人工智能司法适用中事实认定的双重困境与纾解路径

郭文静

(中南财经政法大学 法学院，湖北 武汉 430073)

一、问题缘起：“案多人少”的现实冲突与人工智能的司法适用

“案多人少”的现实冲突，迫使民事诉讼法不断寻求新的方式来提高诉讼纠纷解决的效率[1]。然而，制度的内生性改革对于缓解法官的审判压力具有局限性，无法同时兼顾诉讼经济和程序保障两个目标。近年来，人工智能技术发展不断冲击着社会生活，国家也积极保障人工智能技术在司法中的适用，以期实现法律服务的现代化、科技化转型。2016年，周强院长在第十二届全国人大五次会议中提出司法改革与司法信息化并驾齐驱、双管齐下的战略，以减轻我国法院的审判压力、保障诉讼法律服务的完善。2017年，最高人民法院印发《最高人民法院关于加快建设智慧法院的意见》，指引法院管理信息系统的智能平台建设工作。2020年，最高人民法院颁布《关于深化司法责任制综合配套改革的实施意见》，指示各高级人民法院依托智慧法院建设，大力推进辖区法院区块链技术应用，积极探索法律人工智能的深度应用。此外，最高人民法院在其他诸多文件中也多次提到要加强大数据、区块链、云计算、人工智能等技术在审判领域中的应用，为当事人提供诉讼便利。人工智能与司法裁判的融合是大势所趋，依托人工智能替代法官的简单劳动和重复劳动，可以缓解法官在审判中的压力，也可以帮助当事人更好地触达司法，获得依据法律的实质正义[2]。

就事实认定领域而言，需要解决人工智能与民事事实认定融合的法律需求问题。具体而言，解决该项法律需求至少需要思考以下三个问题：第一，“自动售货机式的AI法官”[3]是否可以成为现实，法律人工智能是否真的能够替代法官进行事实认定。通过探究人工智能技术的原理“深度学习”，则可发现这一想象在目前的技术条件下基本不可能实现。第二，人工智能介入事实认定将会面临何种困境，对于当事人提出的诉讼资料和证据资料，人工智能是否可以通过技术实现完全的理解和综合地判定。从裁判资料和事实认定过程两个方面，对比分析人工智能事实认定和法官事实认定过程，可发现人工智能介入事实认定领域的双重困境。第三，人工智能的学习能力是否可以替代法官认定某些类型案件的事实。通过对案件事实的类型化分析，将人工智能适用于事实认定相对简单的案件，从而实现人工智能替代法官进行事实认定。因此，本文立足于上述问题，通过解构事实认定的裁判资料来源和事实认定的方法，审慎地分析人工智能在民事事实认定中的适用，以寻求人工智能法律产品的功能指向，期待达成可以解决民事事实认定问题的司法智能系统。

二、问题根源：基于深度学习原理的人工智能司法适用具有机械性

人工智能辅助事实认定面临困境的根源在于全球人工智能技术发展条件仍处于“弱人工智能”(1)强人工智能可以高度模仿人脑的神经认知规则，不需要人工标注的信息，可以自动对数据进行提炼、分析和分类，输出数据分析的结果。弱人工智能的输出结果取决于输入信息的计算机指令，不仅无法超越人类智能，而且只是人类思维的复制。参见莫宏伟：《强人工智能与弱人工智能的伦理问题思考》，载《科学与社会》2018年第1期，第14-24页。阶段。因此，人工智能依然遵循深度学习的技术原理，在司法适用中有其固有的结构缺陷；同时，受深度学习原理的制约，人工智能在输入语料、模型建构、信息输出三个维度也都体现出了其适用的单调性、机械性。

(一)深度学习理论和生成式人工智能的适用缺陷

探究事实认定领域人工智能的司法适用，最重要的是厘定人工智能算法学习的理论本质。实际上，人工智能的算法学习包括传统的算法学习、迁移学习、深度学习等不同算法，但深度学习是机器学习方法中最高效的算法。这是因为深度学习的算法模式主要是对数据的特征进行提取和处理，与人脑学习模式类同而又超出人脑的计算能力，可以替代人类进行大量的数据运算和信息处理。总体上，深度学习算法模式的具体内涵可概括为：机器模拟人脑的学习模式，从输入端获取输入信息，在此基础上构建不同类型的神经网络模型，最后通过模型的建构和数据的运算完成输出端的目标信息。

具体来说，深度学习的技术原理可以在三个维度上进行解读：一是人工进行特征提取和标注，并输入海量数据。在这一维度上，输入数据的特征提取和标注须源自法学界的理论共识，并需要转化成机器可理解的“0-1”知识图谱[4]。二是神经网络模型的建构和参数调试。在这一维度上，循环神经网络模型的建构依赖编程技术以及计算机GPU处理器配置高、算力强的技术设备[5]。三是通过超级计算输出运算的数据。在这一维度上，数据输出的结果是否为真，需要通过显著性检验方法，测试深度学习模型建构的合理程度[6]。当然，此项调参任务尚需法官、律师等的后验判断。由上观之，输入数据、神经网络模型的建构、输出数据三个层次上都需要人工参与。所谓人工智能，毋宁说有多大程度的智能表现就有多大程度的人工参与。

近来生成式人工智能引起学界的广泛关注，但生成式人工智能与真正意义上的通用人工智能或强人工智能还有较大差距。与初代人工智能相较，生成式人工智能的优越性体现在以下三个方面：一是采取了上下文相关技术，实现了一词多义的语义区分，人工智能在自然语言技术领域实现了语义理解能力的提升[7]；二是采取Transformer模型，人工智能的长文本生成能力得到大幅提升[8]；三是机器学习内容的来源开放。它的学习数据不只局限于计算机程序的直接指令，还可以从与使用者的互动和交流中学习新的知识。

不过，从生成式人工智能产品在我国的现实发展来看，其具体适用面临三个问题：第一，ChatGPT是源自美国人工智能研究公司推出的生成式人工智能，其程序指令不是中立的意识形态和知识系统。实现我国生成式人工智能的应用和发展，还需要完成对上述Transformer模型的突破和发展。第二，生成式人工智能的技术原理仍然是深度学习，其互动式能力的提升源于计算机长文本生成能力的提高，但其对抽象知识的学习仍然局限于数理等自然科学领域，对于哲学、伦理等人文学科中抽象知识的学习能力尚有不足。第三，不能保证生成式人工智能在与使用者的互动中获得的新知识是正确的，其可能在上下文相关的理解中获取错误的知识。

(二)基于深度学习原理人工智能运用的机械性

深度学习的技术原理可以从输入语料、神经网络模型建构、输出结果三个维度进行理解。相应地，人工智能适用的机械性也可从此三个维度进行进一步阐述。

从输入语料的角度看，机器学习无法理解复杂的语言、语义，其学习模式与人类差距较大。首先，自然语言的表达常具有多种含义甚至歧义。人类可以通过复杂的推理和直觉对模糊的表达和碎片化的知识进行综合地整理和判断。但机器学习需要基于严格的形式逻辑，输入逻辑单调的语词。法律语言的适用尚常存在混乱，霍菲尔德对司法推理中所运用基本法律概念的歧义进行了批判，并对其具体内容进行了严格的界定[9]。在人工智能的司法适用中，机器学习还需要厘清生活语言中适用基本概念的含混问题和歧义问题。然而，生活语言的语义分析较之法律语言的语义分析更为灵活，现阶段自然语言技术尚无法很好地解决某些特定生活语言的语义分析问题。其次，当事人辩论内容中自然语言的逻辑可能会出现前后矛盾的问题。法官可以基于审判经验和法理逻辑进行综合判断，但人工智能却只能对单一的目标函数寻求最优值，无法对多元的目标函数进行综合地判断。再次，语料输入的前提应当是理论界不容争议的普遍共识。理论界及实务界尚有争议的情形及问题，人工智能无法替代人类作出更加明智的决策。这是因为深度学习原理的本质是复制人类的经验和知识，而非对人类心智的超越。

从神经网络模型建构的角度看，循环神经网络模型是一个处理信息的中间处理器，它由无数的数据节点组成，不断地进行运算。机器学习是对海量的数据进行分析输出数据分析的结果，是一种归纳性的学习，需要人工提取“知识表达”的具体逻辑[10]。从事实认定的结构要素反向观之，事实认定知识表达的逻辑与机器学习形式逻辑的特性不同。具体来说，事实认定的整个过程包括三个步骤：一是获取当事人提出的诉讼资料和证据资料；二是法官通过自由心证，获得对整个案件事实的内心确信；三是法官无法达成内心确信时适用证明责任这一事实认定的辅助方法。上述三个步骤中均体现了事实认定中知识表达的非单调性。首先，诉讼资料和证据资料的整理，并非简单的线性逻辑，而是综合的、整体的判断。其次，法官自由心证需要利用法律推理、经验法则等多元知识要素。再次，证明责任之适用则更是需要借助实定法规范(规范说)和利益衡量理论(反规范说)[11]。概而言之，人工智能在事实认定领域的司法适用面临多重困境，神经网络模型的建构是重点所在。

从人工智能输出结果的角度看，神经网络模型只能对于输入语料按照具体指令输出内容。换言之，人工智能只能基于海量数据作为学习基础，在没有海量数据的情形下，机器无法完成处理信息和预测信息的任务。例如，在小数据集合的特征提取和预测问题上，由于机器学习缺乏对抽象知识的学习能力，因而无法完成对小数据集合的信息预测。对此，有算法专家提出运用迁移学习法，旨在以较少的学习数据完成特征提取和信息预测，从而解决深度学习这一算法模式数据量需求高的弊端，但该算法模式尚在研究中[12]。因此，机器无法有效面对法律变更后事实构成要素的变化，由于缺乏抽象知识表示的算法[13]，在法官裁判案件数量亦较少的情形下，深度学习无法完成对新类型案件的事实认定工作。换言之，对于法律条文变化导致的事实判断因素的改变，机器需要在法官判定相当数量的案件以及人工对事实判断因素进行提取和标注后，再高效地完成输出预测信息的任务。

三、双重困境：机器学习机械性导致事实认定面临的困境

理论上，民事事实认定主要通过事实认定的资料来源和事实认定的方法两方面来获得最终的事实认定结果。通过解构裁判资料和事实认定方法这两个要素，可知机器学习的机械性导致了人工智能在事实认定领域的司法适用面临双重困境。

(一)一重困境：机器学习机械性与裁判资料获取不足

全部的民事裁判资料，即法官心证形成事实认定的原因或资料，包括辩论全趣旨获得的诉讼资料以及通过证人的证言内容、文书的记载内容等证据方法获得的证据资料[14]。从裁判资料形成的角度来讲，法官心证形成的结果可能会因弱人工智能的技术制约而产生预测结果的偏差。

1.受自然语言技术制约诉讼资料获取不足。在民事裁判中，诉讼资料的获取很大程度上来自当事人之间的辩论。除此之外，证据资料的获取仅对要证事实问题的解决发挥功效。在辩论过程中，原告一方首先对案件事实进行权利主张，使用自然语言对提起诉讼的本案生活事实进行陈述；接着，当事人通过对事实争点和法律争点的辩论，依据请求原因、诉讼时效、事实抗辩等方法进行攻击防御。这些程序展开的过程均是依靠当事人双方自然语言的适用。

但人工智能针对自然语言的技术尚不成熟。其具体的工作机理可以大致理解为“自然语言——法律语言——计算机语言”三种语言之间的转化[15]。三种语言之间的转化需要高超的算法和程序，形成计算机的一种自动推理模型。法律人工智能工作涉及自然语言、法律语言和计算机语言三种语言之间的递进和转化。人工智能机器学习的语言技术相当复杂，因为语言不止承载了文字表面表达的含义，还包括了语词、语义、语法[16]。为了促使数据信息的准确，需要人工提炼机器所能理解的关键信息，将书面语、口头语进行信息提取整合进入机器学习的语料库，并将该关键信息进行向量、矩阵、复合函数等的结构化表达，使得人工智能理解输入的语料并进行信息的输出。

若机器学习对于当事人辩论全趣旨的资料无法有效识别，就丧失了掌握事实认定方法的前提。人工智能应用于事实认定存在的主要问题可以具体阐述为三个方面。第一，从技术角度讲，人工智能自然语言技术尚不成熟。因为人工智能语言技术仍不能做到对生活语言以及语言含括的逻辑思维进行迅速反应，更不能对当事人的权利主张作出合乎法律思维的语言回馈。换言之，人工智能对于证据信息繁杂的综合判定，主张—抗辩—再抗辩—再再抗辩的辩论过程中及时反馈能力是不足的。第二，从语言精确度讲，因缺乏律师强制代理制度而导致生活事实的陈述缺乏法律语言的精确性。由于我国法律职业发展的历史特点，目前律师数量不能满足法律服务市场的需求，民事案件中有很大部分案件无律师代理。因此，当事人在法庭中主张事实的语言不可避免地具有自然语言的属性。自然语言的模糊性、灵活性与人工智能识别的机器语言具有鲜明的差异性。概括而言，律师强制代理制度的缺乏，一定程度上导致了人工智能法律产品无法有效地识别当事人提出的诉讼资料。第三，就人工智能的发展阶段而言，人工智能对于法律知识的理解和转化存在困境。目前，我国的人工智能技术尚不足以达到掌握逻辑思维和进行主观性判断的强人工智能阶段，仅处于能够深度学习、复制人类思维的弱人工智能阶段。而且，复制人类思维也需要大量的关键信息提取和人工标注工作。因此，对于法律知识内含的法律逻辑和法律论证思维，弱人工智能尚无法完成高质量的认知和判断。具体而言，在事实认定过程中，事实的层次是多维度的，法官应当根据当事人的实体请求权，分析当事人权利主张中涉及的要件事实、主要事实、间接事实、辅助事实。这需要机器对法律知识能够熟练掌握并准确运用，但人工智能机器如何用函数表达上述抽象的法律概念，是深度学习亟需打破的算法困境。

综上所述，受自然语言技术制约，人工智能对辩论全趣旨获得的诉讼资料有所欠缺。一方面，由于自然语言欠缺精确性，人工智能在事实认定技术环节存在重要不足；另一方面，则是由于人工智能对法律知识的理解能力存在欠缺，人工智能对事实的认定尚不能完成法律意义上的解读。

2.受自然语言技术、图像识别技术制约证据资料获取不足。依照当事人是否争执，完整的本案事实可分为非争执事实和争执事实。非争执事实和争执事实在人工智能司法适用中事实认定的地位不同。非争执事实通过辩论主义可以消解，即与上文自然语言技术的分析类似，下文不再进行重复论证。争执事实(要证事实)则需要当事人主张不同的证据资料进行证明，需要法官通过证据资料进行综合的判断和考量，从而对待证事实形成内心确信。关于证据资料的获取限度则涉及自然语言技术和图像识别技术两类。

为分析人工智能法律产品下证据资料可获得限度的方便，采纳按照证据共通点和差异性进行证据类型分类，即将证据类型分为实物证据、言辞证据和过程性证据三类(2)实物证据分为书证、物证、视听资料、电子数据四种；过程性证据分为鉴定意见、勘验笔录两种；言辞证据分为当事人陈述、证人证言两种。参见王亚新、陈杭平、刘君博:《中国民事诉讼法重点讲义》，高等教育出版社，2021年，第100页。。由于采取线上虚拟法律空间，证据资料的信息载量必然因人工智能技术的发展现状受到制约，其信息减损程度由高到低依次为：言词证据、实物证据、过程性证据。

第一，证人证言、当事人陈述等言词证据的信息可获得性，如同上述辩论全趣旨提供的诉讼资料分析相同，均因为自然语言技术无法精确识别生活语言的内涵和逻辑而无法发挥应有的功能。

第二，实物证据由于其记载信息、形状外观等物理特性，同样在人工智能法律产品服务中获得的信息受到减损。因为在人工智能适用事实认定领域时，实际上是采虚拟空间中的识别，由于必须采取摄像、传输等网络信息技术提交人工智能法律产品。尽管不存在自然语言技术领域的识别问题，但却存在着摄像聚焦角度、清晰度分辨率等专业的技术问题，对于实物证据内含的信息识别和提取存在较大问题。总体来说，实物证据中涉及的实体识别技术：图像识别技术，采用相似度算法，较之自然语言中的语义理解发展更为成熟[17]。

第三，过程性证据中的鉴定意见和勘验笔录也受到减损。因为鉴定意见和勘验笔录是交由专业的技术人员或法官进行证据证明事实的分析和论证，其证据信息可以表述为逻辑性强的算法学习可获知的知识图谱。较之言辞证据和实物证据，过程性证据因其专业性的表达、清晰的是非判断，而较易被机器数据化表达和识别。因此，鉴定意见和勘验笔录的证据信息可获得性最高。

(二)双重困境：机器学习机械性与事实认定的结构性矛盾

一般而言，法官通过证据资料或经验法则形成心证，完成对待证事实的内心确信，并在无法形成确定心证时采取证明责任的风险分配法则。因此，法律人工智能必须完成上述两项事实认定的判断任务：自由心证的形成以及证明责任的适用。

1.机器学习机械性与法官心证自由的冲突。从人工智能技术应用的现实角度看，要实现人工智能对事实认定的目标，至少需要通过四个步骤。第一，整理相关裁判文书，对陈旧纸质裁判文书进行电子化扫描以及网络化传输。第二，提取事实认定材料中的关键信息，人工进行识别和标注。第三，剔除错误的判定结果、保留正确的判定结果。这是因为人工智能学习信息的能力很强，但重要的问题在于它既可以学习正确的知识，也可以学习错误的知识。因此，在人工智能判定事实的过程中应当重点关注不正确裁决的剔除。否则，基于学习样本数量的有限性以及作为学习样本的输入信息之间冲突，可能会导致输出的结果运算不正确。

概而言之，人工智能对事实认定的结果与法官心证之间既有联系，也有冲突。二者联系的基础在于人工智能对事实的认定是基于法官对事实认定的经验。因为深度学习原理下，人工智能的学习数据是源自法官依照自由心证制作的裁判文书；人工智能的运行模式是模拟和分解法官事实认定的思维结构；人工智能算法的调参和优化也需要法官作为法律专家进行专业地评断。二者冲突的地方在于：从事实认定方法与人工智能认知逻辑比较而言，法官适用的事实认定方法与人工智能认知逻辑存在着结构性的矛盾。该矛盾在于人工智能在事实认定中的司法适用是对待证事实证明结果的认定，而无法完全复制法官进行事实认定过程中的思维结构。具体来说，其可从以下两个角度进行阐述。

第一，由法官对事实认定的结构观之，法官需要在当事人主张的生活事实中依据法律条文的解释厘清主要事实，通过书证、物证、人证等不同证据方法获得重要的证据资料，与案件裁判有重大影响的重要间接事实，与判断证据是否真实相关的辅助事实。但人工智能对不同层次的事实认定存在困难。从法官认定事实的方法而言，是依据法官的自由心证。自由心证是基于对法定证据制度僵化适用的修正，外在上体现为法官的论证自由，但其内在也受法律准则、经验法则、一般社会习惯等的制约[18]，法官应当根据内心的良知对案件事实进行认定。但人工智能对于这种内在制约的算法表达存在困难，算法无法表达这种高度抽象的知识和要素。

第二，由人工智能对事实认定的模型观之，其对辩论材料的理解、证据证明的结果，均体现为神经网络模型对数据的处理，而不是对法律准则、经验法则、一般社会习惯等的学习。从人工智能事实认定的方法而言，人工智能对事实的认定重在输出结果，而不是论证过程。因为人工智能只能对数据本身进行复制学习，而无法依据抽象的知识进行超出数据外的创造性认知。从事实认定的分层式论证而言，人工智能需要进一步改善事实认定的模型和算法。毋宁说这种对事实认定结果的判断完全依赖于数据和模型，又重新落入了“人工智能法定证据”的窠臼，是一种新形式的法定证据主义。

2.机器学习机械性与证明责任适用的难题。除法官运用自由心证认定事实外，实际上，证明责任在结果意义上可以理解为法官在心证无法得到确信时判断本案事实的一种辅助方法[19]。对于证据信息复杂的案件，法官需要通过诉讼指挥增进当事人对证据的提出和事实的主张，以明确案件的要件事实，确定要件事实的法律效果。一个案件的证据信息，包括间接证据和辅助证据等，证据与证据之间互相连接、互相印证，形成明确的法律事实。不过，当事人双方竭尽全力提出所有的证据，法官依照经验法则和典型事实仍对要件事实的认定陷入难以抉择的困境时，则需要借助证明责任的适用进行不利法律后果的风险分配从而间接实现事实认定。

在一定程度上，可以说法官心证对基于证据证明和辩论全趣旨获得确定心证的个体差异不大，尚能为机器学习提供标准统一的海量数据。但作为辅助事实认定方法的证明责任理论，由于其理论移植与本土的差异以及理论适用的复杂性，在裁判文书中法官应用较少，且较为混乱[20]。第一，适用证明责任理论裁判的文书数量较少，则机器可学习的样本数量较少。如同上文所述，少量的样本数据导致机器学习存在困境，无法进行数据的优化和精准地输出。第二，适用证明责任理论的裁判文书存在认定结果相反的情形。在类案但非同案中，法官面对相同的要件事实无法获知真伪时，可能由于对实体法所表达的证明责任规范理解差异而导致不同的结果责任分配，从而导致法官对相同事实认定的结果完全不同。如此，事实认定的矛盾和冲突会导致学习样本的不同一。即使裁判文书数量增加的前提下，由于司法实践中证明责任理论适用不一，机器学习样本的信息存在冲突，输入数据信息的标准不一，那么，机器学习生成的判决文本也会存有争议。此种情形下，首要的问题不是人工智能如何精准地复制法官的裁判思维，而是裁判文书中法官的判定是否达到了统一。否则，由于训练集样本的输出信息存在矛盾可能导致人工智能学习输出内容的冲突。

由于证明责任理论在法律移植进程中未能完全吸收其理论本质以及我国追求法律真实的诉讼价值观，该理论的适用在我国学理与实践之间产生较大分离[21]。除此之外，我国计算机法学发展并不具有优势地位。因此，理论与实践的分离在横跨了法官个体经验差异的同时又增加了算法学习技术的优劣，两个梯度的分离可能会导致理论与实践产生难以逾越的鸿沟。

四、纾解之道：要素式审判方法的引入与层级式事实模型的建构

目前，人工智能在事实认定领域存在裁判资料获取不充分和事实认定证明方法之双重困境。就人工智能在事实认定方面的具体适用而言，首先，可以从司法实践中简易程序适用的要素式审判法开始，探索要素式审判对人工智能模型建构的功能；其次，可以通过对事实进行类型划分，通过分解“三段论”论证结构形成新的“准三段论”论证模式，完成人工智能在事实认定领域的进阶发展。

(一)借鉴要素式审判法提取主要事实

所谓要素式审判法，就是围绕案件的基本要素进行庭审并制作裁判文书的一种略式审判方法[21]。具体而言，就是在审理民事案件的过程中，对一些能够概括出固定案情要素的案件，进行要素提炼，并对双方当事人就案件中各种要素是否存在争议进行归纳。这种要素式审判在司法实践中简便易行，可以明显提高法官审理案件的效率，促进纠纷的迅速解决。

实际上，要素式审判法是司法实践中面对“案多人少”情形下提炼的法官智慧，通过对案件事实的要素式提取，从而简化案件的事实认定过程。这种审理方式对事实进行了精确的细分，从而为人工智能认定事实提供了简单的知识图谱。人工智能的事实认定借鉴要素式审判法的前提是肯认人工智能发展的技术阶段，并将人工智能事实认定的范围限缩为“事实争议不大、权利义务关系明确”的简易案件。这是因为此类简易案件的事实认定符合人工智能技术发展的现状。

综上，要素式审判法提炼了审理案件过程中法官需要识别的关键特征和信息提取，为人工智能司法裁判的知识图谱提供了建构的基础。在一般情况下，大多数简易案件的庭审，都非常适合运用要素式审判法。根据《中华人民共和国民事诉讼法》第40条，简易案件审理的形式化标准为“权利义务关系明确、案件事实争议不大”，而且实践中简易案件占比高达80%[22]。可见，实践中简易案件要素式审判方法适用范围较大，人工智能在民事案件中的适用范围广阔。借鉴要素式审判法，人工智能可以较好地完成民事事实认定的工作。

(二)通过层级式事实模型分层认定事实

简易案件的事实认定模式较为简单，人工智能借鉴要素式审判法可以较好地建构事实认定的模型。不过对于事实认定复杂的案件，事实认定的模型建构较为复杂，人工智能学习需要面对多元的目标和任务，这恰是人工智能无法克服的弱点。

从案件事实的复杂性程度来讲，案件事实的层次可分为主要事实、间接事实、辅助事实等多个层次。有学者提出可以将事实的层级进行分类，采取选定特征事实的方法，相应地对法律权利义务产生、消灭、抗辩效力的规范层级进行分类，再将二者进行层级对应[23]。这种微观的层级论证模式，拆分主要事实和法律适用的具体要素，形成了“T1→R1”的“准三段论”法律论证模型。该模型突破了简单三段论中“大前提-小前提-结论”的论证结构，一定程度上实现了事实认定模型的多层级构筑。在此基础上，“准三段论”法律模型利用形式逻辑模拟证据、事实的推理以及其他类型的推理，对智能辅助决策的模型建构具有突破性、启发性的意义[24]。尽管该层级式事实模型的建构需要更为复杂的算法和模型，但该层级式模型无疑拓展了人工智能在事实认定领域的适用空间，为人工智能在事实认定领域中的司法适用指引了理论方向。

综上而言，要素式审判法中的事实认定模型只能解决简易案件的智能化认定，多层级的“准三段论”论证模型则为人工智能判定相对复杂的案件提供了可行的路径。

五、结论

适用人工智能产品辅助事实认定工作可以为法官节省简单劳动的时间，譬如书写格式化的法庭记录、法律文书。由于人工智能的科技属性，很多文书错误可能会得到及时的纠正或者直接全部避免，文书的写作格式也更加规范统一。在事实认定过程中，区分客观化、标准化、流程化的案件审理类型与主观性、灵活性、弹性空间较强的案件审理类型。将确定性的案件类型适当赋予人工智能负担，减轻法官的审判压力，将不确定性因素较强的案件类型仍然赋予法官进行判断裁决，形成法官独立审判与人工智能辅助参与审判的两重审判格局。两重审判格局的形成有助于促进社会纠纷解决的制度效率，保障司法的触达和正义的分配，解决法院案多人少的矛盾。