纽曼平板F8无法升级，熊明辉法律人工智能推理建模之路

不少网友都关注了熊明辉法律人工智能推理建模之路和一些关于纽曼平板F8无法升级的话题，但是都不是特别了解，那接下来听小编的讲解吧！

本文发表于《Followup》杂志2020年第6期，为了阅读方便，已省略注释，引用请使用原文。

摘要法律人工智能的一个关键题是自动法律推理建模。文献表明，推理建模有两条经典路径。一种是规则推理建模路径，另一种是案例推理建模路径。两者分别源于欧洲大陆法系传统和美国判例法传统，但现实中，无论大陆法系还是判例法系，规则推理建模是最根本的路径，而判例推理路径是已确立的。常规推理揭示了模块的次要路径。法律推理建模是基于自然语言处理的，这些人工智能题决定了法律推理建模的天然难度。大数据驱动打造了法律推理建模——大数据推理建模路径的第三条路径，可以用来弥补前两条路径的不足。虽然这条道路还处于探索阶段，但已经有一些商业化的法律应用软件，比如我国的智能法院项目以及美国的法律应用软件LexMachina和Ravel。

关键词法律人工智能、自动法律推理、规则推理、案例推理、大数据推理

作者简介熊明辉，中山大学逻辑与认知研究所、哲学系教授、博士生导师

资助项目2018年国家社科基金重大项目“新兴学科视角下的法律逻辑研究与拓展”。

1.什么是法医人工智能？

“法律人工智能”是法律信息学的一个重要研究课题。作为一个术语，它源自英文术语“ArtificialIntelligenceandLaw”，直译应该是“人工智能与法律”。它属于人工智能与法律交叉的研究领域，探索人工智能的应用。法律智能，因此这里我们将其翻译为“法律人工智能”。在2019年英文版***中，原来的“法律人工智能”文章正式更名为“法律信息学”。这意味着法律人工智能不再是一个学科名称，而是法律信息学下的一个研究课题。按部门划分，法律人工智能研究归入法律信息学领域。Edriz和O'Hare认为，所谓法律信息学是指信息学在法律情境中的应用，包括律师事务所、法院、法学院等与法律相关的组织以及这些组织。内部信息和信息技术用户。

法律人工智能首先是人工智能的一个子领域。根据Richland、Ashley和Louis在2003年发表在《人工智能》杂志上的文章《法律人工智能一种富有成效的协同创新》中表达的观点，“法律人工智能”是人工智能的一个经典领域研究。我们提出了一系列有趣的人工智能题，探索了人工智能在法律中的应用。包括1987年在美国东北大学召开的第一届法律人工智能会议以及法律人工智能学术界的正式组建，普遍认为法律人工智能的历史已经有30多年了。年龄。然而，法律人工智能的核心题是法律推理的逻辑表达，如果我们关注“自动法律推理”的题，它的起源可以追溯到1958年，至少60年前，在英国国家物理实验室。2016年在北京会展中心举办的“思维过程机械化论坛”上，梅耶尔发表了《法律世界的自动化从法律信息的机器处理到法律机器》的文章。需要使用逻辑来执行法律流程、信息检索和推理。

然而，如果我们只看自动法律推理的实现，有一个由匹兹堡大学计算机科学教授Buchanan和布法罗大学计算机工程教授Hedrick在1970年进行的思想实验。法律。模仿是由一名男子、一名女子和一名男性或女性询者组成的三人。审讯者与A人和B人在一个单独的房间里，他的目标是确定两人的性别。提者通过标记来识别在中，审讯者可以A和B题，例如“请告诉我你的头发有多长”。由于A在中的目标是误导C的感知，所以他的案可能是“我的头发用丝带绑着，我最长的头发有9英寸”。影响因素、案必须手写，最好是打字。理想的安排是拥有一台电传打印机。当然，这也可以通过中介重复题和案来实现。B的目标是为提者提供帮助。对她来说最好的策略可能是给出如实的案，例如“我是女人，不要相信他的话”，但她的回可能没有帮助，因为A也可以回。现在让我们考虑这个题“如果我们用机器替换中的A会发生什么？”在同一个中，审讯者会像在与人类的中一样经常做出错误的决定吗？这个题取代了原来的题“机器能思考吗？”从外行人的角度来看，当一个人与智能代理通信时，他们可能无法辨别他们是否只是一台机器。

这种测试机器是否能够思考的方法现在被称为“图灵测试”，通常被认为是人工智能的第一个哲学方案。然而，根据KeithGunderson的说法，笛卡尔实际上在1668年就提出了类似于图灵测试的想法。根据笛卡尔的观点，即使我们拥有一台与我们的身体相似并出于所有实际目的尽可能模仿我们的行为的机器，我们仍然应该有两种非常确定的方法来识别它。首先，他们将无能为力。我们使用文字和符号将您的想法传达给他人。我们可以想象机器可以发出的声音，甚至是与引起人体器官变化的身体运动相对应的声音。但是我们无法想象这样的机器能够生成各种单词排列并对所呈现的语音给出适当且有意义的响应，即使是最愚蠢的人类也能做到。其次，即使一台机器能像我们一样做某事，甚至更好，其他机器也不一定能做到。设备的。理性是一种通用工具，可以在多种情况下使用，但理性需要人体器官的某些特定行动。因此，机器实际上不可能拥有足够多的类似于人体器官的装置，以确保它们能够像人类理性行动一样在生活中的各种突发事件中采取行动。笛卡尔对于机器能否思考显然持否定态度，图灵也没有给出明确的案，只是提出了测试机器能否思考的方法。当然，这也意味着图灵对于机器能否思考并没有采取消极态度。

如果图灵的题“机器能思考吗？”是真的，那么人工智能的核心实际上可以归结为“机器能推理吗？”的题。根据弗雷格的定义，逻辑是思维和推理的科学。传统逻辑学家的共识是，思维形式一般涉及概念、判断和推论三类术语、命题和推论。从逻辑学家的角度来看，推理是思维形式的核心概念，这一点从弗雷格对逻辑的定义中可以清楚地看出。于是，“机器能思考”的题变成了“机器能自动推理吗？”的题。自动推理的实现可以被视为人工智能的关键题。因此，法律人工智能的一个关键题是自动法律推理的实现。从法律人工智能的发展历史来看，法律人工智能领域自动法律推理建模有两条经典路径，一是规则推理路径，二是案例推理路径。然而，随着大数据时代的到来，出现了第三种推理建模路径，即大数据推理建模路径。然而，这条道路仍处于形成过程中。

2.规则推理建模路径

法律人工智能中规则推理建模的本质是将法律条文表示为机器可理解的法律知识库，可供自动法律推理引擎随时调用。毫无疑，这应该成为成文法体系的主流建模路径。《法律人工智能杂志》主编凯文阿什利认为，法律首先是一个规则领域，很多法律规则都体现在法律法规中。由于规则可以逻辑地表达并且计算机可以执行演绎推理，因此应该很容易对语法推理进行计算建模。只需将现实情节输入计算机程序，程序就会识别相关规则，判断是否满足规则的条件，并根据规则提供解释或案。然而，构建法律推理的计算模型面临着严峻的挑战，因为法律题通常是模棱两可的，语义和句法上模棱两可，并且受结构不确定性的影响。一个计算机程序要适用一项法律规定，必须适用什么样的逻辑解释，又该如何处理法律术语中的歧义和歧义，又应当如何判断是否存在例外情况？这些都是规则推理必须面对的挑战。

然而，法律人工智能研究首先是从规则推理方法开始。这种方法有两个早期贡献首先，1981年，兰德公司民事司法中心的沃特曼和马克彼得森建立了一个专家系统，用于解决侵权法中产品责任案件的法律裁决。建模路径。其次，1986年，伦敦帝国理工学院的塞科特和其他人使用逻辑编程对英国国籍法的特定部分进行建模，并建立了一个庞大的、独立的法律体系。这种方法中特别值得注意的是Gardner1984年在斯坦福大学计算机科学系发表的博士论文。这是法学领域第一篇人工智能领域的博士论文。加德纳系统地提出了规则推理建模路径。它关注“执行规则时”（即使用规则前驱时）发生的情况。特别是，法律概念和题所固有的开放式结构，涉及词语的技术意义和常识意义之间的关系，不受任何其他规则的定义。Berman是《人工智能与法律》杂志的创始人，从1985年到1989年专注于规则推理建模路径。他提出了一种分类路径，并解释了为什么需要每种类型的系统以及它们之间的差异，包括预测系统、规范系统等。

基于规则的推理，直译为“基于规则的推理”，是最重要的法律推理类型。在基于规则的推理中，我们采用规则并将其应用于一组法律事实，这种推理通常被认为是演绎推理。换句话说，只要所有前提都为真，结论也一定为真。其中，规则可以是法律规定，也可以是已有的案例。在纽曼看来，每条规则可能包含四个要素一组要素，统称为“测试”，确保所有要素都存在并满足测试结果，用于判断该结果是强制的还是禁止的；元素集。或陈述性因果术语；一个或多个例外，即即使满足所有要素，结论也无效。其中，前三个要求是相互独立的，对于所有规则都是必不可少的，但只有部分规则包括第四个要求。例如，如果被告的行为是无耻的、故意的，并且给原告造成了严重的精神困扰，则可以认定为故意造成精神痛苦。如果案件事实满足规则的所有要素，则满足规则。例如，男子深夜多次给前女友打电话，对她进行性骚扰，造成她严重的情感伤害，这就构成故意情感伤害。

规则是决策的公式。法律人工智能建模的主要任务是法律知识表示，即将法律条文和判例知识表达成可计算的法律知识库，为自动法律推理提供基础法律知识库。纽曼区分了四种类型的规则强制性规则，又称“强制性规则”，主要包括“应当”或“必须”的法律规定，如“犯罪嫌疑人、被告人因经济困难或者其他原因不能这样做”等。委托律师的，本人或者其近亲属可以向法律援助机构提出申请，符合法律援助条件的，法律援助机构必须委托律师代理。它是一种诸如“禁止”或“不允许”或“禁止在调查实验中进行任何危险、侮辱或违背道德的行为”等法律规定。自由裁量规则，也主要称为“自由裁量规则”。