裁判方法在实践中备受推崇，但是也有不同的声音对其质疑，有法官提出，审判过程是前后反复、相互交错的，无法成为数字、公式和模型，尤其是法官的思维不能向“要件审判九步法”中规定的“九步”的过程来进行审判，经验丰富的法官在审理案件的时候，并不是真正的到第九步才做出裁判，而是在审理案件开始或过程中，早已经存在一个预设的判决，这个判决是审判的先导，引领着法官展开审判。①参见周恺：《“要件审判九步法”之批判》，载微信公众号“法律读库”。法官一开始主要依靠丰富的法律专业知识和司法实践经验，即“法感”，来快速发现初步的结论。然后才使用“理性—分析”系统来对初始结论进行检测，以得出更为准确的结论。最后，法官需要依靠理性分析对裁决结论进行正当化的论证，以将建立在个人认知基础上的裁定结果，转化为可以被大众理解的法律推理结论，从而展现司法的正当性。

实际上，上述的两种观点与“要件审判九步法”并不冲突。审判活动中的思维方式与其他脑力活动的思维方式是一致的，无法完全通过要件、公式或模型的方式加以范式化，比如围棋等智力游戏，虽然有棋谱和技巧，但其中的变化是随着每个棋手的理解和智商分不开的，而“要件审判九步法”只是以一种相对公式化的方式将审判实践中的论证过程确定下来，虽然经验丰富的法官在看到案件后，无需这些步骤即可预知结果，但对审判新人或人工智能来说，这种相对固定的裁判方法的描述为他们开展审判活动提供了工具和思路。

（二）利用要件审判九步法进行裁判思维模拟的具体操作

正因为人工智能深度学习裁判思维的难点在于自然语言处理能力及价值判断，而将相对成熟的要件审判九步法嵌入进人工智能，就是将模拟裁判思维的自然语言能力的难度降到最低，具体到九步法中，可以进行如下的尝试：

首先，大前提基础规范模型的构建主要是对基础规范即完全性法律条文的检索、分析、建立基础的逻辑规范模型。其中包含了对法条规范要件的识别、当事人诉求及抗辩理由的自然语言识别，并对二者进行逻辑分析。

人工智能以其强大的计算能力和数据检索能力可以完成该部分的工作，建立同类案件的自然语言识别模型。这个阶段可以充分发挥人工智能的作用，主要工作包括：1.人工智能通过输入或扫描的诉状内容，对案件的诉讼请求、抗辩理由进行识别处理；2.对大数据中符合裁判思维标准的法律文书和案件进行检索、分析、提取；3.检索出与诉讼请求、抗辩理由相关联的法律规范；4.通过深度学习总结出不同案由的诉讼请求、抗辩理由及其基础规范的规律。

其次，小前提争点的整理与认定事实模型的建立则需要法官和人工智能的相互配合。争点整理的过程就是法官引导诉讼的过程，法官裁判思维主要体现在对案件的争议焦点的整理分析，此间融入每名法官的直觉、知识体系、逻辑、视域等要素，而目前的人工智能无法完全独立完成这些诉讼活动。因此，在此阶段中的争点整理，人工智能应该起到的是辅助总结的作用，与法官的主动性相互结合。主要工作包括：1.人工智能根据案件的要件构成，对双方当事人的争议焦点做出初步总结；2.对当事人围绕焦点提出的证据进行分解、提示、初步认证；3.对法官总结的争议焦点进行检测、补充、纠错。

最后，要件归入模型的建立则是辅助和验证裁判结果的过程。要件归入模型实际上应当与前面的大前提是相呼应的，最大的区别在于要给法官的主观价值判断留有空白余地，也就是由法官对人工智能缺乏的创新性进行主观上的补充。在此部分，人工智能的主要工作流程是：先由法律智能辅助系统做出一个初级的推演过程及裁判结果，再由法官做出有益补充；反过来说，对于非疑难案件，可以由法官在将裁判结果做出认定，法律智能辅助系统通过要件的逻辑分析做出的逻辑初判，后最终由法官进行价值补充后，做出最终裁判。而裁判智能辅助系统在此起到的就是逻辑演绎、验证的作用，可以为法官的裁判提供逻辑说理并做出验证。

基于上述裁判智能系统的建模过程，最终能够形成一份包含基本说理、证据采信、法律论证的判决书雏形，在此基础上，由法官做出最后的补遗和纠错。通过该系统的建立和使用，并非能够出现一个机器人法官，而是使大部分简单、清晰、重复性高的案件建立审判模型，形成裁判模板，减轻法官的工作负担，提升法官的办案效率、办案能力，从而促进司法公正。

结 语

典型、简单案件往往占据民商事、刑事司法审判中的绝大多数，基层法院“堆积”大量此类案件。基层法官亟需从此类案件的重复性劳动中得到解放。司法人工智能的运用并不会使得审判彻底沦为“自动贩卖机”的模式，而是提高工作效率、提升审判质效的有效途径。当前司法裁判人工智能化的研发过程汇总，需要斟酌的不仅是技术上的障碍，还应考虑法官的接受度和实际效用。在绝大多数民事或形式案件中，尤其是裁判过程，不能通过简单和标准化的计算机程序来处理，这是目前人工智能技术还不能企及的高度。①参见吴习彧：《裁判人工智能化的实践需求及其中国式任务》，载《东方法学》2018年第2期。面对这种发展形势，作为法院的基层工作者，以自己审判实践的裁判方法提出对裁判思维模拟的设想，也是对算法裁判发展的有益拓展。但由于学科的壁垒，审判者或人工智能专家均无法单独的完成司法人工智能的研发，必须二者协作，由审判者为人工智能专家提供深度学习的样本及路径，人工智能专家依靠先进的技术进行研发。