高 翔 西南政法大學人民法庭研究中心研究員、重慶市高級人民法院研究室主任，法學博士
目次
一、智能司法輔助決策模型的理論工具轉型
二、智能司法輔助決策模型的建構路徑
三、智能司法輔助決策模型的應用機理
四、結語
摘要：輔助裁判模型是智能司法基礎理論的核心內(nèi)容。智能司法輔助裁判模型的理論工具應實現(xiàn)由“法律邏輯+人工智能”向“法律邏輯+訴訟法哲學+人工智能”的轉變，使智能司法輔助裁判可真正融入司法實踐。司法人工智能遵循“法律本體庫—要件解構與標注—自然語義識別與深度學習—司法人工智能”的生成路徑。智能司法輔助裁判模型是以要件事實論為指引建立待決案件信息與法律本體庫的匹配關系，達致匹配度要求后輸出裁判結果的過程。法律選擇及解釋模型、訴訟證明模型、證據(jù)能力評價模型與證據(jù)推理模型具有不同的作用機理、功能定位與適用范圍，需進行精細化構建，為法官裁判提供新的分析工具與輔助參考。
關鍵詞：智能輔助裁判模型 法律本體庫 認知案件 要件事實論 訴訟法哲學
在科技強國、網(wǎng)絡強國、數(shù)字中國、智能社會建設的國家戰(zhàn)略背景下，以及司法體制改革與現(xiàn)代科技深度融合的司法體制改革政策驅動下，我國智能司法建設進入快速發(fā)展期。但應當看到，我國智能司法建設實踐存在理論根基不實、原理把握不準等問題；我國智能司法研究仍處在起步階段，尚未形成系統(tǒng)理論體系。智能司法作為司法裁判的新分析工具，對于司法裁判具有輔助功能，輔助決策模型研究是智能司法基礎理論研究的核心內(nèi)容。智能司法輔助決策模型中的“模型”，并不代表司法裁判可機械定義為若干模型，本文并不持司法裁判模型化觀點，而是主要指向人工智能輔助司法決策的內(nèi)在邏輯、基本方式、作用機理等原理性問題。之所以使用“模型”概念，原因在于構建可在計算機程序中實現(xiàn)的法律推理及論證模型并有效模擬人類裁判，是智能司法的理想目標；盡管此目標實則難以實現(xiàn)，也希望通過機器智能模型更好地洞見司法過程。智能司法系統(tǒng)存在兩個模型：智能司法輔助決策的邏輯模型、實現(xiàn)輔助裁判目標的計算模型。前者為人工智能與法的交叉領域，后者歸屬技術領域。本研究主要關注前者，試圖建立智能司法輔助決策模型，厘清司法人工智能的生成規(guī)律及模擬司法決策的邏輯、機理、路徑及應用，構建符合法律實踐的智能司法算法，形塑我國智能司法基礎理論體系，用于輔助司法裁判、指引智慧法院實踐、助推司法體制改革，使我國智能司法建設符合未來法治發(fā)展的方向。另外，以智能司法輔助決策模型的構建推動智能司法理論學理化，探究法律邏輯、法理學、訴訟法哲學、人工智能原理的內(nèi)在關聯(lián)，力求促進司法信息學、智能司法學等新興學科發(fā)展，探索學科融合發(fā)展的可行路徑。
一、智能司法輔助決策模型的理論工具轉型
法律邏輯、認知科學、人工智能理論均可為智能司法輔助裁判模型提供理論工具，鑒于智能司法理論極大的學科與知識跨越性，相關理論如何互聯(lián)互通形成有機整體便成為理論工具構建的重要問題。智能司法系統(tǒng)需融入訴訟實踐與過程之中，那么要件事實論、新證據(jù)學等與訴訟法哲學相關的理論工具的引入便具有必要性與迫切性，從而重構更具生命力的智能司法輔助決策模型的理論工具。
（一）“法律邏輯+人工智能”的理論工具
1.法律邏輯理論
20世紀以降，現(xiàn)代邏輯廣泛運用于法律知識表達、描述司法判決等方面，并與人工智能理論整合發(fā)展，形成“人工智能+法律邏輯”交叉學科，重點探討基于人工智能原理的法律論證建模，尤其是非單調(diào)邏輯與可廢止推理理論為智能司法開啟了新空間。非單調(diào)邏輯與可廢止推理是基于事物的復雜性、人類認知的不完全性、自然語言的模糊性等帶來的不確定性，對不確定性知識的運用與處理方式。嚴格的司法演繹推理體現(xiàn)為單調(diào)邏輯與不可廢止推理，而法律大前提的解釋與修正、新證據(jù)的加入、小前提事實認定的不確定性，使前提集隨時的增減變化可能導致結論的變化，使得司法推理本質上具有非單調(diào)性與可廢止性，具體體現(xiàn)在基于反駁和削弱兩種論證沖突，引入破壞攻擊直接指出論證前提不成立，從而廢止原論證。 人工智能將司法推理視作對不同陳述、論據(jù)、規(guī)范假設加以選擇的活動，正好與非單調(diào)邏輯及可廢止推理相契合，對裁判結果、事實認定、證據(jù)推理的推論等可通過非單調(diào)邏輯與可廢止推理來進行分析。
同時，法律論證理論的新發(fā)展為人工智能法律模型構建提供了分析框架。法律論證理論是現(xiàn)代邏輯學、語用學、論辯學、修辭學等融合演進的產(chǎn)物，圖爾敏論證模型、佩雷爾曼新修辭學等將邏輯、修辭和對話相交織，形成各具特色的法律論證理論。法律論證與人工智能法律系統(tǒng)的契合之處在于：法律論證圖式是法律知識的表達方式，且具有開放性可不斷修正，與人工智能對法律本體庫的深度學習相一致；法律論證具有非單調(diào)性和可廢止性，從法律適用、事實認定到證據(jù)認定與推理，允許反駁性或削弱性觀點存在；訴訟中的對審機制及程序規(guī)則為法律論證的對話與論辯提供了難得的條件；法律論證中的證明與訴訟活動中的證明責任、證明方法、證明標準具有邏輯上的關聯(lián)。
論辯模型理論的興起則為法律論辯及對話式司法創(chuàng)造了智能化場景。法律推理與論證具有論辯本質，包括主張、反主張與論證、反論證，人工智能法律系統(tǒng)的目的是讓這種對話結構清晰起來，并開發(fā)能控制或調(diào)停對立各方之間對話的系統(tǒng)，從而模型化管控這種爭議的程序。20世紀90年代以來，對話博弈開始應用于法律推理，構建兩方輪流參與論辯的對話模型，對話過程以多元向量動態(tài)表示，通過確立前提集并且使前提集在對話各階段保持更新，用以約束雙方之后的對話，通過對話和承諾集相互作用的方式直至證成某個有爭議的陳述。 戈登的訴訟博弈模型是針對普通法系民事訴訟設立的法律論證計算模型，原告提出法律及事實主張后，被告或予以承認或引入某論證來對抗原告的主張及論證，雙方均可引入新的規(guī)則與事實，通過尋找雙方存在分歧的前提，保持下來的分歧成為案件審理的議題，并對雙方關于案例結果的不同觀點作出解釋。
2.法律專家系統(tǒng)理論
法律專家系統(tǒng)由法律知識庫和推理機組成，法律知識庫儲存法律專家的知識，推理機用于記憶所采用的規(guī)則和控制策略的程序，負責調(diào)度和運用知識進行推理并給出推理結果，從而模擬法律專家推理。兩大法系基于各自法律傳統(tǒng)分別形成基于規(guī)則、案例的法律專家系統(tǒng)。基于規(guī)則的法律專家系統(tǒng)是用專家系統(tǒng)模擬與規(guī)則相關的法律、司法解釋、地方法規(guī)等內(nèi)容，建立復數(shù)的規(guī)則與相應權重的連接，從而預測裁判結果。在基于規(guī)則的法律專家系統(tǒng)中，具有代表性的是被譽為“人工智能與法之父”的麥卡迪所創(chuàng)建的TAXMAN 系統(tǒng)，法概念、法律規(guī)則和事實均是初始元，邏輯推理采演繹推理模式。基于案例的法律專家系統(tǒng)的發(fā)展，既是英美法系判例法傳統(tǒng)與人工智能融合發(fā)展的產(chǎn)物，也是對基于規(guī)則的法律專家系統(tǒng)缺陷的彌補，即知識表示不僅是法律規(guī)則的簡單選擇，而應提取要素結合案例予以表達。具有代表性的如美國學者阿什利和里斯蘭設計的HYPO法律專家系統(tǒng)，根據(jù)案件要素的相關性與重合程度建立索引系統(tǒng)從而發(fā)現(xiàn)類似案例，作為本案裁判參考。應當看到，基于案例的法律專家系統(tǒng)建立在法律要素類比的邏輯之上，存在法律要素難以完備、要素匹配數(shù)量高卻并不一定具有法律上的決定意義等局限，較之基于規(guī)則的法律專家系統(tǒng)，實則需要更高的智能化程度，具有更大的構建難度。囿于以上局限，基于規(guī)則與案例的法律專家系統(tǒng)的實踐效果并不理想。
基于規(guī)則或案例的法律專家系統(tǒng)，均是知識工程與人工智能結合的產(chǎn)物，是一種法律知識工程。知識工程以知識為處理對象，包括知識的獲取、表達和推理，通過機器進行知識應用。 由于以法律專家系統(tǒng)為代表的法律知識工程在知識獲取上依賴人工，專家知識庫的知識結構不清晰且僅是無規(guī)則放置在機器中用于檢索，面臨法律解釋難題、難以解決規(guī)則沖突及缺失等問題。尤其對于案件要素的相關性由何種方法確定這個法律專家系統(tǒng)的最核心問題，法律專家系統(tǒng)理論始終未給出有效回答，自20世紀90年代后傳統(tǒng)的法律專家系統(tǒng)漸入低潮。
3.“法律邏輯+人工智能”的局限性
法律人工智能理論以“法律邏輯+人工智能”為理論框架，已形成一定的理論基礎，但仍存在薄弱環(huán)節(jié)，智能司法系統(tǒng)適用性不強、難以大范圍推廣是全球智能司法建設面臨的共同難題。究其緣由，理論框架的缺陷是根本原因。
缺陷之一，人工智能法律專家系統(tǒng)理論已具相當規(guī)模，但知識更新能力弱，面臨知識接收瓶頸，人工神經(jīng)網(wǎng)絡、深度學習等新興人工智能技術與法律理論相結合程度嚴重不足。人工智能已由以推理和搜索的首輪熱潮，發(fā)展到專家系統(tǒng)為標志的第二波熱潮，再到21世紀由機器學習推動的第三輪熱潮。 深度學習系基于知識圖譜數(shù)據(jù)特征的學習，通過深度學習提升對待決事項預測的準確度。以人工神經(jīng)網(wǎng)絡為核心的深度學習等新興人工智能技術，如何突破傳統(tǒng)知識工程理論的瓶頸，仍然方興未艾，現(xiàn)有的“法律邏輯+人工智能”理論工具難以對智能司法輔助裁判模型作出有效指引。缺陷之二，英美法系國家就“法律邏輯+人工智能”實現(xiàn)多學科融合研究，但研究主體集中于法律邏輯學家與法理學家，訴訟法學家參與較少，與訴訟法學的融合不夠精進，人工智能法律本體庫研究成果較少，法律邏輯理論雖為智能司法提供了頂層理論工具與設計模型，但欠缺與訴訟實踐的深度融合，僅是“云端”的理論工具，而不是指導實踐的理論工具，或許是英美法系法律專家系統(tǒng)實踐運用欠佳的原因之一。缺陷之三，基于訴訟法學等部門法學在法律人工智能研究中參與不足，導致法律人工智能中的法律概念化難以實現(xiàn)。法律專家系統(tǒng)的構建依托于法律的概念化、規(guī)則化、符號化，法律概念化過程不僅需要法律邏輯學者、法理學者發(fā)揮作用，也需要訴訟法學、實體法學等部門法學者來推動具體法律領域的概念化、規(guī)則化。由于法律邏輯學者與法理學者勢單力孤，人工智能法律系統(tǒng)的構建很大程度由人工智能學者主導，存在技術性有余、法律性不足等問題。人工法律智能實踐迫切需要法律邏輯學者、法理學者與訴訟法學者等部門法學者形成法學學科合力，繼而同人工智能學者形成整體研究合力。
（二）“法律邏輯+訴訟法哲學+人工智能”的新理論工具
1.訴訟法哲學理論的引入
其一，要件事實論作為具有訴訟法哲學意義的裁判方法論，對于智能司法建模具有基礎性價值。受德國刑法學犯罪構成要件理論的影響和啟發(fā)，日本司法研修機構對法律職業(yè)人開展要件事實教育和培訓，形成要件事實理論，并逐漸成為基本的裁判思維和方法。要件事實論是與法律構成要件對應的具體案件事實，是依實體法對生活事實進行裁剪后形成的法律化的具體事實。可認為要件事實論是將法律構成要件與案件具體事實、實體法與程序法有效連結并將實體法規(guī)范通過訴訟程序得以適用的裁判方法論。 在成文法背景下，三大訴訟的裁判路徑在于將實體法規(guī)范適用于具體案件，從而使該規(guī)范所確定的法律后果得以實現(xiàn)。在一般法學上，由于一定的法律效果的發(fā)生，而將法律上所必要的事實條件的總體稱為法律上的構成要件。法律上的構成要件對應于實體法規(guī)范的識別、分析與解構，具有抽象化特征，涵攝于各構成要件之下的具體事實，則是訴訟中的證明對象，從而形成抽象性法律構成要件與具體性要件事實的區(qū)分。案件具體事實的內(nèi)容極其繁復，只有實體法構成要件范圍之內(nèi)的案件具體事實才是訴訟中需要證明的要件事實。盡管我國距離要件事實論的體系化全面適用仍有距離，體現(xiàn)在請求權基礎體系尚不完善、要件事實論在實踐有所應用但還未有效推廣、實體法與訴訟法的對接還較為欠缺、主要僅適用于民事訴訟領域等。但也應看到隨著民法典的實施以及實務界開始推動要件審判九步法的具體實踐， 刑事訴訟研究領域開始關注要件事實與犯罪構成的關系問題，行政訴訟研究領域開始關注要件事實論在行政訴訟中的引入，要件事實論正在立法、學界及實務界產(chǎn)生越來越深的影響。要件事實論“主張—抗辯—再抗辯”的訴訟攻防結構契合法律人工智能的論辯原理，案件攻防得以標準化呈現(xiàn)，符合智能司法的對話式論辯原理。要件事實論在智能司法中被引入后，將以其自身裁判邏輯構建法律專家系統(tǒng)的推理原理，解決案件要素的相關性由何種方法確定這個法律專家系統(tǒng)的最大缺陷。
其二，英美法系以司法證明機理為內(nèi)核的新證據(jù)學理論，與智能司法中的證據(jù)推理建模具有原理共通性。邊沁、威格摩爾推動了英美新證據(jù)學的發(fā)展，威格摩爾認為訴訟證明與事實認定最重要的并非證據(jù)可采性，而是解決可采性問題后對證據(jù)進行評價的自然過程。此自然過程包括依據(jù)直接證據(jù)認定事實以及依經(jīng)驗法則從間接事實推認事實兩種路徑。之后，英美法系引入概率學、圖表分析法、話語學、計算機科學、法律敘事學等新證據(jù)學方法，涌現(xiàn)出貝葉斯定理、故事模型理論等證據(jù)評價或事實認定模型，通過發(fā)現(xiàn)證據(jù)之間、證據(jù)與事實間的邏輯聯(lián)系構建事實圖景。新證據(jù)學的交叉學科屬性為引入人工智能創(chuàng)造了條件，不僅貝葉斯定理、故事模型理論模型等與人工智能聯(lián)系密切，計算機科學與法律專家系統(tǒng)本身也是新證據(jù)學的分支之一，因其更依賴于數(shù)學模型與計算機模型，甚至被稱為“第二種類型的新證據(jù)學”。
其三，人工智能與證明的融合發(fā)展揭示了智能司法建模不僅是靜態(tài)法律推理與論證，而且涉及與訴訟證明等過程性司法行為的動態(tài)結合。盡管人工智能與司法證明的融合研究尚處起步階段，但具有廣闊空間；甚至可認為，人工智能與證明的融合將帶來新證據(jù)學的再次革命，證明的邏輯框架可能會被智能司法模型框架所設計。法律論辯模型中，主張某個句子的博弈方有責任去證明該句子是被證成的，提出方與反對方在博弈中可以轉換，這與訴訟證明極為類似。訴訟證明中證明責任分配的內(nèi)部結構、本證、反證，與人工智能法律論辯模型中的交替提出論辯主張、反駁與削弱觀點的提出具有內(nèi)在聯(lián)系；沖突論證中兩個相互反駁的論證強度的大小，則與訴訟中的證明標準理論具有共通性。
2.理論工具轉型之于智能司法輔助決策建模的意義
在“法律邏輯+人工智能”基礎上，新理論工具融入訴訟法哲學考量，形成訴訟法哲學對“法律邏輯+人工智能”的有益補充，構建“法律邏輯+訴訟法哲學+人工智能”的新理論工具，對于智能司法輔助決策的模型建構至少具有三方面意義。
意義之一，新理論工具的結構符合智能司法輔助決策建模的內(nèi)在規(guī)律。智能司法輔助裁判模型包括分析情境、回答法律問題、預測結果或做出法律論證等，對于法律論證、法律推理和法律預測等智能服務模型，知識表示的瓶頸阻礙了其在法律實踐領域的應用。法律文本解析技術可以突破知識表示瓶頸問題。法律文本解析又被稱為法律文本挖掘，是指使用語言的統(tǒng)計和機器學習的技術發(fā)現(xiàn)法律文本數(shù)據(jù)檔案中的知識。但法律邏輯學并不能徹底解決法律的知識表示問題，也難以展現(xiàn)訴訟動態(tài)攻防的具體過程。而融入訴訟法哲學考量后，可成為法律文本解析技術的重要基礎，使智能司法系統(tǒng)所賴以依托的法律知識體系概念化、規(guī)則化、符號化，為法律本體庫構建提供基本思路，形成法律邏輯解決法律推理與論證的理論問題，訴訟法哲學則將法律邏輯融匯于訴訟實踐中，解決法律選擇、訴訟證明、證據(jù)推理等相對微觀問題的內(nèi)部結構，使“云端”的理論工具成為實用的理論工具，智能司法輔助裁判可真正得以實施。同時，在知識工程理論基礎上，新理論工具關注法律邏輯、訴訟法哲學與人工神經(jīng)網(wǎng)絡、深度學習等最新人工智能原理對接，以學科融合的視野、理論互補的方法推進法學與哲學深度對話、人工智能與司法裁判知識深度結合。
意義之二，新理論工具有助于破解智能司法的案件認知難題。人工智能機器學習的前提是規(guī)則化、要素化和圖譜化。智能司法是司法大數(shù)據(jù)基礎上的認知科學實踐，構建法律、事實、證據(jù)間的動態(tài)邏輯關系，使機器具有一定的案件認知能力，進而形成司法人工智能。但對案件非結構化數(shù)據(jù)的認知是智能司法的首要難題，又是智能司法輔助裁判模型的核心。構建出一個領域的本體，將極大提升機器對該領域的信息處理能力，它已成為知識獲取、表示、推理及應用的核心。法律本體庫又稱為法律知識圖譜，是司法人工智能生成的邏輯起點，也是機器認知個案進而模擬裁判的前提。法律本體庫的構建需要根據(jù)法律概念的關聯(lián)性標記或注解法律文本，厘清非結構化數(shù)據(jù)的內(nèi)部結構，提供便于計算機程序處理的知識的概念體系；同時，本體庫需要反映人類專家知識，這些專業(yè)知識關注哪些概念和關系應該包括進來使智能系統(tǒng)能夠執(zhí)行最終任務。訴訟法哲學新理論工具中的要件事實論、新證據(jù)學理論及證明理論為法律本體庫構建提供了較穩(wěn)定的方法支撐。要件事實論對于法律本體庫的構建具有基礎意義。要件事實論是將法律與事實、實體與程序等結構化的理論體系，可有效厘清法律知識圖譜的結構關系，實現(xiàn)從案件類型相似、文件相似到要件相似的匹配，有助于機器深度學習。新證據(jù)學對證據(jù)評價的交叉學科視角，為解決司法人工智能對案件事實的認知難題、證明力判斷等提供了新的分析視角，故而訴訟法哲學對于緩解機器智能的案件認知難題有所助益。
意義之三，新理論工具有助于有效破除算法“黑箱”。算法“黑箱”是智能司法最值得擔憂的問題之一，算法模型的神秘化、技術化，可能導致數(shù)據(jù)科學家也難以完全理解人工智能預測背后的邏輯，從而具有“黑箱”性質。智能司法建設同樣存在算法“黑箱”和算法霸權的隱患，數(shù)據(jù)提取、標注中的主觀性因素以及編輯者的邏輯編排、要旨提煉、觀點選擇，可能具有不確定因素。訴訟法哲學新理論工具的引入，可一定程度解決算法“黑箱”的問題，減少智能司法算法形成的不確定性，增強智能司法算法的透明度與可解釋性。比如，在要件事實論下，實體法構成要件、要件事實、證據(jù)評價構成嚴謹網(wǎng)絡，經(jīng)機器識別后成為輔助裁判的相關因素，以此形成的智能司法算法與要件事實論的裁判邏輯相匹配，從而使算法具有合法正當性，可避免對智能司法算法“黑箱”的質疑。將要件事實論作為智能司法思維形成的基礎不僅不會產(chǎn)生制度沖突，反而暗合人工神經(jīng)網(wǎng)絡的特征。
二、智能司法輔助決策模型的建構路徑
智能司法輔助決策模型的建構路徑包括兩個層面，第一個層面是司法人工智能的生成路徑，這是智能司法輔助決策模型的首要任務與先決問題，其核心內(nèi)容是智能司法的認知建模與知識表示。只有依據(jù)司法裁判規(guī)律生成的司法人工智能才能有效模擬裁判，起到輔助裁判、提供裁判參考的作用，未遵循司法決策內(nèi)在規(guī)律生成的司法人工智能，可能是與司法實踐相去甚遠的“偽智能”。第二個層面是智能司法如何模擬裁判，厘清智能司法輔助司法決策的邏輯環(huán)境及基本方式等問題，其核心內(nèi)容是智能司法的知識推理與知識應用。
（一） 司法人工智能的生成路徑
不同于法律專家系統(tǒng)中規(guī)則固定的知識庫與推理機，司法人工智能的生成路徑具有法律本體庫設計、深度學習、監(jiān)督學習等特征，具體路徑為“法律本體庫—要件解構與標注—自然語義識別與深度學習—司法人工智能”。
1.以要件事實論為基礎的法律本體庫的構建
本體庫是概念化的具有階層順序的描述某特定領域假設或公理的集合，可清晰定義和呈現(xiàn)該領域概念、類別、關系、函數(shù)、公理及束縛條件。 與通常意義的知識工程相比，本體庫具有更清晰的階層性，是對該領域知識的系統(tǒng)整理和結構化表達，從而具有結構化數(shù)據(jù)的特征。相對應，法律本體庫是法律概念、法律規(guī)則、各法律規(guī)則構成要件、證據(jù)規(guī)則構成的動態(tài)關系庫。法律本體庫對法律整體及內(nèi)部結構關系的關注，已超越傳統(tǒng)法律知識工程對規(guī)則和案例的靜態(tài)關注。
就構建法律本體庫而言，法律領域的概念化便成為第一步，這是法律本體庫的構建應更依憑法學學者之智識而非依賴于人工智能學家抽象建模的緣由。法律本體庫通過分析概念間的關系及結構形成概念網(wǎng)絡從而構筑知識體系，具有人工智能學中詞匯表的功能，為司法人工智能提供正確的分詞，從而形成法律語義庫，這是智能司法模擬裁判的基礎。學界就法律本體庫構建形成一定研究成果，如法律論述語言本體庫、規(guī)范形式主義本體庫、法律功能本體庫以及以框架為基礎的本體庫等，但并未找到將概念法學體系轉換為法律本體庫的妥帖路徑。 我國智能司法實踐亦開始關注法律本體庫的基礎性作用，華宇元典、法信等人工智能法律研發(fā)機構均致力于構建法律本體庫，但具體的建構路徑與方法仍在探索之中。法律本體庫構建規(guī)律的欠缺，亦直接影響我國智能司法輔助裁判系統(tǒng)的運行效果，出現(xiàn)政策熱但實踐運行效果并不理想的反差。
法律本體庫的構建有自上而下與自下而上兩條路徑。自上而下路徑由法律專家根據(jù)法律邏輯構建法律知識圖譜，自下而上路徑則完全由機器在對司法案例大數(shù)據(jù)進行深度學習基礎上自主構建法律知識圖譜。由于法律數(shù)據(jù)尤其是司法案例數(shù)據(jù)涉及法律解釋、價值判斷等不確定因素且多為非結構化數(shù)據(jù)，若采機器對司法案例大數(shù)據(jù)進行深度學習，自主構建法律知識圖譜的自下而上路徑，實則難以有效完成實體、關系及屬性抽取等任務，因而，采取自上而下路徑構建法律本體庫系相對合理的選擇。
在明確路徑之后，法律本體庫的構建方法系更為關鍵的問題。構建法律本體庫的難題在于如何厘清各法律概念的關系、結構及作用，法律本體庫實則是描述符號化的各法律要素之間關系的語義網(wǎng)，并將該語義網(wǎng)作為機器自然語言識別的基礎。要件事實論作為具有訴訟法哲學意義的裁判方法論，正是探究法律與事實、法律與事實各概念相互關系及實踐方式的基礎理論，具有貫通法律與事實、實體與程序的功能，可作為法律本體庫構建的基本方法，使司法數(shù)據(jù)由非結構化轉向結構化。由詞法、結構、過程等構成的法律本體庫與要件事實論具有邏輯共通性，依要件事實論對某法律關系對應的實體法及要件事實進行多層級解構后的要件對應于法律本體庫的分詞，實體法與事實的關系對應于法律本體庫的結構。 在自上而下的路徑下，以要件事實論為基礎，可描述各分詞的語義及關系，建立概念法學體系與智能司法輔助裁判建模的關聯(lián)，從而形塑層級清晰的人工智能法律本體庫。
2.要件解構與標注
以要件事實論為基礎建立法律本體庫后，需根據(jù)裁判邏輯對每類法律關系進行層級解構，依次解構為實體法規(guī)范、各要件事實、事實主張與抗辯、證明責任、直接證明與間接證明、裁判結果等各要素。最微觀的要素系分詞，與上位要素在要件事實論的內(nèi)部結構中形成智能司法語義網(wǎng)。
基于我國系依成文法裁判的國家，要件解構的第一步應從實體法規(guī)范的解構開始。實體法規(guī)范存在“構成要件+法效果”的內(nèi)在邏輯結構。在刑事智能司法輔助系統(tǒng)的法律本體庫中，要件解構的第一步即為犯罪構成要件的解構。在民事智能司法輔助系統(tǒng)的法律本體庫中，要件解構的第一步即為民事實體法規(guī)范的構成要件解構，如違約之訴的實體法構成要件可解構為合同成立與生效、相對方違約，物返還之訴的實體法構成要件可解構為權利主張者有所有權、物被相對方占有。實體法規(guī)范被要件解構后將被進行標注，經(jīng)過自然語言識別后成為機器深度學習的對象。之后，圍繞被解構的每個實體法構成要件進行證明與認定，根據(jù)證明責任分配規(guī)則分配證明責任并予以標注，根據(jù)被告采取的直接否認、間接否認、事實抗辯等防御方式就對應情形分別予以標注。最后，若被解構的各要件均被認定為真，實體法規(guī)范將得以適用；即使有一個要件不能得以認定，實體法規(guī)范將無法適用，將此裁判路徑予以標注。
3.自然語義識別與深度學習
自然語義識別是以給機器配備語言知識的方式，使其可接受人類使用自然語言輸入的指令，理解自然語言的主觀語義。將法律命題轉化為邏輯命題，將法律規(guī)則、案件事實由自然語言轉換成機器語言，是人工智能的薄弱環(huán)節(jié)。法律本體庫中類案的要件解構，已實現(xiàn)法律信息及知識的系統(tǒng)規(guī)范整理，構建了規(guī)范的法律標簽數(shù)據(jù)庫，這在信息學領域具有信息過濾、標注及語義挖掘的意義，一定程度消除了法律語言與自然語義的鴻溝，為自然語義識別創(chuàng)造了相對清晰的對象，可實現(xiàn)由法律本體庫向語義信息網(wǎng)絡的轉化。
法律本體庫的要件化為自然語義識別提供了可行路徑與樣式，隨后需解決識別對象與方法問題，其中識別對象也是機器深度學習的對象。機器學習是機器通過對海量數(shù)據(jù)的學習發(fā)現(xiàn)規(guī)律性信息并用于解決分類、歸類、聚類等問題的過程。 要件化的法律本體庫需與司法案例大數(shù)據(jù)相結合，通過機器對司法案例大數(shù)據(jù)的自然語義識別繼而進行深度學習，方可形成司法人工智能。要件化的法律本體庫以及對類案的要件式解構，實則是對海量司法案例大數(shù)據(jù)進行自動或半自動抽取和標注的過程，從而提升深度學習的效果與效率。如在物返還之訴中，要件被解構為權利主張者有所有權、物被相對方占有兩項，機器深度學習則遵循以上兩個要件的路徑，針對物返還之訴的判決書大數(shù)據(jù)進行深度學習，從而形成“實體法要件解構+司法案例大數(shù)據(jù)深度學習”相結合的司法人工智能生成方法。
在學習方式上，存在無監(jiān)督學習和監(jiān)督學習兩種方式，無監(jiān)督學習是高級人工智能的產(chǎn)物，機器可實現(xiàn)自主學習、自我糾錯、自我校正，但存在深度學習過程不公開及算法黑箱之弊。同時，法律知識的復雜性與法律語言的多義性也使得無監(jiān)督學習在智能司法領域難以適用。監(jiān)督學習是對輸入對象預先分配經(jīng)標注過的標簽，對標簽數(shù)據(jù)進行學習并發(fā)現(xiàn)分類規(guī)則，從而輸出未含標記信息的數(shù)據(jù)屬性特征的一種監(jiān)督學習方法，其目的是使分類準確性達致最佳。監(jiān)督學習系機器深度學習司法案例大數(shù)據(jù)的主要方式。首先，根據(jù)以要件事實論為基礎的法律本體庫提供適宜的訓練集和分類器，確定學習對象的分類、分層、分級規(guī)則，然后，由法律專家適時糾正機器深度學習過程中出現(xiàn)的各類錯誤判斷，并對其錯誤予以標注形成深度學習的訓練數(shù)據(jù)集，使機器在監(jiān)督學習下不斷試錯糾錯、分析建模，在具備一定數(shù)量基礎上逐步達致模擬推理和判斷功能，從而形成為實現(xiàn)模擬裁判任務而構建的指令集即算法模型，生成司法人工智能。
（二）智能司法輔助決策的方式
計算模型可按照程序的輸入、將輸入轉換為輸出的過程、結果的輸出三個環(huán)節(jié)加以描述。 將輸入轉換為輸出的中間步驟是智能司法算法的核心內(nèi)容，即智能司法如何模擬裁判的問題。
1.智能司法模擬裁判的邏輯環(huán)境
司法裁判邏輯具有非單調(diào)性和可廢止性。其一，體現(xiàn)為實體法規(guī)范的解釋與續(xù)造。在一些情況下，作為請求權基礎的實體法規(guī)范大前提是確定無疑的，但在某些案件中，存在法律語義歧義、法律解釋不確定問題，甚至可能涉及誠實信用、公序良俗等不確定性法概念的評價，需運用文義解釋、體系解釋、漏洞填補、利益衡量、價值判斷等法律方法，這是司法裁判邏輯具有非單調(diào)性和可廢止性的首要體現(xiàn)。其二，體現(xiàn)為基于反駁和削弱的論證沖突，原結論可能被某種方式加以辯駁是訴訟的常態(tài)，訴訟是不斷廢止原論證最后得出論證結論的過程。智能算法源于海量標簽數(shù)據(jù)，難以受制于單調(diào)邏輯和不可廢止性推理，法律論證間的攻擊和沖突關系，使前提集的內(nèi)容不斷發(fā)生增減變化，論證者可能不斷拒絕原來的法律結論。訴訟活動按照“主張—抗辯—再抗辯”的訴訟邏輯探究事實真相，對于原告根據(jù)訴訟請求提出的事實主張，被告可能采取否認、間接否認、抗辯等不同防御方法，這個過程在法律論證上實則是反駁論證沖突。如原告主張被告償還借款，被告可能會以借款已經(jīng)償還提出抗辯或金錢系原告贈與提出間接否認；原告訴請被告承擔違約責任，被告可能提出合同無效的抗辯，原本成立的法律論證可能因抗辯的成立而不再成立。即便是被告在不負證明責任時為動搖法官心證而所提出的反證，也具有法律論證層面削弱的論證沖突的含義，因此訴訟兩造的論辯過程為智能司法建模提供了基本程序構造。在非單調(diào)性和可廢止性的邏輯環(huán)境中，智能司法系統(tǒng)才具有模擬法律推理或論證的邏輯可能。訴訟兩造通過訴訟對話博弈模型使案件信息在訴訟攻防對抗下逐漸得到披露與顯示，則為智能司法系統(tǒng)模擬裁判提供了獲取案件信息的方式。
2.智能司法模擬裁判的基本過程
人工智能的本質是功能模擬，智能司法輔助裁判實質是通過機器模擬法律推理及論證、法律適用、事實認定的過程。智能司法輔助裁判系統(tǒng)的算法規(guī)則根據(jù)分詞和語義網(wǎng)而設定，憑借算法規(guī)則針對案件的審判信息進行模擬裁判。智能司法模擬裁判的算法規(guī)則與司法人工智能的生成規(guī)律具有邏輯一致性，要件事實論是生成司法人工智能的最佳方式，同時也是算法規(guī)則的最佳選擇。在要件事實論指引下，司法人工智能根據(jù)要件層級解構之后所構建的智能司法語義網(wǎng)來識別、認知待決案件。
機器認知待決案件并做出模擬裁判的第一步是情節(jié)提取，情節(jié)提取以要件事實論為指引對待決案件的審判信息進行分類，形成結構化標簽。顯著的道理是微觀、低階的案件要素較宏觀、高階的要素更易進行情節(jié)提取和自然語義識別。如在法律本體庫中，民間借貸訴訟的要件事實為當事人的借貸合意與金錢交付，借貸合意的要件事實可解構為書面或口頭方式成立，金錢交付的要件事實可解構為現(xiàn)金交付、轉賬交付等形式。基于此，書面或口頭合意，現(xiàn)金或轉賬交付等待決案件信息中最微觀層面的要件事實即為機器信息抽取的對象，經(jīng)過提取后形成結構化標簽，確定待決案件信息中合意方式究竟是書面還是口頭、金錢交付方式究竟是現(xiàn)金還是轉賬或其他方式。
機器認知待決案件并做出模擬裁判的第二步是相似性匹配度比對。對抽取出的待決案件信息，同以法律本體庫為基礎的智能司法語義網(wǎng)進行相似性匹配度對比，達到相似性匹配度要求的即為類案。法律人工智能歷史上基于案例的法律專家系統(tǒng)，也是建立在法律要素類比邏輯上，但由于欠缺對各法律要素的地位及相互關系的裁判邏輯考量，而是簡單以匹配數(shù)量多少來確定類案，故而存在局限性。要件事實論打破了以相似法律要素數(shù)量多少進行類案比對的思路，而基于要件事實論貫穿事實與法律、要件層級解構后可形成邏輯周密的裁判思維網(wǎng)絡，以及主要事實、間接事實與輔助事實的區(qū)分等特征，使各法律、事實要素能夠基于其在要件事實體系中的定位而確定其位階，從而使類案相似性匹配在法律與技術上具有真正可能性，突破智能司法系統(tǒng)的理論瓶頸。
機器認知待決案件并做出模擬裁判的第三步是輸出裁判結果。若具備相似性匹配度，則待決案件符合類案標準，可適用法律本體庫的裁判規(guī)則進行模擬裁判，從而輸出裁判結果。就此語義而論，智能司法輔助裁判模型是在要件事實論指引下構建法律本體庫，又以要件事實論為指引建立待決案件信息與法律本體庫的匹配關系，達致匹配度要求后輸出裁判結果的過程，為法官裁判提供新的模型化的分析工具。
三、智能司法輔助決策模型的應用機理
智能司法系統(tǒng)只有融入各訴訟過程及審理階段，才能達到輔助裁判之效，智能司法輔助決策模型的設計除了厘清基本原理外，更需針對各項具體訴訟活動建立子模型。圍繞法律適用與事實認定兩項主要審判活動展開的智能司法輔助決策各項子模型，具有不同的作用機理，功能定位、適用范圍、輔助方式均有所不同，需進行具體的精細化構建。
（一）智能司法輔助決策模型的結構分化
智能司法輔助決策模型的組成結構，由訴訟活動、裁判活動的組成結構所決定；解決了訴訟活動本身的結構問題，才能回應司法人工智能模型內(nèi)部結構的問題。成文法背景下基本的訴訟邏輯是，當事人提出訴訟請求并確定請求權，并根據(jù)請求權確定相關的實體法規(guī)范，法官對實體法規(guī)范進行構成要件解構和證明責任分配，當事人圍繞構成要件對應的要件事實根據(jù)證明責任分配規(guī)則就有爭議的事實進行證明，法官根據(jù)當事人的訴訟證明進行事實認定，如果達到證明標準事實得以認定，則產(chǎn)生實體法規(guī)范適用的法律效果。
盡管訴訟活動在習慣上被區(qū)分為法律適用與事實認定，但兩者并非涇渭分明，而是交錯推進最終得出裁判結論。在成文法語境中，實體法問題是事實問題的先決條件，事實問題與法律問題很難從概念上予以分離。裁判結果形成的過程，是將法律規(guī)范解構為若干構成要件并進而確定要件事實，另外，根據(jù)生活事實探求與之最為接近的法律規(guī)范并剖析要件，來回穿梭于事實與法律之間的往復交叉式的推理鏈條。 案件事實按照實體法的“效果—要件事實”框架被架構起來，并作為審判對象呈現(xiàn)給法院。 基于此，智能司法輔助決策模型結構不宜簡單按照法律適用與事實認定的標準進行區(qū)分，應當進行更符合訴訟邏輯且更精確的劃分。智能司法輔助決策模型的組成結構大致包括法律選擇及解釋模型、訴訟證明模型、證據(jù)能力評價模型與證據(jù)推理模型。其中，法律選擇及解釋模型可歸入法律適用類模型，而訴訟證明模型、證據(jù)能力評價模型屬于法律適用與事實認定交錯型模型，證據(jù)推理屬于狹義的事實認定類模型。由于在訴訟中性質迥異，各子模型差異較大，需根據(jù)各自規(guī)律分別設計，分析人工智能在不同子模型中作用范圍及功能的差異。
在法律選擇、證明責任分配、證據(jù)能力形式要件評價方面，智能司法基本可代替法官甚至較法官行為更為精準；在證據(jù)推理模型中的證明標準客觀量化方面，智能司法有一定的作用空間；而在法律解釋、證據(jù)能力的實質性評價、自由心證及經(jīng)驗法則的運用、內(nèi)心確信的形成方面，智能司法則存在難以回避的認知障礙及作用局限，無法代替法官作出判斷。即使從輔助法官決策而言，也僅能提供之前法官群體通常、平均的判斷標準供法官作為資料參考，難以結合個案情事進行實質性輔助裁判。
綜上，智能司法輔助決策各自模型的適用具有以下三個規(guī)律性特征。特征之一，智能司法輔助決策模型適宜于客觀化較明顯的領域，而在主觀判斷領域則適用受限。法律適用與事實認定并非劃定智能司法適用范圍的邊界，對于法律適用與事實認定中客觀性較強的領域，如無理解歧義時根據(jù)當事人訴請及主張進行的法律選擇、請求權基礎規(guī)范確定后的證明責任分配特征及事實認定層面的證據(jù)能力形式要件，智能司法可發(fā)揮較大作用；而對于法律解釋、自由心證、經(jīng)驗法則等主觀性較強的事項，智能司法則適用受限。特征之二，智能司法輔助決策模型的適用受到自由心證等原則的極大限制。自由心證是對法院認定事實階段加以作用之審理原則，指對所有證據(jù)依相互關系整體觀之，以達成實現(xiàn)案件真實目標。自由心證是法官個體對于案件事實的獨立認知過程，與智能司法作為法官平均判斷標準的模擬具有本質差異。辯論全趣旨審酌也是人類獨有的認知能力，辯論全趣旨是整個口頭辯論過程裁判者所能感知到的事項，實際難以詳細說明或具有只可意會、不可言傳的性質，一些日本學者認為這正是辯論全趣旨的精妙之處，主要包括對當事人在庭審中情態(tài)及言行一致性的判斷等。對于辯論全趣旨的判斷，實屬智能司法能力范疇外的事項。此外，在事實推定中經(jīng)驗法則被作為大前提被大量運用，人類經(jīng)驗法則難以完全轉化為數(shù)據(jù)，即使轉化為數(shù)據(jù)后機器也存在認知障礙。特征之三，對于本質上具有極強主觀判斷屬性，但又需要客觀化標準作為支撐與規(guī)制的領域，智能司法輔助決策模型具有特殊作用。諸如經(jīng)驗法則、證明標準等事項，主觀性、具體性、個案性為其本質特征，但作為一種從具體到抽象的一般性知識，又具有一定客觀性，呈現(xiàn)主觀與客觀、抽象與具體交錯的特征，總是在秉持主觀性品性與尋求客觀性規(guī)制之間尋求平衡。對于此類深受法官個人心智影響的事項，智能司法難以進行有效模擬，但可在促進客觀規(guī)制合理化方面發(fā)揮作用。
（二）法律選擇及解釋模型的多元應用
在成文法國家，裁判邏輯的第一步是根據(jù)當事人的訴訟請求及事實主張尋找請求權基礎規(guī)范。完全法條由構成要件與法效果構成，本案對應于某個確定的法條。在請求權基礎為完全法條情況下，司法人工智能運用自然語義識別技術，通過當事人訴請及主張來確定作為請求權基礎的實體法規(guī)則并無障礙。裁判中存在相當數(shù)量的不完全法條情形，或構成要件不充分，或法效果不充分，又或兩者皆不充分，此時在法律選擇技術上需以其他法條為補充，以多個法條共同作為請求權基礎的實體法規(guī)范；只要在法律本體庫中充分記載不完全法條及與其他法條互為補充及整體適用的情形，機器同樣可在要件事實論指引下進行法律選擇，甚至可能更為便捷與精準。
法律適用模型的最大局限在于難以模擬法律語義的解釋、法無明文規(guī)定時法的續(xù)造、漏洞填補與利益衡量及如何處理規(guī)范沖突問題。正當程序、公平正義等核心價值難以編輯成算法是全球智能司法建設面臨的共同難題。司法人工智能對法律解釋問題難以有效進行模擬裁判，但可通過“連續(xù)的細化過程中修改系統(tǒng)規(guī)則，以便捕獲概念含義”來嘗試處理法律模糊概念。這種嘗試形成數(shù)據(jù)與經(jīng)驗積累后，可形成一種類似于法官群體對模糊法律概念的通用、通常、平均判斷標準，為法官對模糊法律概念的理性解釋提供新的分析工具和參考佐證。
（三）訴訟證明模型的廣泛應用
訴訟證明過程的第一步，系要件事實論下證明責任的分配，以民事訴訟為例，依訴訟法理證明責任既包括就主張?zhí)峁┳C據(jù)的行為意義的證明責任，也包括在要件事實真?zhèn)尾幻鲿r承擔敗訴風險的結果意義的證明責任。證明責任分配實為法律適用問題，已蘊含在相關實體法規(guī)范中，解決的是某項事實是否屬于要件事實及該事實主張是否需要證明的問題。相對于針對本證的證明責任而言，不負證明責任的一方仍可提出反證以動搖法官內(nèi)心確信從而使待證事實處于真?zhèn)尾幻鳡顟B(tài)，達到本證方事實主張不能成立之效。第二步，是分配證明責任后各要件的證明路徑，即證據(jù)支持事實主張的結構與方式問題，具體體現(xiàn)為直接證明與間接證明路徑。直接證明路徑即當事人通過舉示證據(jù)直接加以證明的證明活動（直接本證），所涉證據(jù)為直接證據(jù)；間接證明路徑則為當事人通過證據(jù)證明間接事實，之后由法官依經(jīng)驗法則推定要件事實，此舉證活動為間接證明（間接本證），其中所涉證據(jù)即間接證據(jù)（間接本證）。無論是直接證明還是間接證明，在訴訟兩造反復進行的證明活動中，法官心證沿著“形成—動搖—再形成—再動搖—逐漸穩(wěn)定—固化”的心理過程，最終形成符合證明標準的心證。綜上，訴訟證明模型包含證明責任分配、直接證明、間接證明三層內(nèi)涵，可分解為與之對應的三類子模型。
就證明責任分配模型而言，無論是完全法條還是不完全法條，在被確定為請求權基礎規(guī)范后均可進行要件解構，機器以法律本體庫為指引，可在要件事實論的裁判邏輯指引下對構成要件進行解構。要件事實分為權利發(fā)生事實、權利發(fā)生障礙事實、暫時阻止權利行使的權利阻止事實及權利的消滅事實。當事人主張權利發(fā)生、妨礙或消滅的應負證明責任，如在民間借貸訴訟中，原告主張被告償還借款則應就借貸合意、金錢交付這兩個債權成立的要件承擔證明責任，被告提出借款已償還的權利消滅抗辯，則應就權利消滅的要件承擔證明責任。法律人工智能對話博弈理論中行動、承諾集之間的互動，對應于訴訟法意義的證明責任分配及其實施，為法官提供暫時性、可能性思考，直至有新的相反信息出現(xiàn)（如訴訟法意義的抗辯或否認等），又形成新的暫時性、可能性思考，直至得出最后結論。故而，法律論證中的證明責任便與訴訟法中的證明責任分配理論具有內(nèi)在契合性，證明責任分配理論將從根本上解決法律人工智能中的論證結構問題。由于結果意義的證明責任分配蘊含于實體法規(guī)范之中，在法律本體庫準確記載各實體法規(guī)范的要件解構及證明責任分配后，機器可以相對人工更精確地進行證明責任分配。就此而言，證明責任分配模型是智能司法可以充分發(fā)揮輔助功能的領域。
就直接證明模型而言，系當事人舉示直接證據(jù)證明待證事實，影響法官心證的過程。模型構建的核心在于法官對直接證明的評價標準，即評價證據(jù)對案件事實主張的支持程度，在訴訟法體系中即為證明標準的問題。在不同法系及不同訴訟的本證中，證明標準具有排除合理懷疑、高度蓋然性或優(yōu)勢證據(jù)證明標準的差異；相對方提出的反證則以動搖事實認定者初步形成的心證為標準，低于本證的證明標準。訴訟法體系中關于本證與反證的證明標準為人工智能法律論證視域下的論證強度提供了基本框架，即本證、反證雙方在法律論證框架中的攻擊關系及應達到的證明強度，以強度來表達法律論證的漸進性并最終達到證明標準。另外，盡管證明標準客觀化的嘗試被認為違背自由心證，從誕生之際即受質疑，但人工智能技術的引入為證明標準的量化提供了新路徑，可使證明標準在定性與定量分析中求得平衡，具體內(nèi)容將在之后的證據(jù)推理模型中詳述。
就間接證明模型而言，在本證中，當事人并未舉示直接證據(jù)，系以經(jīng)驗法則為大前提，通過以間接證據(jù)證明間接事實小前提成立的方式，來推定某個要件事實成立，其性質仍是法官自由心證，屬于事實認定范疇。在間接反證中，對方當事人對間接證明可通過兩種反證方式加以否定，一是證明作為事實推定小前提的間接事實為偽，從而妨礙法官的事實推定；二是證明與作為小前提的間接事實相對立的另一間接事實存在為真，從而妨礙法官的事實推定，與抗辯有類似性質。間接本證中“經(jīng)驗法則+間接事實”的推理過程，與全案中的可廢止推理無本質差異，可如前所論將智能司法模擬運用其中。當然，作為大前提的經(jīng)驗法則居于類似法規(guī)的地位，但經(jīng)驗法則確定系自由心證過程，經(jīng)驗法則既是自由心證的保障，又是其內(nèi)容，主觀性為其本質特征，但經(jīng)驗法則又具有一定客觀性。經(jīng)驗法則的自由心證屬性及主觀性，限制智能司法的適用，但其客觀性屬性使司法人工智能有一定的適用空間。對于間接反證，無論是攻擊作為小前提的間接事實為偽還是提出與小前提對立的另一間接事實，均屬于可廢止性法律推理中的破壞及沖突攻擊情形，可適用之前的智能司法模擬裁判的原理予以設計。
（四）證據(jù)能力評價模型的相對應用
基于對證據(jù)屬性的認識，證據(jù)評價分為證據(jù)能力評價與證明力評價，前者解決證據(jù)是否具有證明案件事實的能力或資格，后者解決其與待證事實關聯(lián)強度的問題。基于訴訟傳統(tǒng)及程序的影響，兩大法系在證據(jù)能力評價上形成不同方式，英美法系在法官與陪審團二元法庭結構傳統(tǒng)的影響下，在證據(jù)法中形成嚴密的證據(jù)能力評價體系，制定嚴格的可采性規(guī)則，如關聯(lián)性規(guī)則、傳聞規(guī)則、非法證據(jù)排除規(guī)則等，證明力評價則由裁判者自由心證。大陸法系實行職業(yè)法官制和更徹底的自由心證制度，法律不對證據(jù)能力作出規(guī)定，證據(jù)能力與證明力均由法官自由心證。盡管大陸法系對證據(jù)能力采自由心證主義，交由法官在個案中根據(jù)具體情勢對證據(jù)能力予以酌定，但近年來基于對公共程序的維護，大陸法系國家也開始對證據(jù)采集嚴重反社會等情形設立規(guī)則，作為證據(jù)能力自由心證制的補充。
相關性系證據(jù)能力的第一層次內(nèi)涵，《美國聯(lián)邦證據(jù)規(guī)則》對相關性的描述是證據(jù)使決定某項在訴訟中待確定的爭議事實的存在比沒有該項證據(jù)時更有可能或更無可能。只要證據(jù)與待證事實存在任何意義或可能的邏輯關聯(lián)，包括形式意義的聯(lián)系，均認為符合相關性要求，故而證據(jù)關聯(lián)性的審查系形式上的資格篩選。基于政策或特殊利益考量，在證據(jù)具備相關性屬性時其證據(jù)能力仍可能給予否定性評價，除非法證據(jù)排除外，還包括品性證據(jù)、傳聞證據(jù)、不得用以證明過錯和責任的證據(jù)等一系列相關證據(jù)排除規(guī)則及其例外。
證據(jù)相關性評價是證據(jù)與本案事實的低強度關聯(lián)和形式化審查，智能司法系統(tǒng)通過法律本體庫及自然語義技術可實現(xiàn)最低限度的識別。對于智能司法系統(tǒng)運用于證據(jù)合法性輔助審查，證據(jù)合法性評價實則系法律規(guī)則問題而非純粹的事實認定問題，只要非法證據(jù)排除規(guī)則被機器深度學習形成算法，智能司法系統(tǒng)可在排除非法證據(jù)方面發(fā)揮相當作用，甚至可在證據(jù)能力形式要件審查上代替法官。“上海刑事案件智能輔助辦案系統(tǒng)”已具備單一證據(jù)校驗功能，可對證據(jù)收集程序、形式要件的完備性及明顯瑕疵進行審查，排除形式要件不適法的證據(jù)，輔助法官的證據(jù)能力判斷。 智能司法系統(tǒng)運用于證據(jù)能力評價的局限在于非法證據(jù)排除過程中可能涉及利益衡量，此為智能司法的薄弱之處，如判斷“危險性在實質上超過相關證據(jù)的證明力”，更多是法官的主觀判斷在發(fā)揮作用，法官通常僅在確信證據(jù)的消極影響超過其證明力時，才會排除該證據(jù)。 此時智能司法僅能提供之前法官的平均判斷標準供法官參考，難以發(fā)揮實質的輔助裁判作用。
（五）證據(jù)推理模型的適度應用
司法人工智能在證據(jù)推理中的適用受到原子主義與整體主義證據(jù)推理理論的影響。在對證據(jù)推理路徑上有原子主義與整體主義之分，原子主義中證據(jù)推理可分解為相互獨立若干部分，待證事實能否認定取決于作為個體存在的單個證據(jù)，最終的事實認定由各證據(jù)的證明力以某種疊加方式聚合而成。整體主義認為單項證據(jù)的證明力無法游離于證據(jù)的總體判斷，證據(jù)推理結果取決于尚未清晰表達的整體思考、各種意志因素及證據(jù)之間深藏的結構關系。在原子主義與整體主義的選擇方面，主流觀點是事實認定系一種經(jīng)驗推論。根據(jù)似真性理論，證據(jù)推理的最佳解釋原則系整體解釋方法，不再局限于一個個具體證據(jù)，而是關注由證據(jù)拼合出來的完整案情或故事，裁判者合理相信已探知事實真相，因此整體主義更接近證據(jù)推理中自由心證的實質。相較而言，原子主義單個疊加的較為機械的方式易于使用概率論或公式加以概括，是更適宜司法人工智能發(fā)揮作用的場域，而整體主義則更依賴人類基本的認知規(guī)律和生活經(jīng)驗，恰是司法人工智能的局限所在。在證據(jù)推理路徑更接近于整體主義的背景下，司法人工智能在證據(jù)推理中的應用范圍并不寬廣。即使在原子主義理路下，證據(jù)評價主要是對其證明力的評價，證據(jù)證明力有無及大小，由事實認定者基于生活經(jīng)驗、一般知識及對人類行為與動機的了解合于理性地評估。證據(jù)證明力評價需依賴普通人常識及生活常理，在自由心證主義下不會對證明力判斷作任何規(guī)制，智能司法客觀主義、平均主義的標準化思維路徑亦與之不符。
盡管如此，司法人工智能仍可在證據(jù)推理中發(fā)揮一定作用，如證據(jù)推理明顯不符合邏輯法則、鑒定意見明顯偏離該行業(yè)通常認知、先后提出的證據(jù)申請明顯矛盾、事實主張與證據(jù)提出明顯背離等。尤其是新證據(jù)學的發(fā)展為司法人工智能運用于證據(jù)推理提供了新的可能。英美法系將概率學、圖表分析法、人工智能等新證據(jù)學方法引入證據(jù)推理中，形成了新興的事實認定路徑，特別是貝葉斯定律對證明標準客觀化、威格莫爾圖表法對證據(jù)推理客觀化及可視化產(chǎn)生了較大影響。
貝葉斯定理是概率論中的基本工具，概率論被廣泛用于處理隨機性及人類知識的不確定性，可用于處理不確定性推理，在對大量樣本數(shù)據(jù)進行統(tǒng)計基礎上，并在獲得新信息后對相關概率的主觀判斷（先驗概率）進行修正形成后驗概率的法則。 根據(jù)貝葉斯定理，新信息（新證據(jù)）使得對命題的信念度發(fā)生改變，需要重新評估概率，改變的力度越大表示證據(jù)的證明力越強，可用信念度更新的情況來刻畫證據(jù)的證明力，而又可運用概率數(shù)值計算信念度，故而可將證據(jù)證明力問題轉化為概率理論問題，即用貝葉斯定理來判斷證據(jù)證明力的強弱。威格莫爾圖表法將證據(jù)推理模型化及司法證明科學化推進到新階段，威氏用符號標記司法證明中證據(jù)之間、證據(jù)與不同階層待證事實之間的支持、反駁或補強等關系及證明的邏輯過程以符號形式分層次標識在圖表中，從而實現(xiàn)證據(jù)推理的可視化。 同時，貝葉斯定理在判斷科學證據(jù)的證明力上也有一定作用，如美國法院使用貝葉斯定理通過概率統(tǒng)計數(shù)據(jù)來認定親子鑒定證據(jù)、DNA 證據(jù)等。
威格莫爾圖表法已超越證明標準客觀化范疇，而將模型構建拓展到事實認定及證據(jù)推理的全過程。貝葉斯定理與威格莫爾圖表法的適用仍受到較為明顯的限制，重要原因是概率計算及圖表設計的工作量過于龐大復雜，同時裁判者并非概率學與圖表設計專家，難以完成此項任務。人工智能強大的計算能力與深度學習能力卻在貝葉斯定理與威格莫爾圖表法的運用上具有先天優(yōu)勢，具有化繁為簡的效果，可通過機器智能進行貝葉斯定理中的先驗概率、后驗概率的計算及威格莫爾圖表法的繪制，裁判者只需運用機器智能計算或繪制的結果即可。可以說，貝葉斯定理與威格莫爾圖表法在證據(jù)推理模型化上的努力，天然地契合于智能司法系統(tǒng)的應用，為智能司法系統(tǒng)構建證據(jù)推理模型提供了極佳的模版。當然，智能司法輔助裁判系統(tǒng)在證據(jù)推理中的適用受限，根源仍在于證據(jù)推理過程更接近于故事推演的主觀似真性認定，證明標準是本案法官基于本案情事對似真性的主觀確信判斷標準，為一項主觀判斷活動的結果設定客觀標準，本身在邏輯上難以自洽，難以回避限制自由心證的質疑，僅能在理解證據(jù)推理的某些方面發(fā)揮作用。
四、結語
智能司法輔助決策模型建構所涉的學科對話，已從社會科學與計算機學等自然科學的交互，到社會科學內(nèi)部法學、哲學、認知科學知識的互通與融合，再到法學內(nèi)部法理學、法哲學、訴訟法學、實體法學的深層結合；從要件事實論在法律本體庫構建、司法人工智能生成邏輯上的關鍵作用，到非單調(diào)邏輯、可廢止推理、訴訟博弈模型與訴訟證明過程的原理對接，再到新證據(jù)學背景下人工智能對證據(jù)能力與證明力評價的影響，表明智能司法研究已轉向更側重基礎理論但又更加精細的方向，更注重與法律知識體系的內(nèi)在結合，在人工智能視野下遵循法律知識體系的自身邏輯，找尋“法律邏輯+訴訟法哲學+人工智能”應用于具體類案及訴訟活動的路徑與方法。
從智能司法的發(fā)展規(guī)律看，存在張保生教授所言的“旨在代替卻又不能代替”的悖論，亦是智能司法發(fā)展的動力與方向。 智能司法的客觀化、模型化思維特征與司法裁判人文性、主觀化的判斷權屬性存在沖突，使之在適用中受到諸多限制，僅能定位于輔助裁判、裁判參考的功能，但司法裁判本身也存在“尋求客觀化卻又難以客觀化”的悖論，在經(jīng)驗法則、證明標準等領域尤為明顯，這種悖論又為智能司法的應用提供了可能，“以人為主，人機結合”便成為今后司法建設的方向之一，也將對法學教育與法律思維養(yǎng)成產(chǎn)生影響。在成文法背景下探索人工智能與司法裁判相融合的科學方法，對于法學方法體系現(xiàn)代化具有重要價值與創(chuàng)新意義。在我國由國家統(tǒng)一推進智能司法建設的時代背景下，智能司法建設將與同樣高速推進的電子司法建設形成整體合力。 智能司法基礎理論研究的體系化、專門化、精細化研究，不僅有助于推動智能信息技術時代我國司法理論的發(fā)展進步，促進司法體系與司法能力現(xiàn)代化，還將推動我國司法制度對世界司法文明作出貢獻。