訴訟法學研究 節選

　　《訴訟法學研究（第24卷）》：　　（一）數據：人工智能裁判運行的知識儲備　　如前文所述，人工智能這一概念早已有之，但囿于小數據時代數據匱乏的境況，不足以支撐人工智能的實質性發展。直到大數據時代來臨，沖破數據桎梏，全數據模式得以實現，人工智能技術才得以指數式增長。換言之，人工智能技術是以大數據為前置支撐技術發展運行的，它是一種二階技術。只有通過充分的數據樣本投喂，才能使人工智能得到充分學習，從而以數量篩選精度，得出精確的結果。人工智能裁判作為人工智能在司法領域的分支，也是如此。　　首先，在人工智能裁判語境下，數據為生產智能司法知識創造了空間。司法實踐中已運行的智慧司法系統，其功能大體可歸結為智能案件推送、證據標準和證據規則指引、單體證據評估、量刑預測、裁判偏離預警、司法文書智能生成等。而這些功能在本質上都離不開司法數據的支撐和指引。僅以證據標準和證據規則指引為例作出深度剖析。以證據標準和證據規則指引較為有效的上海法院的“206系統”為例。在該系統研發過程中，技術人員將格式化后結構規則的歷史案件數據切分為顆粒度盡可能小的數據片段，并在此基礎上運用相應算法提取共性特征，經過人工標注，*后形成類案證據標準。在上述過程描述中不難看出，數據是一切行為的前提條件和資源基礎，后續所有的切分、歸納、標注等復雜行為都是在數據層面上的操作。從信息輸入、算法運行再到*后的結果輸出，都是以數據的形式流轉，可以說數據是人工智能裁判的表現形式，是人工智能裁判運行的血液。與證據標準和證據規則指引相比，其他功能在運行原理和技術應用方面大同小異，并無本質差別。另外，如果將人工智能裁判看成認識舊知識并形成新知識的過程，那么不僅是二者的表現形式，而且無疑為其創造了可適性空間。　　其次，數據是淬煉人工智能裁判精確性的火焰。如上文所述，人工智能裁判系統運行流程可分為兩個階段：**階段是內部知識和規則的形成階段。人工智能裁判需要分析樣本數據庫，提取其具備共同性高階特征，形成自己的類案標準和內部智能知識庫。第二階段是規則的運用階段。在待決案件信息輸入人工智能裁判系統后，激發匹配相應的類按標準并在內部智能知識庫中檢索關聯度高的知識片段，*終形成結論。上述過程是在技術層面上對人工智能裁判過程的解構和梳理，該過程只能保證系統可以作出相應裁判結論，但結論的精確性則無法保證。從社會效果的層面來看，司法裁判作為終局性結論，必須要為社會所接受才有公信力可言，才能進一步發揮定分止爭的效果，而這種效果和公信力來源于裁判結果的精確性。這就要求人工智能裁判系統不僅要保證裁判可以作出，而且要保證裁判的精確性。解決這一問題的關鍵不在算法，而在于數據。人工智能裁判系統是以卷積人工神經網絡算法為核心進行深度學習的。從微觀的角度拆解這種深度學習算法的技術路徑，可以得知：在每一個單體學習循環中，新輸入的樣本數據，會刺激算法進行新一輪的分析和吸收，在此基礎上修正、完善原有的規則和知識庫。如此往復，經過海量的數據投喂，理論上可以達到近乎真理的正確性。換言之，是樣本數據的數量和質量控制并決定了人工智能系統運行結果的精確性。轉換到人工智能裁判系統下分析，裁判算法通過一次又一次既有司法數據的投喂，不斷更新彌補自身形成的裁判規則和內部智能知識庫，每一次新數據的注入都是智能裁判走向精確的助推。裁判算法決定了系統如何運行和裁判行為是否可以成功作出，而數據則是過濾偏差、淬煉裁判結果精確性的火焰。　　……