作者簡介：宋旭光 深圳大學法學院助理教授，法學博士；法治與法律方法研究中心主任。先后于《法制與社會發(fā)展》《環(huán)球法律評論》《東方法學》《政法論叢》等期刊發(fā)表論文、譯文十余篇。代表作有《理由、推理與合理性——圖爾敏的論證理論》等。主要研究方向為法哲學、法學方法論等。
摘要：司法裁判人工智能化是指機器能代替法官獨立完成某些司法決策。目前主要有兩種進路：一是基于顯式編碼、封閉規(guī)則之算法的專家系統(tǒng)；二是基于機器學習算法的預測分析論。法律專家系統(tǒng)雖有多年積累，但限度已顯。大數(shù)據(jù)算法雖方興未艾，但也同樣難以成功：第一，司法裁判從本質(zhì)上就無法根據(jù)既往數(shù)據(jù)被預測；第二，機器裁判顛覆了許多司法的基本預設，消解了人的自主權(quán)，違背了人類發(fā)明人工智能的初衷，而諸如推動類案類判、限制自由裁量等辯護理由都是難以維系的；第三，司法大數(shù)據(jù)現(xiàn)實上難以支撐算法裁判在技術上的實現(xiàn)�？傊斯ぶ悄懿荒芤膊粦敵蔀榉ü倌菢拥臎Q策主體，更為務實的方向是去發(fā)掘其作為輔助工具的價值。
一、導論
司法裁判的人工智能化并不是新近出現(xiàn)的問題，在起起伏伏的數(shù)次人工智能浪潮中，相關議題早已經(jīng)被擺上了學者的研究日程。進入新世紀，尤其是2010年之后，隨著大數(shù)據(jù)時代的到來，以及圖像、語音、文本識別技術特別是算法、算力的發(fā)展，以機器學習（尤其是深度學習）為代表的人工智能獲得了新的生機，諸如駕駛、翻譯、對話等過去認為只能由人類智慧才能做出的事情，現(xiàn)在部分已經(jīng)可以由機器完成，這些技術被廣泛應用在商品推銷、出行導航等諸多領域。當然，也有了許多法律智能系統(tǒng)問世，例如，Lex Machina法律分析工具，Ross智能系統(tǒng)，LawGeex系統(tǒng)，KMStandards、Seal等合同分析軟件，COMPAS、CSOSA、LSI-R等犯罪預測工具，等等。在我國，也有不少法院推出了相應的智能輔助辦案系統(tǒng)，如，北京市高級人民法院的“睿法官”智能研判系統(tǒng)，上海市高級人民法院的“206”刑事案件智能輔助辦案系統(tǒng)，以及最高人民法院的“類案智能推送系統(tǒng)”，等等。這些產(chǎn)品都展現(xiàn)出人工智能技術強大的功能和潛力。于是，許多人開始憧憬人類進入司法裁判智能化時代的未來場景，但也有人對這種時代所蘊含的危機（諸如法律人的失業(yè)問題）憂心忡忡。
在這種背景下，本文打算討論一個前提性問題，即司法裁判的人工智能化是否可能實現(xiàn)，它又可能面臨著哪些難題？為了回答這一問題，首先需要明確所謂司法裁判智能化以及智慧司法究竟指的是什么，具備何種“智能”的機器才能被認為實現(xiàn)了這種智能化。與人工智能算法和司法裁判理論相對應，下文將分兩種進路進行分析：一種是顯式編碼、封閉規(guī)則的算法，即法律專家系統(tǒng)；另一種是機器學習算法，依靠大數(shù)據(jù)分析實現(xiàn)對判決的預測。前一種進路已經(jīng)有了數(shù)十年的討論，雖然成果頗豐，但終未顯露勝利的跡象，目前也是疲態(tài)已顯。后一種進路則方興未艾，野心勃勃。本文討論的重點就放在后一種進路之上，若要實現(xiàn)這種大數(shù)據(jù)算法裁判，法官的裁判必須是可被預測的，依靠學習算法可以實現(xiàn)這種預測，且算法裁判是正當?shù)�。為此，本文的論證將分三個層面：第一，從本質(zhì)上看，司法裁判是否可以預測；第二，如果裁判可以被預測，那么，這種預測結(jié)果是否應當被應用于司法裁判；第三，如果司法裁判可以被預測且算法裁判具有正當性，那么，學習算法是否可以實現(xiàn)這種預測，它在現(xiàn)實中是否可行。本文的結(jié)論總體上是悲觀的，即司法裁判的人工智能化是難以實現(xiàn)的，除非法學范式發(fā)生了根本性的改變。
二、司法裁判人工智能化的界定
為了討論的有效性，這里首先要界定一個問題，即達至何種“智慧”才算人工智能化，或者說，至少在本文的討論中，“司法裁判人工智能化”所指的究竟是什么？
一種較為常見的觀點是，將人工智能技術的任何應用，例如，將那些可以通過電子眼識別車牌號碼并做出放行動作的系統(tǒng)，都稱為“人工智能”。這顯然不合適。嚴格來講，這種作為輔助工具的人工智能，與諸如多媒體、工業(yè)機器人等其他技術手段，并無本質(zhì)不同，其至多只是一種工具的改進而已。例如，過去，制定法與案例往往以紙質(zhì)媒介的形式存在，“人力找法”相對繁雜；當法律數(shù)據(jù)庫建立之后，以搜索引擎或算法作為工具，可以輔助特定人（例如法官或律師）更加低成本、高效率、高精準度地進行數(shù)據(jù)的檢索、搜集和整理。
從字面上來看，人工智能應當是對人類自然智能的一種比擬，是機器（或計算機程序）模仿人類的一種能力。因此，在許多人看來，人工智能化指的是機器可以擁有像人類一樣的思維和情感能力。通常，人類是理性的，能夠通過自己獨特的大腦和神經(jīng)系統(tǒng)對外間世界作出精確反應或進行抽象思考，并在復雜的情境中作出審慎的判斷；人類是有復雜情感的，有同情心和同感力，雖然有時候也會有偏見或沖動。但若真有一天，一種可以完全像人類一樣（或超越人類）的機器成為現(xiàn)實的話，那人類就不再是獨一無二的，這種“硅基人類”不是在司法裁判上，而是可能在整體上代替我們這些“碳基人類”，而且這樣的替代似乎還具有極大的正當性（因為機器能比人類做得更好�。�。在這種情境下，司法裁判人工智能化的問題便不再重要了，問題更多在于是人類愿不愿意接受這種智能化，或者人類還有沒有能力抵抗這種被機器替代的風險。
實際上，就目前來看，人類的這種理性和愛恨情仇依然被認為是獨一無二的。因此，更值得關注的是一種比這更弱的人工智能，即機器能夠獨立完成某些原本需要依靠人類智慧才能完成的決定或任務（例如，關于某一案件的法律推理、司法裁判等），這才是對人類智能的模擬。在這個意義上，“決策智能化”最簡單的標志便是看算法程序運行的結(jié)果，究竟是找到了一系列依然需要人類進行閱讀、分析、權(quán)衡、選擇、決策的數(shù)據(jù)，還是它已經(jīng)通過數(shù)據(jù)分析就相關問題的解答給出了結(jié)論，即使這些結(jié)論僅僅被當作是初步的建議。后者才算得上“智能”。
總之，本文討論中的“司法裁判人工智能化”所指的主要不是機器擁有某種類似甚至超過法官的智能，也不是說機器可以輔助人類完成某項任務，而是說機器可以代替法官獨立作出某些裁判決定。那么，根據(jù)這樣的定義，目前人工智能技術在司法裁判中的應用，例如應用在司法裁判的某一階段或某一任務中，提高司法效率，或者設計人工智能系統(tǒng)，為法官決策提供協(xié)助所涉及的都還是作為輔助工具的人工智能，而與司法裁判的智能化無關。
三、司法裁判人工智能化的兩種路徑
既然是司法裁判的人工智能化，首先當然與對司法裁判的認識相關。目前，司法裁判人工智能化的努力，依然沒有完全逃脫出傳統(tǒng)裁判理論框架的拘束，雖然也體現(xiàn)出許多差異。
（一）司法裁判的性質(zhì)與人工智能化
一般而言，有關司法裁判的過程，有形式主義與現(xiàn)實主義兩種不同風格的說明：前者將司法裁判看作是一種以法律規(guī)范和案件事實為前提的推論過程，法官是依據(jù)邏輯推論規(guī)則推出判決的；后者則更多將司法裁判看作是經(jīng)驗的慎思過程，法官是在道德、政策、直覺（或者前理解）等現(xiàn)實因素的影響下作出決定的。
前者認為，法學的任務在于建構(gòu)一種完美的法律體系，借助這種體系，每個案件事實都對應著一個唯一的正確答案，裁判者只需依據(jù)形式邏輯法則便可以根據(jù)規(guī)范和事實推導出這個唯一的正確答案；后者認為，法學家應該更為關注法律的實效，重視經(jīng)濟、社會、政治、道德甚至裁判者的主觀偏好等現(xiàn)實因素在法官裁判中的關鍵角色，并努力根據(jù)各種現(xiàn)實因素，實現(xiàn)對于法官行為的準確預測。
在法律人工智能領域也有兩種相應的算法：第一，顯式編碼、封閉規(guī)則的算法，通過法律專家系統(tǒng)實現(xiàn)對人類法律推理的模擬并將之應用于司法裁判的決策；第二，機器學習算法，通過大數(shù)據(jù)分析訓練，發(fā)現(xiàn)人類司法裁判的內(nèi)在規(guī)律，并將之應用于對未來裁判的預測。后面的討論將以“自動判決機”與“裁判學習器”的隱喻來象征這兩種不同方向，無疑，前者代表了形式主義風格的理論，而后者帶有很強的經(jīng)驗主義色彩，雖然這兩種進路與形式主義裁判理論和現(xiàn)實主義裁判理論并不是嚴格對應的。
（二）基于形式主義推演論的“自動判決機”
早在“人工智能”這一術語出現(xiàn)之前，形式主義法學（或機械法學）就已經(jīng)醞釀了一種裁判智能化的美夢。如馬克斯•韋伯（Max Weber）所講，法學界早有這種想象存在：法官是一個訴訟機器，只需要將當事人的訴訟要求以及訴訟費用塞進這樣的機器，便可以根據(jù)法典中推演出來的理由得到相關的答復。
通常，這種“自動判決機”的運行原理是建立在“法律的公理體系”之上的：如果法律體系可以被建構(gòu)得像公理體系那樣，法學家便可以像數(shù)學家那樣工作，法學問題也可以像數(shù)學問題一樣通過“計算”予以解決。這種對法律推理的機械性說明，在很大程度上激發(fā)了人們對于“自動判決機”的探索，只要機器能夠遵循相應的思維準則，依此自動推出相應的結(jié)論，即實現(xiàn)智能裁判，似乎也不是一個難題。
這便代表了司法裁判智能化的第一種思路：基于邏輯系統(tǒng)或計算機程序的建模，來模擬人的推理方式，其典型成果便是各種知識庫系統(tǒng)或?qū)＜蚁到y(tǒng)。簡單來說，這種專家系統(tǒng)的建立至少需要三個條件：第一，提前建立一個儲存在計算機之中包括相關素材（法律或案例等）的數(shù)據(jù)庫；第二，對這些素材進行技術處理，建立索引使其可以通過關鍵詞或關鍵要素進行檢索；第三，建立一個搜索引擎，可以對輸入的素材進行檢索并輸出想要的結(jié)果。根據(jù)這種思路，只要能夠建構(gòu)一個可靠、完全的數(shù)據(jù)庫，依據(jù)提前設置的推論規(guī)則，便可以為該領域的個案提供解決方案。因此，許多輔助性的專家系統(tǒng)應運而生，它們主要包括兩種基本的類型：其一是基于規(guī)則的論證模型，例如TAXMAN系統(tǒng)；其二是基于案例的論證模型，例如HYPO系統(tǒng)。
在司法裁判人工智能化的努力中，很長一段時間，形式主義路徑都占據(jù)主導地位。必須看到，在原來那個儲存成本和計算資源比較稀缺的時代，這種路徑的簡潔性顯然更符合現(xiàn)實的要求。只是這種美夢，不僅沒有隨著法律體系的發(fā)展和科學技術的進步，而變得越來越指日可待，相反，越是到了科技進步日新月異、法律體系越來越復雜化的今天，這樣的美夢就越顯得遙遠。人的推理包括法律推理過程太復雜了，模擬這種推理需要設計極其復雜的算法程序，以及極其驚人的計算能力和計算量，這是目前的理論水平和技術水平所不能承受的。例如，1984年開始的Cyc（來自英文單詞“Encyclopaedia”）項目，試圖通過將信息編碼成計算機可識別的形式來表示人類常識，但直至今日，這個項目依然“路漫漫其修遠”。
而且，法律推理的實質(zhì)性和價值性也無法借用形式模型予以完全展現(xiàn)，法律推理的關鍵因素恰恰是計算機程序的短板。如今，法律體系變得越來越龐雜，立法更新越來越快，社會變遷、技術革新帶來了太多的新型、疑難問題，對于這些問題的解答，法學家尚無法達成共識，遑論人工建構(gòu)的知識系統(tǒng)。
總之，對于形式主義方案而言，關鍵之處在于建構(gòu)一套可以模擬人類法律推理的模型，以法律規(guī)則或案例數(shù)據(jù)庫為基礎，借助提前植入的算法程序，推出相應結(jié)果。其難題在于，法律推理的復雜性和評價性是計算機程序難以模擬的。不過，如果將專家系統(tǒng)局限在某些特定的尤其是形式化程度較高的領域，它依然可能發(fā)揮作用，正如法律智能系統(tǒng)專家阿什利（Kevin D. Ashley）所言，“盡管法律專家系統(tǒng)不再是主流范式，但依然在許多語境中被廣泛地使用”。當然，之于實現(xiàn)司法裁判人工智能化的目標而言，這樣的現(xiàn)狀顯然是不能令人滿意的。
（三）基于大數(shù)據(jù)預測論的“裁判學習器”
隨著算法的革新、計算機能力的增強以及神經(jīng)科學等學科的進步，機器學習尤其是深度學習的興起帶來了一種新的希望，它推動著人類的技術范式從“大定律，小數(shù)據(jù)”向“大數(shù)據(jù)，小定律”轉(zhuǎn)移。如果說專家系統(tǒng)還是由人對知識進行總結(jié)，然后“教會”計算機的話，那么，根據(jù)機器學習模式，計算機則可以通過大數(shù)據(jù)跟著人類學習，從經(jīng)驗中汲取智慧。機器系統(tǒng)不再是按照人提前設置的路線模仿人類思維，而是“從樣例中學習”、“在問題求解和規(guī)劃中學習”、“通過觀察和發(fā)現(xiàn)學習”、“從指令中學習”。
尤其是互聯(lián)網(wǎng)的大規(guī)模應用以及存儲成本的降低帶來了龐大低廉的數(shù)據(jù)，規(guī)模遠超任何一個專家知識庫，只要有一個足夠強大的搜索引擎，似乎就可以從這些數(shù)據(jù)中搜尋到想要的內(nèi)容。通過對數(shù)據(jù)的“學習”，機器便可以洞悉其中隱藏的“規(guī)律”或“關聯(lián)”，從而實現(xiàn)對于特定事項或行為的預測。
司法裁判人工智能化的另一種路徑也因此顯現(xiàn)了出來，即通過學習算法，讓學習器（learner）在大數(shù)據(jù)中自主學習如何“像法官那樣”進行司法裁判。這種進路便不可能將司法裁判看作是一種形式主義的機械裁判過程，而更多與現(xiàn)實主義法學的許多想法相對應，尤其是后者有關經(jīng)驗方法和預測論的內(nèi)容。但與現(xiàn)實主義法學不同，它并不必然要質(zhì)疑法律規(guī)范的證成作用，這種“裁判學習器”必然要預設的是，裁判是有規(guī)律或關聯(lián)可循的，而裁判證成的核心基礎究竟是規(guī)則還是經(jīng)驗，并不關鍵。
從這種進路來看，司法裁判智能化的關注點就“從模擬法律推理的外在邏輯形式進一步轉(zhuǎn)向探求法官的內(nèi)在思維結(jié)構(gòu)”，關鍵詞從“規(guī)則”變成了“規(guī)律”，從“邏輯”變成了“概率”，從“推理”變成了“預測”，其核心的要素便在于建構(gòu)一種能夠?qū)崿F(xiàn)對判決（或裁定、決定）進行預測的算法模型。這一點是與許多現(xiàn)實主義者的想法對應的：對于法律思維的模擬必須看到社會主流道德觀念以及其他非理性內(nèi)在因素的影響，對此，統(tǒng)計學數(shù)據(jù)分析和經(jīng)驗方法就可以派上用場了。美國法學家霍姆斯（Oliver W. Holmes）一百多年前就指明了這一方向：“對理性的法律研究來說，在法律的故紙堆里皓首窮經(jīng)之人（the black-letter man）或許眼下大行其道，運用統(tǒng)計學之人以及經(jīng)濟學的行家里手則引領未來�！痹诨裟匪沟恼摂嘀须[含著某種預測論，他“所指的法律，正是對法院將會采取的實際舉措作出的預測，而不是什么故作高深的東西”，在他看來，法律人的“學習目標就是預測，即預測公共強制力通過法院得到施展的概率”。
這和機器學習的原理是類似的：以歷史數(shù)據(jù)預測未來行為。就此而言，機器學習技術可以提供有力的支撐，幫助法律人提高預測的質(zhì)量。正如普通人基于經(jīng)驗數(shù)據(jù)對天氣的預測一樣，即使人們可能無法知道風暴或雨雪形成的物理機制，但卻可以根據(jù)云圖、風向或者動物的行為判斷它們來臨的幾率。在這個意義上，對于法官內(nèi)在思維的探究，必須依賴于經(jīng)驗數(shù)據(jù)的支撐，而深度學習算法使得機器可以從大數(shù)據(jù)中自主學習。如果我們能夠以一種成熟的語言解析技術讓裁判學習器“讀懂”海量的判決書（或其他法律文件），再通過學習算法讓學習器從這些經(jīng)驗數(shù)據(jù)中發(fā)現(xiàn)特定的規(guī)律或關系并產(chǎn)生模型，從而依據(jù)模型為新的個案提供（預測）相應的解決方案，那么，就不僅實現(xiàn)了裁判的人工智能化，而且有利于推動類案類判、限制自由裁量。這種方案看起來野心勃勃，但是，通過下文的分析，筆者依然將得出一個悲觀的結(jié)論，并為這種消極的答案給出一種可能的辯護。
四、大數(shù)據(jù)預測論與司法裁判的不可預測
首先要討論的問題是司法裁判的可預測性。如果想要通過大數(shù)據(jù)分析實現(xiàn)對司法裁判的預測，最基本的前提便是司法裁判應當是可被預測的，但這個前提在理論上似乎并沒有得到足夠的支持。
（一）大數(shù)據(jù)預測論的隱含前提：司法裁判的可預測性
正如前述，司法裁判智能化兩種路徑的背后都有相應的理論基礎，尤其是有關司法裁判之性質(zhì)的預設。例如，專家系統(tǒng)的核心預設是，人類思維有某種固定的或可模仿的模式，通過刻畫這些思維特征，便可以建構(gòu)出某種自動推理模型，其中，規(guī)則模型預設了法律推理是一種規(guī)則指引的演繹推理，而案例模型則預設的是一種以案例為基礎的推理模式。
機器學習系統(tǒng)的背后也有其特定的預設：人類智慧指引的決定或行為是有特定規(guī)律或特征可循的，通過大數(shù)據(jù)分析，學習算法可以發(fā)現(xiàn)這樣的規(guī)律或者特征，從而實現(xiàn)對這些行為或決定的預測。例如，阿爾法狗（AlphaGo）之所以能在圍棋領域所向披靡，一個關鍵原因在于其背后有清晰的規(guī)則，學習算法可以通過數(shù)據(jù)分析找到?jīng)Q勝的模式。同理，這樣的算法模型是否有助于預測法官決策或者代替法官作出決策，關鍵之處在于法官的決策必須是有規(guī)律可循的，或者是受到某些可學得的特定因素決定的。這種主張同樣可以在法律現(xiàn)實主義那里找到聯(lián)系，例如，盧埃林（Karl N. Llewellyn）便明確地表達：“關鍵在于觀察法律官員做什么，他們?nèi)绾翁幚砑m紛或者其他任何事務，以及觀察他們的所作所為，從中尋找某種獨特的規(guī)律性——這種規(guī)律性使人們有可能對法律官員及其他官員今后的所作所為作出預測�！�
總之，如果我們能夠“按照既定目標，對判決書、案件卷宗、庭審視頻等非結(jié)構(gòu)化、半結(jié)構(gòu)化數(shù)據(jù)進行探索和分析，揭示隱藏的、未知的規(guī)律性，并進一步將其模型化”，那司法裁判智能化便是可能的；但如果司法裁判活動并不存在這種規(guī)律或關系，即它是不可被預測的，那么，學習算法能否應用于司法裁判的預測，就成了一個偽問題。
（二）為什么司法裁判無法根據(jù)大數(shù)據(jù)分析被預測？
正如前述，基于大數(shù)據(jù)算法預測所依賴的是分析對象的規(guī)律性，例如，根據(jù)云圖等信息能夠預測天氣，表面上是依靠經(jīng)驗觀察的數(shù)據(jù)，但核心的內(nèi)因還是在于天象規(guī)律的存在，符合什么樣的條件，就會有何種天氣。但是，司法裁判的作出卻不是由經(jīng)驗數(shù)據(jù)支撐的，它是規(guī)范性的。即使經(jīng)驗數(shù)據(jù)可以用來解釋影響司法裁判的某些因素，但裁判的正當性卻并不能依賴于既往案件的規(guī)律性，除非存在一個更高的規(guī)范，即新的案件應該按照過去類似案件的裁判方案進行處理。于是有人自然想到了判例規(guī)則，但這個更高規(guī)范所要求的是嚴格地、機械地遵循先例，而現(xiàn)實法律系統(tǒng)中的“遵循先例”從來不是機械地遵循歷史先例，而是由法官對它們作出區(qū)分并確定先例中的判決理由是什么，從而決定是否遵循它，核心依然在于法官對于先例的判斷。
退一步講，即使司法裁判是依賴于經(jīng)驗的，即使存在一個按照既往案件之規(guī)律進行裁判的更高規(guī)范，但這種規(guī)律性卻也很難通過大數(shù)據(jù)體現(xiàn)出來，其中最大的困難在于裁判的經(jīng)驗與知識有許多都是默會的、隱含的，有些內(nèi)容也許依據(jù)理性可以從實踐中推導出來，但卻不會體現(xiàn)在大數(shù)據(jù)之中。換句話說，案件裁判的依據(jù)和過程是未必體現(xiàn)在判決書或者其他材料之中的，法官們會隱藏自己內(nèi)心的判案“邏輯”或“規(guī)律”，從大數(shù)據(jù)資料中未必能夠分析出這些內(nèi)在的思維結(jié)構(gòu)。
更為重要的是，法治是規(guī)則之治，作為裁判正當依據(jù)的只能是規(guī)則而不能是規(guī)律。即使法律規(guī)則來自于生活世界的經(jīng)驗，即使某些依據(jù)特定規(guī)則作出的決定可能具有一定的規(guī)律性，但在司法裁判中，起關鍵證成作用的卻必須是規(guī)則。當然，根據(jù)法律規(guī)則作出的裁判通常也應當具有可預測性，但這里所講的是依據(jù)規(guī)則作出司法裁判的應然可預測性，而不是依據(jù)規(guī)律的經(jīng)驗可預測性。規(guī)范性不等于規(guī)律性，規(guī)范意義上的可預測性也不意味著司法裁判是可以實際被預測的。當規(guī)則發(fā)生變化時，所有的規(guī)律都變得不那么重要了。正如德國法學家基爾希曼（Julius Hermann von Kirchmann）所言，“立法者的三個更正詞就可以使所有的文獻成為廢紙”。
那么，有人可能會反駁道，法官并不是或主要不是依據(jù)法律規(guī)則作出裁判的，他不可避免地會受到偏好、直覺或者道德觀念的影響，正如許多現(xiàn)實主義者所主張的那樣，那么，這種預測論是否能夠成功呢？回答這一問題的關鍵便在于這種實質(zhì)立場或非理性因素影響下的行為是否真的是有規(guī)律可循的。必須明確的是，非理性因素指引下的行為也未必是不可預測的，例如，人們的消費行為并不總是理性的，買賣選擇往往會受各種偶然因素的影響，但大數(shù)據(jù)分析同樣可以給出一種概率性的預測。但是，只要這種概率性的預測根據(jù)的是歷史數(shù)據(jù)，就不能被強制作為現(xiàn)在決定的依據(jù)。道理顯而易見，張三之前經(jīng)常買法哲學的書，據(jù)此能夠歸納出張三大概是喜歡法哲學書的，卻無法預測出他現(xiàn)在想買它；音樂數(shù)據(jù)顯示30歲以下的人群多選擇聽流行音樂，據(jù)此可以歸納出多數(shù)年輕人都喜歡聽流行音樂，卻無法據(jù)此推出16歲的李四也喜歡它。同樣，司法決定往往是需要基于特殊的情境現(xiàn)時作出的，而預測所基于的數(shù)據(jù)卻是歷史數(shù)據(jù)，其中必然有某種推論的跳躍。但關鍵的困難在于，偶然因素影響下的司法決策情境是不斷變化的，這種概率性的預測結(jié)果通常只能作為一種參考，而不能作為現(xiàn)在決策的正當化依據(jù)�！皵�(shù)學模型的本質(zhì)是基于過去的數(shù)據(jù)推測未來，其基本假設是：模式會重復�！比绻覀儾荒艽_定司法裁判模式會不斷重復，即使根據(jù)既往的數(shù)據(jù)可以做一些成功率較高的預測，數(shù)學模型也不能被用于司法裁判。
預測論難以成功的理由還在于，司法裁判具有評價性和價值性。大部分法學家都會承認，在司法裁判的過程中不可避免地會涉及到價值判斷。例如，美國法學家德沃金（Ronald Dworkin）便明確表達了這一點：“法律推理意味著把特定的、個別的法律問題，置于法律推演諸原則或者政治之道德性的廣大網(wǎng)絡中來加以考察。實際上，除非你已經(jīng)通過或者愿意通過一個巨大的、由諸多復雜的原則所構(gòu)成的、貫通全局的理論系統(tǒng)來進行思考……否則你就沒法對法律問題的正確答案進行思考�！�
因此，這里的問題又變成了實質(zhì)的價值判斷是否能夠通過大數(shù)據(jù)分析予以預測。
價值判斷關涉的主要是規(guī)范命題，預測關涉的是事實命題。一般來說，學習算法依靠訓練數(shù)據(jù)集所學得的往往是經(jīng)驗上的相關關系或規(guī)律，它自身無法作出價值判斷，除非可以將規(guī)范問題轉(zhuǎn)化為某種經(jīng)驗問題予以處理。例如，以關于某種價值判斷的既有數(shù)據(jù)作為訓練數(shù)據(jù)集，讓學習器從大數(shù)據(jù)中學得如何預測這種價值判斷。但是，即使這種預測的準確率很高，但它依然會受困于前文所講的問題，即規(guī)律僅僅是規(guī)律而不是規(guī)范，存在推不出合理，大概率未必真正確。由于評價性工作無法通過大數(shù)據(jù)分析予以解決，就此而言，司法裁判智能化再次遇到阻礙。正如美國學者桑斯坦（Cass R. Sustein）所言，“我相信，強的版本是錯的，因為它沒有抓住類比推理的核心特征——它不可避免地評價的、價值主導的特點”。在他看來，遵循先例的類比推理并不是形式性的，依據(jù)案例進行推理的關鍵點并不在于尋找更為相似的案例或作出更多的區(qū)分，也不在于找出相關的相似點與不同點，而是在于識別一個可以證成這種關于相似點或不同點之主張的原則，而尋找這一原則的任務是一項評價性工作，因此，結(jié)論顯而易見，除非人工智能可以獨立作出好的價值判斷，否則它便不能從事類比法律推理。
總之，除非關于司法裁判（本質(zhì)特征、功能定位等）的觀念產(chǎn)生了根本性的改變，或者人工智能對于司法裁判的性質(zhì)構(gòu)成了根本性的挑戰(zhàn)（例如出現(xiàn)了超級“硅基人類”），否則，司法裁判在本質(zhì)上便是無法被智能化的。既然當前人工智能之于法律領域的應用依然沒有超出傳統(tǒng)裁判理論的范疇，那它必然要受困于傳統(tǒng)裁判理論的那些難題。
五、機器裁判的正當性難題
退一步講，假設司法裁判是可以預測的，那么，這是否意味著將這種預測結(jié)果自動作為裁判結(jié)論就是正當化的？或者，更進一步來說，如果機器法官比人類法官做得“更好”，機器就真的能夠代替人類裁判案件嗎？
（一）大數(shù)據(jù)算法應用的辯護理由之反駁
將大數(shù)據(jù)分析結(jié)果應用于司法裁判，最顯明的一個優(yōu)點可能在于，它可以保證判決的形式公平（同等情況同等對待，不同情況不同對待），“同案同判”或“類案類判”成了極佳的辯護理由：“當面對特定案件時，人工智能不但有能力識別出同類判決的海量數(shù)據(jù)，并且將它們進行合適的分類，然后在此基礎上分析、總結(jié)出基本的模型，然后再將所獲得的模型應用到待決案件中，最終實現(xiàn)類案類判的結(jié)果”；“同案同判的司法公正由此得以重塑”。但正如前述，法治是規(guī)則之治、理由之治，而不是規(guī)律之治，由于機器學習算法只能根據(jù)從大數(shù)據(jù)中學得的特征或規(guī)律建構(gòu)模型并給出結(jié)果，那么，將這一結(jié)果進而當作裁判結(jié)論，就不是依法裁判，而是依照司法大數(shù)據(jù)中隱藏的規(guī)律進行裁判，但這些規(guī)律的合法性和正當性又是無法保證的。正如德沃金所言，一個正確的判決至少要滿足兩個維度的要求：符合要求，即它與過去的決定是相一致的；正當化要求，即它是通盤考量后的最佳答案。
算法裁判最多只能做到當前判決與歷史案例的一致性，卻無法將正當化因素納入決策過程。判決是個體化的、可能因人因事而異的，但是基于大數(shù)據(jù)的預測卻是對于某一類人、某一類事的，它可能無法處理個案適用中極端不正義或不合目的的情況。而且，算法模型背后反映的是數(shù)據(jù)之間的相關關系，而非因果關系，它可能會以因果關系或者客觀規(guī)律的面孔掩蓋其背后的許多價值預設甚至偏見。因此，預測分析學即使可以保證類案類判（捍衛(wèi)法的安定性），但也可能與實質(zhì)的正義與道德要求相沖突。
當然，必須承認，如果只是將司法大數(shù)據(jù)作為數(shù)據(jù)庫使用，通過特定算法搜索符合當前案件裁決的既往類案，推送給法官，正如最高人民法院的“類案智能推送系統(tǒng)”一樣，當然可以提高司法效率。但這和“司法裁判人工智能化”并沒有太大關系，它只是一種法官可以選擇使用的工具而已。
與此相關，支持算法裁判的另一個理由是，算法裁判可以限制甚至消除人類法官的自由裁量空間，因為它依據(jù)的是既往數(shù)據(jù)中的客觀規(guī)律。例如，美國許多州之所以對采用量刑輔助系統(tǒng)或犯罪風險評估系統(tǒng)持有某種積極態(tài)度，其中重要的理由就在于以算法限制并代替司法裁量。不難看出，這種想法的背后隱藏著對司法裁量的某種負面預設，即它是武斷的或不受理性控制的，因此應當進行限制。但是，已經(jīng)有許多法學研究表明，裁量的不確定性未必一定是負面的，有時候恰好能夠借此在合法性空間中注入新鮮內(nèi)容以實現(xiàn)法律內(nèi)容的更新，協(xié)調(diào)法律條文的僵硬性與滯后性問題。而且，雖然裁量權(quán)的運用確實依賴于法官的意志，但它并非絕對自由的，它的行使必須符合法治原則，法官往往被要求依據(jù)道德價值或經(jīng)驗常識作出決定并給出相關理由。
況且，大數(shù)據(jù)分析是否真的能夠消除這種裁量空間，也是一個未知數(shù)。裁量的行使要求立基于當前的情境，而現(xiàn)時情境的復雜性和多變性可能是歷史數(shù)據(jù)所不能涵蓋的；它有時候需要的是一種創(chuàng)造力，一種實踐理性，或者審慎的道德考量，但學習算法卻只能處理經(jīng)驗數(shù)據(jù)的問題，即使它在表面上減少了自由裁量的空間，但這種裁量結(jié)果的合法性、正當性依然不能保證。更重要的是，依據(jù)算法進行裁量排除了人作為主體根據(jù)具體情境作出價值判斷的權(quán)利，限制了人的主體地位。由此，將人類法官的裁量權(quán)交給機器行使，無論是否有實效，都是難以接受的，這一點尤其重要。
除此之外，算法裁判還隱藏著許多可能威脅法治的預設。例如，算法結(jié)果的正確性對大數(shù)據(jù)的完全性和正確性提出了極高的要求，但沒有任何一種程序能夠?qū)⑺械南嚓P數(shù)據(jù)都納入分析，因此完全性總是無法保證的；況且即使訓練數(shù)據(jù)是完全的、精確的，也無法避免大數(shù)據(jù)分析給出的最終結(jié)論依然可能是不正確的、有偏見的，因為數(shù)據(jù)本身就隱藏著某種錯誤；而且，這些數(shù)據(jù)看起來越值得信賴，那么，這種帶有偏見的決定似乎也就越容易被接受，并進一步加深這種錯誤。例如，對某移民城市犯罪數(shù)據(jù)的分析顯示，來自X地的移民犯罪率遠超來自其他地方的移民，監(jiān)管機關很容易就依此作出推論，X地移民應當被嚴格監(jiān)管，這就意味著X地犯罪行為被發(fā)現(xiàn)的幾率會變得更高，并進一步體現(xiàn)在數(shù)據(jù)上，以此導致惡性循環(huán)。在這個意義上，大數(shù)據(jù)決策不可避免地會面臨且放大“多數(shù)決”的難題：一方面，對于龐大的大數(shù)據(jù)基數(shù)來講，“少數(shù)異見”可能因為極小的占比和概率而被忽視，成為大數(shù)據(jù)決策中的“他者”；另一方面，當大數(shù)據(jù)決策被適用于所有人或所有相關行為時，即使它只有極小的誤差（極小的占比或概率），也意味著大量的人或行為會因此而遭到不正確的對待。
綜上所述，之所以反對算法裁決，并不在于它不能推動“類案類判”，而是在于它至多只能滿足“同等對待”的形式要求，卻忽視了判決的正當性要求；并不在于它不可以限制裁量，而是在于它可能會錯誤地限制裁量�？傊�，當機器不是在依據(jù)法律規(guī)則而是在依據(jù)規(guī)律進行裁判時，它會破壞法治的許多預設，人工智能給出的預測方案，最多只能作為一種說服論據(jù)，而不是權(quán)威論據(jù)，最多只能作為一種實踐問題的建議，而不是理論上的正確答案。
（二）機器代替人類裁判的正當性批判
假如運用大數(shù)據(jù)算法可以實現(xiàn)對裁判結(jié)果的預測，而且還具有種種優(yōu)勢，那是不是意味著機器就可以代替人類裁判案件呢？本文的回答依然是否定的。理由是多層面的，下文將指出，機器裁判至少違反了目前法學范式中的兩個核心預設：其一，法學是實踐智慧，司法裁判權(quán)是人（法官）的權(quán)力，而非機器的權(quán)力；其二，法治是理由之治，在裁判過程中法官應當保障當事人的參與權(quán)并給出有理由支持的決定，這是機器裁判做不到的。
首先，法學是一門實踐智慧，司法是一種人事，司法決策依賴于人的實踐理性，法律案件只能以特定的程序通過中立的第三人（法官）運用法律規(guī)范以及其他的人類知識（例如正義標準）來進行評價，只要這樣的范式不發(fā)生變化，以機器代替法官作為決策的主體便是不恰當?shù)�。司法實踐的知識和技能（特別是其中的默會知識）往往是在司法實踐中逐漸學會的，這種學習過程難以被形式化為計算機語言輸入電腦，也不能從大數(shù)據(jù)中分析得出。正如美國一位法官所強調(diào)的那樣：“技術無法取代法律實施中檢察官和辯護律師所擁有的司法知識、經(jīng)驗以及專業(yè)技術的深度�！狈ü俨门邪讣粌H僅需要法律知識，還需要對社會效果的評價，甚至直覺、感覺、良知等。沒有任何兩個案件（或者事實要素）是完全相同的，對這些案件或事實進行區(qū)分所需要的往往是“人類的判斷以及鮮活且自然的同感心”，這兩項即使不是人類與生俱來、獨一無二的能力，也是一種人工智能難以模擬的洞察力和情感。
但是，這種觀點也許會遭遇一些反對意見：為什么在司法判決中人的判斷和情感就是正當?shù)�，而機器所運用的學習算法就是不正當?shù)�？如果未來某一天機器也能模擬人的情感，那是不是意味著算法裁判就是正當?shù)�？這便涉及到一個更深層的問題，即人與技術的關系。傳統(tǒng)上來講，技術往往被當作人類為實現(xiàn)某一目標而使用的一種工具，但如果機器能在某些場合或某些領域中展現(xiàn)出人類智慧的話，那么堅持“人類中心主義”還是否正當呢？就這一宏大問題，無法在此詳細討論。這里要說的是，反對機器裁判主要不是因為機器的裁判不如人的裁判更好，更重要的一個理由是，一旦它犯錯，會導致無人負責甚至無人糾錯的情況出現(xiàn)。況且機器決策具有標準化的特征，當它在某個具體情境中出現(xiàn)錯誤時，可能就意味著所有類似情境都會出錯。而人的決策往往是個體化的，它不具有標準程序那樣的擴散性。正如前述，司法裁判依賴于人的理性和意志，而理性的有限性和意志的薄弱性，一方面意味著，裁判者難免會在特定案件中遭遇疑難情況，甚至可能作出不正確的裁判，但另一方面也隱含著裁判者有著相應的應盡義務和責任，無論是糾錯的義務，還是懲罰的責任，抑或僅僅是道義上被譴責的可能，都代表著擁有自主意志的人要對自己的決定負責。與人不同，機器是自動地而不是自主地作出決定，它是“無情的”，沒有價值意涵，沒有反思性，也無法知道自己已經(jīng)“犯錯”，更無力去糾正這種錯誤，甚至可以說，在它那里并沒有錯誤一說，因為“錯誤”也必須用正確的代碼表示才有可能被它識別。況且人們在多大程度上能夠像容忍人類自身的錯誤那樣容忍機器的毛病，這也是存疑的。因此，即使機器在某些領域能夠代替人類作出更為精準的決定，即使我們可以給機器設置特定的“道德算法”，但算法程序還是可能會有缺陷，在它出現(xiàn)錯誤時，依然無法成為責任的承擔者。
另一方面，算法裁判本身的證成理由只能有一個，那便是依據(jù)歷史數(shù)據(jù)裁判是正確的，裁判模型會反復運行，但正如前述，這種正確性是無法保證的。即使它可以比人類做得更好（更正確），但由于機器裁判的過程并不是完全透明的、公開的，法官、律師和當事人都無法探知這一過程，機器也不會給出正當理由闡明裁判結(jié)果的正當性，這種正當性是無法被傳遞給人類的。這樣的話，不僅司法過程的公開性、程序性、可說明性等傳統(tǒng)價值遭到了破壞，甚至司法本身的正義價值（至少是程序正義）也被掩蓋了。
而且，雖然司法應當具有謙抑性，但并不代表它排斥創(chuàng)新。如果沒有法官通過裁判在司法實踐中更新人們對于法律條文的認識，則很難想象諸如1789年《美國憲法》、1804年《法國民法典》在制定了一兩百年后是如何跟上時代潮流的。只是指望立法者及時更新權(quán)威法律文本，是不現(xiàn)實的，法律的發(fā)展進步所依靠的更多是司法的創(chuàng)新。
更為重要的是，一旦形成對于算法程序的依賴，最終的結(jié)果可能是：理由不再重要，重要的是歷史統(tǒng)計數(shù)據(jù)，論證不再重要，重要的是對過去的模仿。這種對于歷史的模仿會腐蝕人類獨立自主的思考能力，正如美國聯(lián)邦最高法院首席大法官羅伯茨（John G. Roberts Jr.）所言，“我所擔心的并不是機器開始像我們那樣思考……我擔心的是我們開始像機器那樣思考”。一旦如此的話，人類實質(zhì)上就以服從歷史模型的方式臣服于機器，機器便以尊重歷史經(jīng)驗的表象實際統(tǒng)治了人類，而裁判機器便成為這種統(tǒng)治模式最核心的一個“部件”。除非人類能忍受這種被統(tǒng)治的狀況，否則機器裁判便是不可能被接受的。
總之，自主是人類的根本特征，面向某種未決狀態(tài)，人類有自主思考、自主作出決定的權(quán)利，同時人類還要因此肩負某種面向未來的責任，將人類自己作出選擇、決定的權(quán)利和責任完全交給機器，顯然并非人類發(fā)明人工智能的初衷。
六、大數(shù)據(jù)預測論的現(xiàn)實困境
還有一個問題需要回答，即如果司法裁判是可以被預測的，那么，這是不是意味著大數(shù)據(jù)算法就能夠?qū)崿F(xiàn)對司法裁判的預測呢？最后討論這個技術難題，一方面是因為回答這個問題非常困難，技術是會不斷（以指數(shù)級別的速度）進步的，即使今天不能以大數(shù)據(jù)算法實現(xiàn)對裁判結(jié)果的精準預測，不代表未來也不能，即使是人工智能專家，想必也無法對此作出準確的預測，況且筆者不是技術專家，無論作出何種討論，都不會被當作權(quán)威的論述；另一方面，只要裁判是不可預測的，而機器裁判又不具有正當性，那技術問題的討論實際上就變得不那么重要了。因此，在這里，只就實現(xiàn)這種預測分析論的現(xiàn)實困難展開一些基礎分析。
一般來說，要想通過機器學習程序?qū)崿F(xiàn)對裁判結(jié)果的準確預測，至少要滿足三個條件：第一，人類的司法實踐持續(xù)不斷地被轉(zhuǎn)化為可讀數(shù)據(jù)儲存起來，隨著司法大數(shù)據(jù)越來越多，覆蓋范圍越來越廣，質(zhì)量越來越高，最終能滿足學習算法對訓練數(shù)據(jù)的需要；第二，深度學習所需要的算法與算力不斷優(yōu)化，文本解析等技術更加成熟，最終能夠?qū)Ａ康臋?quán)威法律數(shù)據(jù)進行分析；第三，運用大數(shù)據(jù)算法預測裁判結(jié)果在法律共同體中獲得認可（或具有可接受性），至少法律官員對這種運用要抱持一種積極的態(tài)度。但就目前而言，這三個條件幾乎都沒有被滿足。
第一，司法領域難以提供學習算法所需要的訓練數(shù)據(jù)。大數(shù)據(jù)之“大”不僅在于數(shù)量之龐大（volume），更是在于它的來源之廣博（variety）、更新之迅速（velocity），或者變化之多端（variability）。即使司法實踐中存在著一些在小規(guī)模數(shù)據(jù)中無法顯現(xiàn)卻在大數(shù)據(jù)中可能被發(fā)現(xiàn)的“小定律”，但司法領域中也沒有如此龐大的、高質(zhì)量的、多元化的數(shù)據(jù)支持這種學習算法的運行。與許多能夠產(chǎn)生大量數(shù)據(jù)的領域不同，司法裁判領域的相關數(shù)據(jù)可能數(shù)量依然不夠大，來源依然比較有限，多樣性也未必足夠。例如，國內(nèi)大部分相關項目都是以“中國裁判文書網(wǎng)”（http://wenshu.court.gov.cn）公布的案例作為數(shù)據(jù)庫基礎的，截止到2020年4月11日16時45分，該網(wǎng)的文書總量已經(jīng)達到了90700573篇，而且還在以極快的速度增加，不過，這些數(shù)據(jù)可能依然算不上“大”。更為關鍵的是，這些數(shù)據(jù)的質(zhì)量是參差不齊的：有些類型的案件（特別是職務犯罪類、行政訴訟類案件）上網(wǎng)率不足，造成數(shù)據(jù)類型的結(jié)構(gòu)性偏差；許多文書缺少說理部分，裁判的依據(jù)和推論過程等關鍵內(nèi)容都沒有展現(xiàn)；許多實質(zhì)上決定裁判結(jié)果的數(shù)據(jù)無法體現(xiàn)，諸如某些內(nèi)部規(guī)定、會議紀要等大量的其他案卷大都沒有實現(xiàn)電子化，無法作為數(shù)據(jù)使用。而且，因為它們是天生的缺陷，這些粗糙的數(shù)據(jù)還難以通過法律專家的清洗而得到質(zhì)的改善。大家都知道，大數(shù)據(jù)算法更嚴格地受到“錯進，錯出”（Garbage in, garbage out）原則的限制，當不正確的、不充分的、過時的數(shù)據(jù)成為訓練數(shù)據(jù)時，學習算法所發(fā)掘的便可能是不正確的特征，并因此獲得不正確的結(jié)論。
除此之外，司法裁判有時候還會涉及到許多專業(yè)問題，諸如醫(yī)療事故、商業(yè)糾紛，如果要想通過大數(shù)據(jù)分析實現(xiàn)裁判的智能化，那么此類問題必須一并予以考慮，關于它們的判斷也需要其所在領域預測分析學的支持。一方面，如何使用這些領域的數(shù)據(jù)庫進行裁判是一個難題，另一方面，如何將這些數(shù)據(jù)與法律數(shù)據(jù)進行整合又將是另一個難題。
第二，司法裁判的數(shù)據(jù)并不容易被計算機“讀懂”。眾所周知，計算機所能閱讀的僅僅是二進制的符號，算法是建立在這些符號的運算而非意義的生成之上的，因此，文本或語音中的以自然語言表述的內(nèi)容，必須被轉(zhuǎn)化為計算機語言，才能成為有用的數(shù)據(jù)。雖然目前借助文本解析技術，理論上計算機已經(jīng)可以實現(xiàn)對文字的“閱讀”，但“閱讀”判決書以及其他法律文件卻依然不是一件簡單的事情。按照言語行為理論，某些話語（包括法律話語）并不僅僅是在表達意義，更是在做出某種行為，作為言語行為的法律話語是負載特定意圖的，它們的意義往往是由其與其他話語之間的推論關系所決定的，其中還包含了許多只可意會不可言傳的內(nèi)容，諸如人的意識與反思以及話語共同體所共享的許多默會知識，都是計算機無法閱讀或無法作為數(shù)據(jù)儲存的。因此，只從語形上解析判決書可能是遠遠不夠的，脫離了具體的語境，這些文字的意義是不能被理解的。
而且，與日常話語相比，法律話語還具有另外一些難以化解的難題。例如，雖然判決書有一定的結(jié)構(gòu)性，但每一個法官使用的術語、寫作風格都未必是相同的；法律話語中充滿了諸如“公序良俗”、“善意第三人”等價值語詞以及諸如“合理期待”、“可預期的”等高度模糊性的語詞；嚴格來講，每一個案件都是不同的，對任何一個案件之裁判結(jié)果的預測都可能會涉及到數(shù)以萬計的類似案例，它們的判決依據(jù)、推論過程可能是各不相同的，將它們相互對比的組合數(shù)量及其產(chǎn)生的計算量非常大；一旦分析結(jié)果給出多個可能選項，在多個選項之間的選擇往往還需要實質(zhì)評價，而不僅僅是概率問題。這些都進一步加劇了司法數(shù)據(jù)的“閱讀”難題。
第三，一般來說，只有在運用大數(shù)據(jù)算法進行裁判既是可行的又是可欲的時候，它才可能逐漸在法律官員以及社會大眾中得到承認，最終成為司法判決實踐的一部分。但這一切似乎都還沒有發(fā)生。首先，深度學習等機器學習算法有許多不可探知或無法檢驗的內(nèi)容，使其難以令人信任，例如，學習算法的運行有所謂“黑箱”存在，且可能出現(xiàn)諸如將黑人預測成猩猩等不可預知的“壞案例”（badcase）；其次，出于對商業(yè)秘密或其他知識產(chǎn)權(quán)的保護，程序的源代碼、訓練數(shù)據(jù)與程序等信息可能無法公開，因此，在知識產(chǎn)權(quán)保護和算法透明性上我們面臨著二選一的難題；再者，大部分法官和律師都不是程序員，基于自身知識的局限性，即使有公開的說明書，他們也很難讀懂其背后的機制，正如美國波斯納（Richard A. Posner）法官所言，法官對于科技幾乎一無所知；最后，算法裁判的正當性和獨立性依然可能為各種算法歧視問題所困，不僅學習算法的特征選擇可能會受人之固有偏見的影響，而且表面客觀的訓練數(shù)據(jù)背后也可能隱藏著歧視因素�？傊�，雖然算法程序的設計者往往并非公共機關，但一旦涉及到司法裁判，機器也應當像政府機關一樣保持信息的公開性和決策過程的透明性，但是算法的不透明性會讓裁判過程變得無比神秘，法律人知識結(jié)構(gòu)的缺陷也讓算法裁判無法得到有效監(jiān)督�；谶@些理由，算法裁判可能依然很難獲得法律共同體的認可，這也就意味著機器裁判的合法化過程依然任重而道遠，在這之前，包括法院在內(nèi)的任何司法機關都不可能以算法代替人類智能進行決策，即使算法裁判在技術上是可行的。
最后，回到目前的技術現(xiàn)狀來說，人工智能可以為法官裁判以及律師實務提供的幫助還是比較有限的，例如，雖然Ross智能系統(tǒng)已經(jīng)可以在破產(chǎn)、知識產(chǎn)權(quán)、勞動等領域運用自然語言處理系統(tǒng)進行法學研究，LawGeex系統(tǒng)可以幫助公司法務對合同進行編輯和整理，Beagle系統(tǒng)可以幫助外行人對合同進行審查和管理，但是它們所涉及的幾乎都是一些更為機械化、形式化的法律領域，所能處理的也多是簡單的、無須復雜法律技能的事務。從本質(zhì)上來看，人工智能系統(tǒng)在這些事務中展示出來的“智慧因素”并不多。
綜上所述，由于司法領域的特殊性，司法數(shù)據(jù)的數(shù)量、質(zhì)量以及它之于計算機的“可讀性”都還不夠，即使經(jīng)過專門的數(shù)據(jù)清洗和特征提取，可能也無法保證其作為訓練數(shù)據(jù)集的質(zhì)量，加上學習算法自有的不透明性等缺陷，更是降低了它的可接受性�？偠灾同F(xiàn)實情境以及可預見的未來情境而言，依靠預測分析學實現(xiàn)司法裁判的智能化，是“可望而不可即”的。
七、結(jié)語
上文的分析表明，無論是“自動判決機”，還是“裁判學習器”，可能都只是存在于科幻小說中的想象而已，實際上，它們目前也確實還只是一些“想象”而已。正如美國學者雷姆斯（Dana Remus）和利維（Frank Levy）所言，那些樂觀斷言人工智能將會代替律師、法官或者其他法律工作者的人，似乎都錯誤地理解了“計算機能夠執(zhí)行以及不能執(zhí)行的法律任務的類型”。至少對于司法裁判工作而言，人工智能是不能勝任的。
不過，雖然本文對于司法裁判的人工智能化持一種消極性態(tài)度，但這并不表示筆者反對人工智能技術在司法領域的運用。相反，作為一種輔助工具，人工智能技術有著非常光明的應用前景，但這種應用應當立足于幫助法律工作者在特定任務或工作上實現(xiàn)更優(yōu)的表現(xiàn)，而非代替他們進行決策。例如，出于“人少案多”的考慮，在司法裁判中引入各種技術手段減少審判人員的勞動量，提高司法效率，加強司法管理，這無疑是值得追求的，而且人工智能技術的進步也確實可以在這些方面改善司法裁判的品質(zhì)，但如果由此認為人工智能可以代替人類裁判案件，則顯然走得太遠了。無論這種改善作用有多大，和其他的技術進步一樣，人工智能依然只能是司法裁判的輔助工具，而不能成為決策的主體。除非技術的進步使得人類不再是唯一的理性存在者，機器也可以分享與人類一樣甚至超越人類的智慧，除非法學的發(fā)展導致司法裁判的合法性、正確性預設被推翻，人類也樂于將自身事務的裁判權(quán)完全交給“無情的”、“不負責的”機器，否則司法裁判人工智能化的消極前途都不會因為技術的進步而發(fā)生改變。