智能司法的辅助决策模型

高 翔

在科技强国、网络强国、数字中国、智能社会建设的国家战略背景下，以及司法体制改革与现代科技深度融合的司法体制改革政策驱动下，我国智能司法建设进入快速发展期。但应当看到，我国智能司法建设实践存在理论根基不实、原理把握不准等问题；我国智能司法研究仍处在起步阶段，尚未形成系统理论体系。智能司法作为司法裁判的新分析工具，对于司法裁判具有辅助功能，辅助决策模型研究是智能司法基础理论研究的核心内容。智能司法辅助决策模型中的“模型”，并不代表司法裁判可机械定义为若干模型，本文并不持司法裁判模型化观点，而是主要指向人工智能辅助司法决策的内在逻辑、基本方式、作用机理等原理性问题。之所以使用“模型”概念，原因在于构建可在计算机程序中实现的法律推理及论证模型并有效模拟人类裁判，是智能司法的理想目标；尽管此目标实则难以实现，也希望通过机器智能模型更好地洞见司法过程。智能司法系统存在两个模型：智能司法辅助决策的逻辑模型、实现辅助裁判目标的计算模型。前者为人工智能与法的交叉领域，后者归属技术领域。本研究主要关注前者，试图建立智能司法辅助决策模型，厘清司法人工智能的生成规律及模拟司法决策的逻辑、机理、路径及应用，构建符合法律实践的智能司法算法，形塑我国智能司法基础理论体系，用于辅助司法裁判、指引智慧法院实践、助推司法体制改革，使我国智能司法建设符合未来法治发展的方向。另外，以智能司法辅助决策模型的构建推动智能司法理论学理化，探究法律逻辑、法理学、诉讼法哲学、人工智能原理的内在关联，力求促进司法信息学、智能司法学等新兴学科发展，探索学科融合发展的可行路径。

一、智能司法辅助决策模型的理论工具转型

法律逻辑、认知科学、人工智能理论均可为智能司法辅助裁判模型提供理论工具，鉴于智能司法理论极大的学科与知识跨越性，相关理论如何互联互通形成有机整体便成为理论工具构建的重要问题。智能司法系统需融入诉讼实践与过程之中，那么要件事实论、新证据学等与诉讼法哲学相关的理论工具的引入便具有必要性与迫切性，从而重构更具生命力的智能司法辅助决策模型的理论工具。

（一）“法律逻辑+人工智能”的理论工具

1.法律逻辑理论

20 世纪以降，现代逻辑广泛运用于法律知识表达、描述司法判决等方面，并与人工智能理论整合发展，形成“人工智能+法律逻辑”交叉学科，重点探讨基于人工智能原理的法律论证建模，尤其是非单调逻辑与可废止推理理论为智能司法开启了新空间。非单调逻辑与可废止推理是基于事物的复杂性、人类认知的不完全性、自然语言的模糊性等带来的不确定性，对不确定性知识的运用与处理方式。〔1〕See B. Brozek, Law and Defeasibility，A Few Comments on the Logic of Legal Requirements, Oxford University Press, 2012, p.256.严格的司法演绎推理体现为单调逻辑与不可废止推理，而法律大前提的解释与修正、新证据的加入、小前提事实认定的不确定性，使前提集随时的增减变化可能导致结论的变化，使得司法推理本质上具有非单调性与可废止性，具体体现在基于反驳和削弱两种论证冲突，引入破坏攻击直接指出论证前提不成立，从而废止原论证。〔2〕参见［荷兰］巴特·维赫雅：《虚拟论证——论法律人及其他论证者的论证助手设计》，周兀译，中国政法大学出版社2018年版，第3-5 页。人工智能将司法推理视作对不同陈述、论据、规范假设加以选择的活动，正好与非单调逻辑及可废止推理相契合，对裁判结果、事实认定、证据推理的推论等可通过非单调逻辑与可废止推理来进行分析。

同时，法律论证理论的新发展为人工智能法律模型构建提供了分析框架。法律论证理论是现代逻辑学、语用学、论辩学、修辞学等融合演进的产物，图尔敏论证模型、佩雷尔曼新修辞学等将逻辑、修辞和对话相交织，形成各具特色的法律论证理论。〔3〕参见［以］ 约瑟夫·赫尔维茨：《法律与逻辑——法律论证的批判性说明》，陈锐译，中国政法大学出版社2018 年版，第3 页。法律论证与人工智能法律系统的契合之处在于：法律论证图式是法律知识的表达方式，且具有开放性可不断修正，与人工智能对法律本体库的深度学习相一致；法律论证具有非单调性和可废止性，从法律适用、事实认定到证据认定与推理，允许反驳性或削弱性观点存在；诉讼中的对审机制及程序规则为法律论证的对话与论辩提供了难得的条件；法律论证中的证明与诉讼活动中的证明责任、证明方法、证明标准具有逻辑上的关联。

论辩模型理论的兴起则为法律论辩及对话式司法创造了智能化场景。法律推理与论证具有论辩本质，包括主张、反主张与论证、反论证，人工智能法律系统的目的是让这种对话结构清晰起来，并开发能控制或调停对立各方之间对话的系统，从而模型化管控这种争议的程序。〔4〕参见［荷］伊芙琳·T.菲特丽丝：《法律论辩导论——司法裁决辩护理论之概览》（原书第2 版），武志宏译，中国政法大学出版社2018 年版，第55 页。20世纪90年代以来，对话博弈开始应用于法律推理，构建两方轮流参与论辩的对话模型，对话过程以多元向量动态表示，通过确立前提集并且使前提集在对话各阶段保持更新，用以约束双方之后的对话，通过对话和承诺集相互作用的方式直至证成某个有争议的陈述。〔5〕See Kathleen Freeman & Arthur M. Farley, A Model of Argumentation and Its Application to Legal Reasoning, 4 Artificial Intelligence and Law 163 （1996）.戈登的诉讼博弈模型是针对普通法系民事诉讼设立的法律论证计算模型，原告提出法律及事实主张后，被告或予以承认或引入某论证来对抗原告的主张及论证，双方均可引入新的规则与事实，通过寻找双方存在分歧的前提，保持下来的分歧成为案件审理的议题，并对双方关于案例结果的不同观点作出解释。〔6〕参见［德］托马斯·F.戈登：《诉答博弈——程序性公正的人工智能智能模型》，周志荣译，中国政法大学出版社2018 年版，第12-13 页。

2.法律专家系统理论

法律专家系统由法律知识库和推理机组成，法律知识库储存法律专家的知识，推理机用于记忆所采用的规则和控制策略的程序，负责调度和运用知识进行推理并给出推理结果，从而模拟法律专家推理。〔7〕See Anja Oskamp, Model for Knowledge and Legal Expert Systems,1 Artificial Intelligence and law 245 （1992）.两大法系基于各自法律传统分别形成基于规则、案例的法律专家系统。基于规则的法律专家系统是用专家系统模拟与规则相关的法律、司法解释、地方法规等内容，建立复数的规则与相应权重的连接，从而预测裁判结果。在基于规则的法律专家系统中，具有代表性的是被誉为“人工智能与法之父”的麦卡迪所创建的TAXMAN 系统，法概念、法律规则和事实均是初始元，逻辑推理采演绎推理模式。〔8〕See L. Thorne McCarty, Reflections on TAXMAN: An Experiment in Artificial Intelligence and Legal Reasoning, 90 Harvard Law Review 837 （1977）.基于案例的法律专家系统的发展，既是英美法系判例法传统与人工智能融合发展的产物，也是对基于规则的法律专家系统缺陷的弥补，即知识表示不仅是法律规则的简单选择，而应提取要素结合案例予以表达。具有代表性的如美国学者阿什利和里斯兰设计的HYPO 法律专家系统，根据案件要素的相关性与重合程度建立索引系统从而发现类似案例，作为本案裁判参考。〔9〕See Kevin D. Ashley, Case-based Reasoning and Its implications for Legal Expert Systems, 1 Artificial Intelligence and Law 113 （1992）.应当看到，基于案例的法律专家系统建立在法律要素类比的逻辑之上，存在法律要素难以完备、要素匹配数量高却并不一定具有法律上的决定意义等局限，较之基于规则的法律专家系统，实则需要更高的智能化程度，具有更大的构建难度。囿于以上局限，基于规则与案例的法律专家系统的实践效果并不理想。

基于规则或案例的法律专家系统，均是知识工程与人工智能结合的产物，是一种法律知识工程。知识工程以知识为处理对象，包括知识的获取、表达和推理，通过机器进行知识应用。〔10〕参见邱均平、韩雷：《近十年来我国知识工程研究进展与趋势》，载《情报科学》2016 年第3 期，第7-8 页。由于以法律专家系统为代表的法律知识工程在知识获取上依赖人工，专家知识库的知识结构不清晰且仅是无规则放置在机器中用于检索，面临法律解释难题、难以解决规则冲突及缺失等问题。尤其对于案件要素的相关性由何种方法确定这个法律专家系统的最核心问题，法律专家系统理论始终未给出有效回答，自20 世纪90 年代后传统的法律专家系统渐入低潮。

3.“法律逻辑+人工智能”的局限性

法律人工智能理论以“法律逻辑+人工智能”为理论框架，已形成一定的理论基础，但仍存在薄弱环节，智能司法系统适用性不强、难以大范围推广是全球智能司法建设面临的共同难题。究其缘由，理论框架的缺陷是根本原因。

缺陷之一，人工智能法律专家系统理论已具相当规模，但知识更新能力弱，面临知识接收瓶颈，人工神经网络、深度学习等新兴人工智能技术与法律理论相结合程度严重不足。人工智能已由以推理和搜索的首轮热潮，发展到专家系统为标志的第二波热潮，再到21 世纪由机器学习推动的第三轮热潮。〔11〕参见［美］ Strart J. Russell & Peter Norvig：《人工智能：一种现代的方法》（第3 版），殷建平等译，清华大学出版社2016 年版，第5 页。深度学习系基于知识图谱数据特征的学习，通过深度学习提升对待决事项预测的准确度。〔12〕参见吴岸城：《神经网络与深度学习》，电子工业出版社2017 年版，第83 页。以人工神经网络为核心的深度学习等新兴人工智能技术，如何突破传统知识工程理论的瓶颈，仍然方兴未艾，现有的“法律逻辑+人工智能”理论工具难以对智能司法辅助裁判模型作出有效指引。缺陷之二，英美法系国家就“法律逻辑+人工智能”实现多学科融合研究，但研究主体集中于法律逻辑学家与法理学家，诉讼法学家参与较少，与诉讼法学的融合不够精进，人工智能法律本体库研究成果较少，法律逻辑理论虽为智能司法提供了顶层理论工具与设计模型，但欠缺与诉讼实践的深度融合，仅是“云端”的理论工具，而不是指导实践的理论工具，或许是英美法系法律专家系统实践运用欠佳的原因之一。缺陷之三，基于诉讼法学等部门法学在法律人工智能研究中参与不足，导致法律人工智能中的法律概念化难以实现。法律专家系统的构建依托于法律的概念化、规则化、符号化，法律概念化过程不仅需要法律逻辑学者、法理学者发挥作用，也需要诉讼法学、实体法学等部门法学者来推动具体法律领域的概念化、规则化。由于法律逻辑学者与法理学者势单力孤，人工智能法律系统的构建很大程度由人工智能学者主导，存在技术性有余、法律性不足等问题。人工法律智能实践迫切需要法律逻辑学者、法理学者与诉讼法学者等部门法学者形成法学学科合力，继而同人工智能学者形成整体研究合力。

（二）“法律逻辑+诉讼法哲学+人工智能”的新理论工具

1.诉讼法哲学理论的引入

其一，要件事实论作为具有诉讼法哲学意义的裁判方法论，对于智能司法建模具有基础性价值。受德国刑法学犯罪构成要件理论的影响和启发，日本司法研修机构对法律职业人开展要件事实教育和培训，形成要件事实理论，并逐渐成为基本的裁判思维和方法。要件事实论是与法律构成要件对应的具体案件事实，是依实体法对生活事实进行裁剪后形成的法律化的具体事实。〔13〕参见许可：《民事审判方法：要件事实引论》，法律出版社2009 年版，第9-10 页。可认为要件事实论是将法律构成要件与案件具体事实、实体法与程序法有效连结并将实体法规范通过诉讼程序得以适用的裁判方法论。〔14〕参见高翔：《人工智能民事司法应用的法律知识图谱构建——以要件事实型裁判论为基础》，载《法制与社会发展》2018 年第6 期，第73 页。在成文法背景下，三大诉讼的裁判路径在于将实体法规范适用于具体案件，从而使该规范所确定的法律后果得以实现。在一般法学上，由于一定的法律效果的发生，而将法律上所必要的事实条件的总体称为法律上的构成要件。〔15〕参见［日］小野清一郎：《犯罪构成要件理论》，王泰译，中国人民公安大学出版社2004 年版，第5 页。法律上的构成要件对应于实体法规范的识别、分析与解构，具有抽象化特征，涵摄于各构成要件之下的具体事实，则是诉讼中的证明对象，从而形成抽象性法律构成要件与具体性要件事实的区分。案件具体事实的内容极其繁复，只有实体法构成要件范围之内的案件具体事实才是诉讼中需要证明的要件事实。尽管我国距离要件事实论的体系化全面适用仍有距离，体现在请求权基础体系尚不完善、要件事实论在实践有所应用但还未有效推广、实体法与诉讼法的对接还较为欠缺、主要仅适用于民事诉讼领域等。但也应看到随着民法典的实施以及实务界开始推动要件审判九步法的具体实践，〔16〕已故上海市高级人民法院副院长邹碧华先生以请求权基础和要件事实论为基础，提炼了要件审判九步法，在实务界产生了较为深远的影响。刑事诉讼研究领域开始关注要件事实与犯罪构成的关系问题，〔17〕参见孙远：《证明对象、要件事实与犯罪构成》，载《政治与法律》2011 年第8 期，第102-111 页；葛磊：《论犯罪构成要件事实认定的基本方法——以法律思维方式为视角》，载《北京航空航天大学学报（社会科学版）》2012 年第3 期，第56-61 页；董坤：《构成要件与诉讼证明关系论纲》，载《法律科学（西北政法大学学报）》2020 年第1 期，第170-178 页。行政诉讼研究领域开始关注要件事实论在行政诉讼中的引入，〔18〕参见刘本荣：《行政公益诉讼的要件分析——以要件事实理论为视角》，载《北方法学》2020 年第4 期，第83-97 页；江必新、徐庭祥：《行政诉讼客观证明责任分配的基本规则》，载《中外法学》2019 年第4 期，第911-931 页；曹伊清、崔小峰：《行政诉权滥用认定要件研究》，载《学习与探索》2020 年第5 期，第71-78 页。要件事实论正在立法、学界及实务界产生越来越深的影响。要件事实论“主张—抗辩—再抗辩”的诉讼攻防结构契合法律人工智能的论辩原理，案件攻防得以标准化呈现，符合智能司法的对话式论辩原理。要件事实论在智能司法中被引入后，将以其自身裁判逻辑构建法律专家系统的推理原理，解决案件要素的相关性由何种方法确定这个法律专家系统的最大缺陷。

其二，英美法系以司法证明机理为内核的新证据学理论，与智能司法中的证据推理建模具有原理共通性。边沁、威格摩尔推动了英美新证据学的发展，威格摩尔认为诉讼证明与事实认定最重要的并非证据可采性，而是解决可采性问题后对证据进行评价的自然过程。〔19〕See John Henry Wigmore, The Science of Judicial Proof, Little, Brown, 1937, p. 4.此自然过程包括依据直接证据认定事实以及依经验法则从间接事实推认事实两种路径。之后，英美法系引入概率学、图表分析法、话语学、计算机科学、法律叙事学等新证据学方法，涌现出贝叶斯定理、故事模型理论等证据评价或事实认定模型，通过发现证据之间、证据与事实间的逻辑联系构建事实图景。〔20〕参见吴洪淇：《边沁、威格摩尔与英美证据法的知识传统——以证据与证明的一般理论进路为核心的叙述》，载《比较法研究》2009 年第5 期，第78 页。新证据学的交叉学科属性为引入人工智能创造了条件，不仅贝叶斯定理、故事模型理论模型等与人工智能联系密切，计算机科学与法律专家系统本身也是新证据学的分支之一，因其更依赖于数学模型与计算机模型，甚至被称为“第二种类型的新证据学”。〔21〕封利强：《司法证明机理：一个亟待开拓的研究领域》，载《法学研究》2012 年第2 期，第153 页。

其三，人工智能与证明的融合发展揭示了智能司法建模不仅是静态法律推理与论证，而且涉及与诉讼证明等过程性司法行为的动态结合。尽管人工智能与司法证明的融合研究尚处起步阶段，但具有广阔空间；甚至可认为，人工智能与证明的融合将带来新证据学的再次革命，证明的逻辑框架可能会被智能司法模型框架所设计。法律论辩模型中，主张某个句子的博弈方有责任去证明该句子是被证成的，提出方与反对方在博弈中可以转换，这与诉讼证明极为类似。〔22〕参见［荷兰］ 阿尔诺·R. 洛德：《对话法律：法律证成和论证的对话模型》，魏斌译，中国政法大学出版社2016 年版，第170 页。诉讼证明中证明责任分配的内部结构、本证、反证，与人工智能法律论辩模型中的交替提出论辩主张、反驳与削弱观点的提出具有内在联系；冲突论证中两个相互反驳的论证强度的大小，则与诉讼中的证明标准理论具有共通性。

2.理论工具转型之于智能司法辅助决策建模的意义

在“法律逻辑+人工智能”基础上，新理论工具融入诉讼法哲学考量，形成诉讼法哲学对“法律逻辑+人工智能”的有益补充，构建“法律逻辑+诉讼法哲学+人工智能”的新理论工具，对于智能司法辅助决策的模型建构至少具有三方面意义。

意义之一，新理论工具的结构符合智能司法辅助决策建模的内在规律。智能司法辅助裁判模型包括分析情境、回答法律问题、预测结果或做出法律论证等，对于法律论证、法律推理和法律预测等智能服务模型，知识表示的瓶颈阻碍了其在法律实践领域的应用。法律文本解析技术可以突破知识表示瓶颈问题。法律文本解析又被称为法律文本挖掘，是指使用语言的统计和机器学习的技术发现法律文本数据档案中的知识。〔23〕参见［美］凯文·D.阿什利：《人工智能与法律解析》，邱昭继译，商务印书馆2020 年版，第4-5 页。但法律逻辑学并不能彻底解决法律的知识表示问题，也难以展现诉讼动态攻防的具体过程。而融入诉讼法哲学考量后，可成为法律文本解析技术的重要基础，使智能司法系统所赖以依托的法律知识体系概念化、规则化、符号化，为法律本体库构建提供基本思路，形成法律逻辑解决法律推理与论证的理论问题，诉讼法哲学则将法律逻辑融汇于诉讼实践中，解决法律选择、诉讼证明、证据推理等相对微观问题的内部结构，使“云端”的理论工具成为实用的理论工具，智能司法辅助裁判可真正得以实施。同时，在知识工程理论基础上，新理论工具关注法律逻辑、诉讼法哲学与人工神经网络、深度学习等最新人工智能原理对接，以学科融合的视野、理论互补的方法推进法学与哲学深度对话、人工智能与司法裁判知识深度结合。

意义之二，新理论工具有助于破解智能司法的案件认知难题。人工智能机器学习的前提是规则化、要素化和图谱化。智能司法是司法大数据基础上的认知科学实践，构建法律、事实、证据间的动态逻辑关系，使机器具有一定的案件认知能力，进而形成司法人工智能。但对案件非结构化数据的认知是智能司法的首要难题，又是智能司法辅助裁判模型的核心。构建出一个领域的本体，将极大提升机器对该领域的信息处理能力，它已成为知识获取、表示、推理及应用的核心。〔24〕参见丁永生：《计算智能——理论、技术与应用》，科学出版社2004 年版，第165 页。法律本体库又称为法律知识图谱，是司法人工智能生成的逻辑起点，也是机器认知个案进而模拟裁判的前提。法律本体库的构建需要根据法律概念的关联性标记或注解法律文本，厘清非结构化数据的内部结构，提供便于计算机程序处理的知识的概念体系；同时，本体库需要反映人类专家知识，这些专业知识关注哪些概念和关系应该包括进来使智能系统能够执行最终任务。〔25〕See Joost Breuker, André Valente & Radboud Winkels, Legal Ontologies in Knowledge Engineering and Information Management, 12 Artificial Intelligence and Law 241 （2004）.诉讼法哲学新理论工具中的要件事实论、新证据学理论及证明理论为法律本体库构建提供了较稳定的方法支撑。要件事实论对于法律本体库的构建具有基础意义。要件事实论是将法律与事实、实体与程序等结构化的理论体系，可有效厘清法律知识图谱的结构关系，实现从案件类型相似、文件相似到要件相似的匹配，有助于机器深度学习。新证据学对证据评价的交叉学科视角，为解决司法人工智能对案件事实的认知难题、证明力判断等提供了新的分析视角，故而诉讼法哲学对于缓解机器智能的案件认知难题有所助益。

意义之三，新理论工具有助于有效破除算法“黑箱”。算法“黑箱”是智能司法最值得担忧的问题之一，算法模型的神秘化、技术化，可能导致数据科学家也难以完全理解人工智能预测背后的逻辑，从而具有“黑箱”性质。〔26〕参见李晓楠：《可信赖 AI 司法：意义、挑战及治理应对》，载《法学论坛》2020 年第4 期，第120 页。智能司法建设同样存在算法“黑箱”和算法霸权的隐患，数据提取、标注中的主观性因素以及编辑者的逻辑编排、要旨提炼、观点选择，可能具有不确定因素。〔27〕参见马长山：《司法人工智能的重塑效应及其限度》，载《法学研究》2020 年第4 期，第33-34 页。诉讼法哲学新理论工具的引入，可一定程度解决算法“黑箱”的问题，减少智能司法算法形成的不确定性，增强智能司法算法的透明度与可解释性。比如，在要件事实论下，实体法构成要件、要件事实、证据评价构成严谨网络，经机器识别后成为辅助裁判的相关因素，以此形成的智能司法算法与要件事实论的裁判逻辑相匹配，从而使算法具有合法正当性，可避免对智能司法算法“黑箱”的质疑。将要件事实论作为智能司法思维形成的基础不仅不会产生制度冲突，反而暗合人工神经网络的特征。

二、智能司法辅助决策模型的建构路径

智能司法辅助决策模型的建构路径包括两个层面，第一个层面是司法人工智能的生成路径，这是智能司法辅助决策模型的首要任务与先决问题，其核心内容是智能司法的认知建模与知识表示。只有依据司法裁判规律生成的司法人工智能才能有效模拟裁判，起到辅助裁判、提供裁判参考的作用，未遵循司法决策内在规律生成的司法人工智能，可能是与司法实践相去甚远的“伪智能”。第二个层面是智能司法如何模拟裁判，厘清智能司法辅助司法决策的逻辑环境及基本方式等问题，其核心内容是智能司法的知识推理与知识应用。

（一） 司法人工智能的生成路径

不同于法律专家系统中规则固定的知识库与推理机，司法人工智能的生成路径具有法律本体库设计、深度学习、监督学习等特征，具体路径为“法律本体库—要件解构与标注—自然语义识别与深度学习—司法人工智能”。

1.以要件事实论为基础的法律本体库的构建

本体库是概念化的具有阶层顺序的描述某特定领域假设或公理的集合，可清晰定义和呈现该领域概念、类别、关系、函数、公理及束缚条件。〔28〕参见黄居仁：《本体与词汇库——自然语言处理角度的解析》，北京大学出版社2014 年版，第14 页。与通常意义的知识工程相比，本体库具有更清晰的阶层性，是对该领域知识的系统整理和结构化表达，从而具有结构化数据的特征。相对应，法律本体库是法律概念、法律规则、各法律规则构成要件、证据规则构成的动态关系库。法律本体库对法律整体及内部结构关系的关注，已超越传统法律知识工程对规则和案例的静态关注。

就构建法律本体库而言，法律领域的概念化便成为第一步，这是法律本体库的构建应更依凭法学学者之智识而非依赖于人工智能学家抽象建模的缘由。法律本体库通过分析概念间的关系及结构形成概念网络从而构筑知识体系，具有人工智能学中词汇表的功能，为司法人工智能提供正确的分词，从而形成法律语义库，这是智能司法模拟裁判的基础。学界就法律本体库构建形成一定研究成果，如法律论述语言本体库、规范形式主义本体库、法律功能本体库以及以框架为基础的本体库等，但并未找到将概念法学体系转换为法律本体库的妥帖路径。〔29〕参见陈显武、陈世昌：《法资讯学上法本体论研究的兴起与发展之分析—— 一个基本哲学概念意义之转换》，载《台大法学论丛》第33 卷第5 期（2004 年），第26-32 页。我国智能司法实践亦开始关注法律本体库的基础性作用，华宇元典、法信等人工智能法律研发机构均致力于构建法律本体库，但具体的建构路径与方法仍在探索之中。〔30〕参见邹劭坤：《法律人工智能的真实当下与可能未来》，载《法治现代化研究》2019 年第1 期，第29-30 页。法律本体库构建规律的欠缺，亦直接影响我国智能司法辅助裁判系统的运行效果，出现政策热但实践运行效果并不理想的反差。〔31〕参见左卫民：《热与冷：中国法律人工智能的再思考》，载《环球法律评论》2019 年第2 期，第55 页。

法律本体库的构建有自上而下与自下而上两条路径。自上而下路径由法律专家根据法律逻辑构建法律知识图谱，自下而上路径则完全由机器在对司法案例大数据进行深度学习基础上自主构建法律知识图谱。〔32〕参见张保生：《人工智能法律系统的法理学思考》，载《法学评论》2001 年第5 期，第11-21 页。由于法律数据尤其是司法案例数据涉及法律解释、价值判断等不确定因素且多为非结构化数据，若采机器对司法案例大数据进行深度学习，自主构建法律知识图谱的自下而上路径，实则难以有效完成实体、关系及属性抽取等任务，因而，采取自上而下路径构建法律本体库系相对合理的选择。

在明确路径之后，法律本体库的构建方法系更为关键的问题。构建法律本体库的难题在于如何厘清各法律概念的关系、结构及作用，法律本体库实则是描述符号化的各法律要素之间关系的语义网，并将该语义网作为机器自然语言识别的基础。要件事实论作为具有诉讼法哲学意义的裁判方法论，正是探究法律与事实、法律与事实各概念相互关系及实践方式的基础理论，具有贯通法律与事实、实体与程序的功能，可作为法律本体库构建的基本方法，使司法数据由非结构化转向结构化。由词法、结构、过程等构成的法律本体库与要件事实论具有逻辑共通性，依要件事实论对某法律关系对应的实体法及要件事实进行多层级解构后的要件对应于法律本体库的分词，实体法与事实的关系对应于法律本体库的结构。〔33〕同前注〔14〕，高翔文，第73 页。在自上而下的路径下，以要件事实论为基础，可描述各分词的语义及关系，建立概念法学体系与智能司法辅助裁判建模的关联，从而形塑层级清晰的人工智能法律本体库。

2.要件解构与标注

以要件事实论为基础建立法律本体库后，需根据裁判逻辑对每类法律关系进行层级解构，依次解构为实体法规范、各要件事实、事实主张与抗辩、证明责任、直接证明与间接证明、裁判结果等各要素。最微观的要素系分词，与上位要素在要件事实论的内部结构中形成智能司法语义网。

基于我国系依成文法裁判的国家，要件解构的第一步应从实体法规范的解构开始。实体法规范存在“构成要件+法效果”的内在逻辑结构。〔34〕同前注〔13〕，许可文，第9-10 页。在刑事智能司法辅助系统的法律本体库中，要件解构的第一步即为犯罪构成要件的解构。在民事智能司法辅助系统的法律本体库中，要件解构的第一步即为民事实体法规范的构成要件解构，如违约之诉的实体法构成要件可解构为合同成立与生效、相对方违约，物返还之诉的实体法构成要件可解构为权利主张者有所有权、物被相对方占有。实体法规范被要件解构后将被进行标注，经过自然语言识别后成为机器深度学习的对象。之后，围绕被解构的每个实体法构成要件进行证明与认定，根据证明责任分配规则分配证明责任并予以标注，根据被告采取的直接否认、间接否认、事实抗辩等防御方式就对应情形分别予以标注。最后，若被解构的各要件均被认定为真，实体法规范将得以适用；即使有一个要件不能得以认定，实体法规范将无法适用，将此裁判路径予以标注。

3.自然语义识别与深度学习

自然语义识别是以给机器配备语言知识的方式，使其可接受人类使用自然语言输入的指令，理解自然语言的主观语义。〔35〕参见张重生：《深度学习原理与应用实践》，电子工业出版社2016 年版，第7 页。将法律命题转化为逻辑命题，将法律规则、案件事实由自然语言转换成机器语言，是人工智能的薄弱环节。法律本体库中类案的要件解构，已实现法律信息及知识的系统规范整理，构建了规范的法律标签数据库，这在信息学领域具有信息过滤、标注及语义挖掘的意义，一定程度消除了法律语言与自然语义的鸿沟，为自然语义识别创造了相对清晰的对象，可实现由法律本体库向语义信息网络的转化。

法律本体库的要件化为自然语义识别提供了可行路径与样式，随后需解决识别对象与方法问题，其中识别对象也是机器深度学习的对象。机器学习是机器通过对海量数据的学习发现规律性信息并用于解决分类、归类、聚类等问题的过程。〔36〕同前注〔11〕，Strart J. Russell & Peter Norvig 书，第690 页。要件化的法律本体库需与司法案例大数据相结合，通过机器对司法案例大数据的自然语义识别继而进行深度学习，方可形成司法人工智能。要件化的法律本体库以及对类案的要件式解构，实则是对海量司法案例大数据进行自动或半自动抽取和标注的过程，从而提升深度学习的效果与效率。如在物返还之诉中，要件被解构为权利主张者有所有权、物被相对方占有两项，机器深度学习则遵循以上两个要件的路径，针对物返还之诉的判决书大数据进行深度学习，从而形成“实体法要件解构+司法案例大数据深度学习”相结合的司法人工智能生成方法。

在学习方式上，存在无监督学习和监督学习两种方式，无监督学习是高级人工智能的产物，机器可实现自主学习、自我纠错、自我校正，但存在深度学习过程不公开及算法黑箱之弊。同时，法律知识的复杂性与法律语言的多义性也使得无监督学习在智能司法领域难以适用。监督学习是对输入对象预先分配经标注过的标签，对标签数据进行学习并发现分类规则，从而输出未含标记信息的数据属性特征的一种监督学习方法，其目的是使分类准确性达致最佳。〔37〕参见史忠植：《人工智能》，机械工业出版社2018 年版，第208 页。监督学习系机器深度学习司法案例大数据的主要方式。首先，根据以要件事实论为基础的法律本体库提供适宜的训练集和分类器，确定学习对象的分类、分层、分级规则，然后，由法律专家适时纠正机器深度学习过程中出现的各类错误判断，并对其错误予以标注形成深度学习的训练数据集，使机器在监督学习下不断试错纠错、分析建模，在具备一定数量基础上逐步达致模拟推理和判断功能，从而形成为实现模拟裁判任务而构建的指令集即算法模型，生成司法人工智能。

（二）智能司法辅助决策的方式

计算模型可按照程序的输入、将输入转换为输出的过程、结果的输出三个环节加以描述。〔38〕参见［美］凯文·艾希礼：《数字时代的法律实践：一份人工智能法学课程大纲》，杨安卓译，载《法治现代化研究》2019 年第1 期，第37 页。将输入转换为输出的中间步骤是智能司法算法的核心内容，即智能司法如何模拟裁判的问题。

1.智能司法模拟裁判的逻辑环境

司法裁判逻辑具有非单调性和可废止性。其一，体现为实体法规范的解释与续造。在一些情况下，作为请求权基础的实体法规范大前提是确定无疑的，但在某些案件中，存在法律语义歧义、法律解释不确定问题，甚至可能涉及诚实信用、公序良俗等不确定性法概念的评价，需运用文义解释、体系解释、漏洞填补、利益衡量、价值判断等法律方法，这是司法裁判逻辑具有非单调性和可废止性的首要体现。其二，体现为基于反驳和削弱的论证冲突，原结论可能被某种方式加以辩驳是诉讼的常态，诉讼是不断废止原论证最后得出论证结论的过程。智能算法源于海量标签数据，难以受制于单调逻辑和不可废止性推理，法律论证间的攻击和冲突关系，使前提集的内容不断发生增减变化，论证者可能不断拒绝原来的法律结论。〔39〕参见［荷兰］亨利· 帕肯：《建模法律论证的逻辑工具：法律可废止推理研究》，熊明辉译，中国政法大学出版社2015 年版，第257-258 页。诉讼活动按照“主张—抗辩—再抗辩”的诉讼逻辑探究事实真相，对于原告根据诉讼请求提出的事实主张，被告可能采取否认、间接否认、抗辩等不同防御方法，这个过程在法律论证上实则是反驳论证冲突。如原告主张被告偿还借款，被告可能会以借款已经偿还提出抗辩或金钱系原告赠与提出间接否认；原告诉请被告承担违约责任，被告可能提出合同无效的抗辩，原本成立的法律论证可能因抗辩的成立而不再成立。即便是被告在不负证明责任时为动摇法官心证而所提出的反证，也具有法律论证层面削弱的论证冲突的含义，因此诉讼两造的论辩过程为智能司法建模提供了基本程序构造。在非单调性和可废止性的逻辑环境中，智能司法系统才具有模拟法律推理或论证的逻辑可能。诉讼两造通过诉讼对话博弈模型使案件信息在诉讼攻防对抗下逐渐得到披露与显示，则为智能司法系统模拟裁判提供了获取案件信息的方式。

2.智能司法模拟裁判的基本过程

人工智能的本质是功能模拟，智能司法辅助裁判实质是通过机器模拟法律推理及论证、法律适用、事实认定的过程。智能司法辅助裁判系统的算法规则根据分词和语义网而设定，凭借算法规则针对案件的审判信息进行模拟裁判。智能司法模拟裁判的算法规则与司法人工智能的生成规律具有逻辑一致性，要件事实论是生成司法人工智能的最佳方式，同时也是算法规则的最佳选择。在要件事实论指引下，司法人工智能根据要件层级解构之后所构建的智能司法语义网来识别、认知待决案件。

机器认知待决案件并做出模拟裁判的第一步是情节提取，情节提取以要件事实论为指引对待决案件的审判信息进行分类，形成结构化标签。显著的道理是微观、低阶的案件要素较宏观、高阶的要素更易进行情节提取和自然语义识别。如在法律本体库中，民间借贷诉讼的要件事实为当事人的借贷合意与金钱交付，借贷合意的要件事实可解构为书面或口头方式成立，金钱交付的要件事实可解构为现金交付、转账交付等形式。基于此，书面或口头合意，现金或转账交付等待决案件信息中最微观层面的要件事实即为机器信息抽取的对象，经过提取后形成结构化标签，确定待决案件信息中合意方式究竟是书面还是口头、金钱交付方式究竟是现金还是转账或其他方式。

机器认知待决案件并做出模拟裁判的第二步是相似性匹配度比对。对抽取出的待决案件信息，同以法律本体库为基础的智能司法语义网进行相似性匹配度对比，达到相似性匹配度要求的即为类案。法律人工智能历史上基于案例的法律专家系统，也是建立在法律要素类比逻辑上，但由于欠缺对各法律要素的地位及相互关系的裁判逻辑考量，而是简单以匹配数量多少来确定类案，故而存在局限性。要件事实论打破了以相似法律要素数量多少进行类案比对的思路，而基于要件事实论贯穿事实与法律、要件层级解构后可形成逻辑周密的裁判思维网络，以及主要事实、间接事实与辅助事实的区分等特征，使各法律、事实要素能够基于其在要件事实体系中的定位而确定其位阶，从而使类案相似性匹配在法律与技术上具有真正可能性，突破智能司法系统的理论瓶颈。

机器认知待决案件并做出模拟裁判的第三步是输出裁判结果。若具备相似性匹配度，则待决案件符合类案标准，可适用法律本体库的裁判规则进行模拟裁判，从而输出裁判结果。就此语义而论，智能司法辅助裁判模型是在要件事实论指引下构建法律本体库，又以要件事实论为指引建立待决案件信息与法律本体库的匹配关系，达致匹配度要求后输出裁判结果的过程，为法官裁判提供新的模型化的分析工具。

三、智能司法辅助决策模型的应用机理

智能司法系统只有融入各诉讼过程及审理阶段，才能达到辅助裁判之效，智能司法辅助决策模型的设计除了厘清基本原理外，更需针对各项具体诉讼活动建立子模型。围绕法律适用与事实认定两项主要审判活动展开的智能司法辅助决策各项子模型，具有不同的作用机理，功能定位、适用范围、辅助方式均有所不同，需进行具体的精细化构建。

（一）智能司法辅助决策模型的结构分化

智能司法辅助决策模型的组成结构，由诉讼活动、裁判活动的组成结构所决定；解决了诉讼活动本身的结构问题，才能回应司法人工智能模型内部结构的问题。成文法背景下基本的诉讼逻辑是，当事人提出诉讼请求并确定请求权，并根据请求权确定相关的实体法规范，法官对实体法规范进行构成要件解构和证明责任分配，当事人围绕构成要件对应的要件事实根据证明责任分配规则就有争议的事实进行证明，法官根据当事人的诉讼证明进行事实认定，如果达到证明标准事实得以认定，则产生实体法规范适用的法律效果。

尽管诉讼活动在习惯上被区分为法律适用与事实认定，但两者并非泾渭分明，而是交错推进最终得出裁判结论。在成文法语境中，实体法问题是事实问题的先决条件，事实问题与法律问题很难从概念上予以分离。裁判结果形成的过程，是将法律规范解构为若干构成要件并进而确定要件事实，另外，根据生活事实探求与之最为接近的法律规范并剖析要件，来回穿梭于事实与法律之间的往复交叉式的推理链条。〔40〕参见［德］卡尔·拉伦茨：《法学方法论》，陈爱娥译，商务印书馆2003 年版，第160 页。案件事实按照实体法的“效果—要件事实”框架被架构起来，并作为审判对象呈现给法院。〔41〕参见王亚新：《对抗与判定——日本民事诉讼的基本结构》，清华大学出版社2002 年版，第102 页。基于此，智能司法辅助决策模型结构不宜简单按照法律适用与事实认定的标准进行区分，应当进行更符合诉讼逻辑且更精确的划分。智能司法辅助决策模型的组成结构大致包括法律选择及解释模型、诉讼证明模型、证据能力评价模型与证据推理模型。〔42〕诉讼证明模型与证据能力评价模型与证据推理模型有一定的交叉，诉讼证明模型主要涉及证明框架、证明路径、证明责任等宏观内容，而证据能力评价模型与证据推理模型主要关注具体证据及事实等微观问题。其中，法律选择及解释模型可归入法律适用类模型，而诉讼证明模型、证据能力评价模型属于法律适用与事实认定交错型模型，证据推理属于狭义的事实认定类模型。由于在诉讼中性质迥异，各子模型差异较大，需根据各自规律分别设计，分析人工智能在不同子模型中作用范围及功能的差异。

在法律选择、证明责任分配、证据能力形式要件评价方面，智能司法基本可代替法官甚至较法官行为更为精准；在证据推理模型中的证明标准客观量化方面，智能司法有一定的作用空间；而在法律解释、证据能力的实质性评价、自由心证及经验法则的运用、内心确信的形成方面，智能司法则存在难以回避的认知障碍及作用局限，无法代替法官作出判断。即使从辅助法官决策而言，也仅能提供之前法官群体通常、平均的判断标准供法官作为资料参考，难以结合个案情事进行实质性辅助裁判。

综上，智能司法辅助决策各自模型的适用具有以下三个规律性特征。特征之一，智能司法辅助决策模型适宜于客观化较明显的领域，而在主观判断领域则适用受限。法律适用与事实认定并非划定智能司法适用范围的边界，对于法律适用与事实认定中客观性较强的领域，如无理解歧义时根据当事人诉请及主张进行的法律选择、请求权基础规范确定后的证明责任分配特征及事实认定层面的证据能力形式要件，智能司法可发挥较大作用；而对于法律解释、自由心证、经验法则等主观性较强的事项，智能司法则适用受限。特征之二，智能司法辅助决策模型的适用受到自由心证等原则的极大限制。自由心证是对法院认定事实阶段加以作用之审理原则，指对所有证据依相互关系整体观之，以达成实现案件真实目标。〔43〕参见姜世明：《证据评价论》，新学林出版股份有限公司2015 年版，第5 页。自由心证是法官个体对于案件事实的独立认知过程，与智能司法作为法官平均判断标准的模拟具有本质差异。辩论全趣旨审酌也是人类独有的认知能力，辩论全趣旨是整个口头辩论过程裁判者所能感知到的事项，实际难以详细说明或具有只可意会、不可言传的性质，一些日本学者认为这正是辩论全趣旨的精妙之处，主要包括对当事人在庭审中情态及言行一致性的判断等。〔44〕参见［日］高桥宏志：《重点讲义民事诉讼法》，张卫平、许可译，法律出版社2007 年版，第45 页。对于辩论全趣旨的判断，实属智能司法能力范畴外的事项。此外，在事实推定中经验法则被作为大前提被大量运用，人类经验法则难以完全转化为数据，即使转化为数据后机器也存在认知障碍。特征之三，对于本质上具有极强主观判断属性，但又需要客观化标准作为支撑与规制的领域，智能司法辅助决策模型具有特殊作用。诸如经验法则、证明标准等事项，主观性、具体性、个案性为其本质特征，但作为一种从具体到抽象的一般性知识，又具有一定客观性，呈现主观与客观、抽象与具体交错的特征，总是在秉持主观性品性与寻求客观性规制之间寻求平衡。对于此类深受法官个人心智影响的事项，智能司法难以进行有效模拟，但可在促进客观规制合理化方面发挥作用。

（二）法律选择及解释模型的多元应用

在成文法国家，裁判逻辑的第一步是根据当事人的诉讼请求及事实主张寻找请求权基础规范。完全法条由构成要件与法效果构成，本案对应于某个确定的法条。在请求权基础为完全法条情况下，司法人工智能运用自然语义识别技术，通过当事人诉请及主张来确定作为请求权基础的实体法规则并无障碍。裁判中存在相当数量的不完全法条情形，或构成要件不充分，或法效果不充分，又或两者皆不充分，此时在法律选择技术上需以其他法条为补充，以多个法条共同作为请求权基础的实体法规范；只要在法律本体库中充分记载不完全法条及与其他法条互为补充及整体适用的情形，机器同样可在要件事实论指引下进行法律选择，甚至可能更为便捷与精准。

法律适用模型的最大局限在于难以模拟法律语义的解释、法无明文规定时法的续造、漏洞填补与利益衡量及如何处理规范冲突问题。正当程序、公平正义等核心价值难以编辑成算法是全球智能司法建设面临的共同难题。〔45〕See Pasquale Frank & Glyn Cashwell, Four Futures of legal Automation, 63 UCLA Law Review Discourse 26（2015）.司法人工智能对法律解释问题难以有效进行模拟裁判，但可通过“连续的细化过程中修改系统规则，以便捕获概念含义”来尝试处理法律模糊概念。〔46〕参见李飞：《人工智能与司法的裁判及解释》，载《法律科学（西北政法大学学报）》2018 年第5 期，第37 页。这种尝试形成数据与经验积累后，可形成一种类似于法官群体对模糊法律概念的通用、通常、平均判断标准，为法官对模糊法律概念的理性解释提供新的分析工具和参考佐证。

（三）诉讼证明模型的广泛应用

诉讼证明过程的第一步，系要件事实论下证明责任的分配，以民事诉讼为例，依诉讼法理证明责任既包括就主张提供证据的行为意义的证明责任，也包括在要件事实真伪不明时承担败诉风险的结果意义的证明责任。证明责任分配实为法律适用问题，已蕴含在相关实体法规范中，解决的是某项事实是否属于要件事实及该事实主张是否需要证明的问题。相对于针对本证的证明责任而言，不负证明责任的一方仍可提出反证以动摇法官内心确信从而使待证事实处于真伪不明状态，达到本证方事实主张不能成立之效。第二步，是分配证明责任后各要件的证明路径，即证据支持事实主张的结构与方式问题，具体体现为直接证明与间接证明路径。直接证明路径即当事人通过举示证据直接加以证明的证明活动（直接本证），所涉证据为直接证据；间接证明路径则为当事人通过证据证明间接事实，之后由法官依经验法则推定要件事实，此举证活动为间接证明（间接本证），其中所涉证据即间接证据（间接本证）。无论是直接证明还是间接证明，在诉讼两造反复进行的证明活动中，法官心证沿着“形成—动摇—再形成—再动摇—逐渐稳定—固化”的心理过程，最终形成符合证明标准的心证。综上，诉讼证明模型包含证明责任分配、直接证明、间接证明三层内涵，可分解为与之对应的三类子模型。

就证明责任分配模型而言，无论是完全法条还是不完全法条，在被确定为请求权基础规范后均可进行要件解构，机器以法律本体库为指引，可在要件事实论的裁判逻辑指引下对构成要件进行解构。要件事实分为权利发生事实、权利发生障碍事实、暂时阻止权利行使的权利阻止事实及权利的消灭事实。〔47〕参见段文波：《规范出发型民事判决构造论》，法律出版社2012 年版，第71 页。当事人主张权利发生、妨碍或消灭的应负证明责任，如在民间借贷诉讼中，原告主张被告偿还借款则应就借贷合意、金钱交付这两个债权成立的要件承担证明责任，被告提出借款已偿还的权利消灭抗辩，则应就权利消灭的要件承担证明责任。法律人工智能对话博弈理论中行动、承诺集之间的互动，对应于诉讼法意义的证明责任分配及其实施，为法官提供暂时性、可能性思考，直至有新的相反信息出现（如诉讼法意义的抗辩或否认等），又形成新的暂时性、可能性思考，直至得出最后结论。故而，法律论证中的证明责任便与诉讼法中的证明责任分配理论具有内在契合性，证明责任分配理论将从根本上解决法律人工智能中的论证结构问题。由于结果意义的证明责任分配蕴含于实体法规范之中，在法律本体库准确记载各实体法规范的要件解构及证明责任分配后，机器可以相对人工更精确地进行证明责任分配。就此而言，证明责任分配模型是智能司法可以充分发挥辅助功能的领域。

就直接证明模型而言，系当事人举示直接证据证明待证事实，影响法官心证的过程。模型构建的核心在于法官对直接证明的评价标准，即评价证据对案件事实主张的支持程度，在诉讼法体系中即为证明标准的问题。在不同法系及不同诉讼的本证中，证明标准具有排除合理怀疑、高度盖然性或优势证据证明标准的差异；相对方提出的反证则以动摇事实认定者初步形成的心证为标准，低于本证的证明标准。诉讼法体系中关于本证与反证的证明标准为人工智能法律论证视域下的论证强度提供了基本框架，即本证、反证双方在法律论证框架中的攻击关系及应达到的证明强度，以强度来表达法律论证的渐进性并最终达到证明标准。另外，尽管证明标准客观化的尝试被认为违背自由心证，从诞生之际即受质疑，但人工智能技术的引入为证明标准的量化提供了新路径，可使证明标准在定性与定量分析中求得平衡，具体内容将在之后的证据推理模型中详述。

就间接证明模型而言，在本证中，当事人并未举示直接证据，系以经验法则为大前提，通过以间接证据证明间接事实小前提成立的方式，来推定某个要件事实成立，其性质仍是法官自由心证，属于事实认定范畴。在间接反证中，对方当事人对间接证明可通过两种反证方式加以否定，一是证明作为事实推定小前提的间接事实为伪，从而妨碍法官的事实推定；二是证明与作为小前提的间接事实相对立的另一间接事实存在为真，从而妨碍法官的事实推定，与抗辩有类似性质。间接本证中“经验法则+间接事实”的推理过程，与全案中的可废止推理无本质差异，可如前所论将智能司法模拟运用其中。当然，作为大前提的经验法则居于类似法规的地位，但经验法则确定系自由心证过程，经验法则既是自由心证的保障，又是其内容，主观性为其本质特征，但经验法则又具有一定客观性。经验法则的自由心证属性及主观性，限制智能司法的适用，但其客观性属性使司法人工智能有一定的适用空间。对于间接反证，无论是攻击作为小前提的间接事实为伪还是提出与小前提对立的另一间接事实，均属于可废止性法律推理中的破坏及冲突攻击情形，可适用之前的智能司法模拟裁判的原理予以设计。

（四）证据能力评价模型的相对应用

基于对证据属性的认识，证据评价分为证据能力评价与证明力评价，前者解决证据是否具有证明案件事实的能力或资格，后者解决其与待证事实关联强度的问题。基于诉讼传统及程序的影响，两大法系在证据能力评价上形成不同方式，英美法系在法官与陪审团二元法庭结构传统的影响下，在证据法中形成严密的证据能力评价体系，制定严格的可采性规则，如关联性规则、传闻规则、非法证据排除规则等，证明力评价则由裁判者自由心证。大陆法系实行职业法官制和更彻底的自由心证制度，法律不对证据能力作出规定，证据能力与证明力均由法官自由心证。尽管大陆法系对证据能力采自由心证主义，交由法官在个案中根据具体情势对证据能力予以酌定，但近年来基于对公共程序的维护，大陆法系国家也开始对证据采集严重反社会等情形设立规则，作为证据能力自由心证制的补充。

相关性系证据能力的第一层次内涵，《美国联邦证据规则》对相关性的描述是证据使决定某项在诉讼中待确定的争议事实的存在比没有该项证据时更有可能或更无可能。〔48〕参见［美］理查德·D.弗里尔：《美国民事诉讼法》，张利民等译，商务印书馆2013 年版，第265 页。只要证据与待证事实存在任何意义或可能的逻辑关联，包括形式意义的联系，均认为符合相关性要求，故而证据关联性的审查系形式上的资格筛选。基于政策或特殊利益考量，在证据具备相关性属性时其证据能力仍可能给予否定性评价，除非法证据排除外，还包括品性证据、传闻证据、不得用以证明过错和责任的证据等一系列相关证据排除规则及其例外。

证据相关性评价是证据与本案事实的低强度关联和形式化审查，智能司法系统通过法律本体库及自然语义技术可实现最低限度的识别。对于智能司法系统运用于证据合法性辅助审查，证据合法性评价实则系法律规则问题而非纯粹的事实认定问题，只要非法证据排除规则被机器深度学习形成算法，智能司法系统可在排除非法证据方面发挥相当作用，甚至可在证据能力形式要件审查上代替法官。“上海刑事案件智能辅助办案系统”已具备单一证据校验功能，可对证据收集程序、形式要件的完备性及明显瑕疵进行审查，排除形式要件不适法的证据，辅助法官的证据能力判断。〔49〕参见崔永东：《人工智能与司法现代化》，上海人民出版社2019 年版，第112 页。智能司法系统运用于证据能力评价的局限在于非法证据排除过程中可能涉及利益衡量，此为智能司法的薄弱之处，如判断“危险性在实质上超过相关证据的证明力”，更多是法官的主观判断在发挥作用，法官通常仅在确信证据的消极影响超过其证明力时，才会排除该证据。〔50〕参见纵博：《人工智能在刑事证据判断中的运用问题探析》，载《法律科学（西北政法大学学报）》2019 年第1 期，第64 页。此时智能司法仅能提供之前法官的平均判断标准供法官参考，难以发挥实质的辅助裁判作用。

（五）证据推理模型的适度应用

司法人工智能在证据推理中的适用受到原子主义与整体主义证据推理理论的影响。在对证据推理路径上有原子主义与整体主义之分，原子主义中证据推理可分解为相互独立若干部分，待证事实能否认定取决于作为个体存在的单个证据，最终的事实认定由各证据的证明力以某种叠加方式聚合而成。整体主义认为单项证据的证明力无法游离于证据的总体判断，证据推理结果取决于尚未清晰表达的整体思考、各种意志因素及证据之间深藏的结构关系。〔51〕参见［美］米尔建·R.达马斯卡：《漂移的证据法》，李学军等译，中国政法大学出版社2003 年版，第96 页。在原子主义与整体主义的选择方面，主流观点是事实认定系一种经验推论。〔52〕参见［美］罗纳德·J.艾伦：《艾伦教授论证据法》（上），张保生等译，中国人民大学出版社2014 年版，第390 页。根据似真性理论，证据推理的最佳解释原则系整体解释方法，不再局限于一个个具体证据，而是关注由证据拼合出来的完整案情或故事，裁判者合理相信已探知事实真相，因此整体主义更接近证据推理中自由心证的实质。〔53〕参见张保生：《事实、证据与事实认定》，载《中国社会科学》2017 年第8 期，第129 页。相较而言，原子主义单个叠加的较为机械的方式易于使用概率论或公式加以概括，是更适宜司法人工智能发挥作用的场域，而整体主义则更依赖人类基本的认知规律和生活经验，恰是司法人工智能的局限所在。在证据推理路径更接近于整体主义的背景下，司法人工智能在证据推理中的应用范围并不宽广。即使在原子主义理路下，证据评价主要是对其证明力的评价，证据证明力有无及大小，由事实认定者基于生活经验、一般知识及对人类行为与动机的了解合于理性地评估。证据证明力评价需依赖普通人常识及生活常理，在自由心证主义下不会对证明力判断作任何规制，智能司法客观主义、平均主义的标准化思维路径亦与之不符。

尽管如此，司法人工智能仍可在证据推理中发挥一定作用，如证据推理明显不符合逻辑法则、鉴定意见明显偏离该行业通常认知、先后提出的证据申请明显矛盾、事实主张与证据提出明显背离等。尤其是新证据学的发展为司法人工智能运用于证据推理提供了新的可能。英美法系将概率学、图表分析法、人工智能等新证据学方法引入证据推理中，形成了新兴的事实认定路径，特别是贝叶斯定律对证明标准客观化、威格莫尔图表法对证据推理客观化及可视化产生了较大影响。〔54〕同前注〔20〕，吴洪淇文，第77-80 页。

贝叶斯定理是概率论中的基本工具，概率论被广泛用于处理随机性及人类知识的不确定性，可用于处理不确定性推理，在对大量样本数据进行统计基础上，并在获得新信息后对相关概率的主观判断（先验概率）进行修正形成后验概率的法则。〔55〕参见蔡自兴等：《人工智能及其应用》，清华大学出版社2017 年版，第123 页。根据贝叶斯定理，新信息（新证据）使得对命题的信念度发生改变，需要重新评估概率，改变的力度越大表示证据的证明力越强，可用信念度更新的情况来刻画证据的证明力，而又可运用概率数值计算信念度，故而可将证据证明力问题转化为概率理论问题，即用贝叶斯定理来判断证据证明力的强弱。威格莫尔图表法将证据推理模型化及司法证明科学化推进到新阶段，威氏用符号标记司法证明中证据之间、证据与不同阶层待证事实之间的支持、反驳或补强等关系及证明的逻辑过程以符号形式分层次标识在图表中，从而实现证据推理的可视化。〔56〕See William Twining, Rethinking Evidence: Exploratory Essays, Cambridge University Press, 2006, p.245.同时，贝叶斯定理在判断科学证据的证明力上也有一定作用，如美国法院使用贝叶斯定理通过概率统计数据来认定亲子鉴定证据、DNA 证据等。〔57〕参见杨延超：《机器人法》，法律出版社2019 年版，第5 页。

威格莫尔图表法已超越证明标准客观化范畴，而将模型构建拓展到事实认定及证据推理的全过程。贝叶斯定理与威格莫尔图表法的适用仍受到较为明显的限制，重要原因是概率计算及图表设计的工作量过于庞大复杂，同时裁判者并非概率学与图表设计专家，难以完成此项任务。人工智能强大的计算能力与深度学习能力却在贝叶斯定理与威格莫尔图表法的运用上具有先天优势，具有化繁为简的效果，可通过机器智能进行贝叶斯定理中的先验概率、后验概率的计算及威格莫尔图表法的绘制，裁判者只需运用机器智能计算或绘制的结果即可。可以说，贝叶斯定理与威格莫尔图表法在证据推理模型化上的努力，天然地契合于智能司法系统的应用，为智能司法系统构建证据推理模型提供了极佳的模版。当然，智能司法辅助裁判系统在证据推理中的适用受限，根源仍在于证据推理过程更接近于故事推演的主观似真性认定，证明标准是本案法官基于本案情事对似真性的主观确信判断标准，为一项主观判断活动的结果设定客观标准，本身在逻辑上难以自洽，难以回避限制自由心证的质疑，仅能在理解证据推理的某些方面发挥作用。

四、结语

智能司法辅助决策模型建构所涉的学科对话，已从社会科学与计算机学等自然科学的交互，到社会科学内部法学、哲学、认知科学知识的互通与融合，再到法学内部法理学、法哲学、诉讼法学、实体法学的深层结合；从要件事实论在法律本体库构建、司法人工智能生成逻辑上的关键作用，到非单调逻辑、可废止推理、诉讼博弈模型与诉讼证明过程的原理对接，再到新证据学背景下人工智能对证据能力与证明力评价的影响，表明智能司法研究已转向更侧重基础理论但又更加精细的方向，更注重与法律知识体系的内在结合，在人工智能视野下遵循法律知识体系的自身逻辑，找寻“法律逻辑+诉讼法哲学+人工智能”应用于具体类案及诉讼活动的路径与方法。

从智能司法的发展规律看，存在张保生教授所言的“旨在代替却又不能代替”的悖论，亦是智能司法发展的动力与方向。〔58〕参见张保生：《人工智能法律系统： 两个难题和一个悖论》，载《上海师范大学学报（哲学社会科学版）》2018 年第6 期，第25 页。智能司法的客观化、模型化思维特征与司法裁判人文性、主观化的判断权属性存在冲突，使之在适用中受到诸多限制，仅能定位于辅助裁判、裁判参考的功能，但司法裁判本身也存在“寻求客观化却又难以客观化”的悖论，在经验法则、证明标准等领域尤为明显，这种悖论又为智能司法的应用提供了可能，“以人为主，人机结合”便成为今后司法建设的方向之一，也将对法学教育与法律思维养成产生影响。在成文法背景下探索人工智能与司法裁判相融合的科学方法，对于法学方法体系现代化具有重要价值与创新意义。在我国由国家统一推进智能司法建设的时代背景下，智能司法建设将与同样高速推进的电子司法建设形成整体合力。〔59〕参见高翔：《民事电子诉讼规则构建论》，载《比较法研究》2020 年第3 期，第145 页。智能司法基础理论研究的体系化、专门化、精细化研究，不仅有助于推动智能信息技术时代我国司法理论的发展进步，促进司法体系与司法能力现代化，还将推动我国司法制度对世界司法文明作出贡献。