人工智能与法律推理之展望
发布日期:2020-05-09 来源:《法律方法》2019年第2期 作者:布鲁斯·布坎南/托马斯·

   尽管计算机已经走出实验室进入日常生活,但律师却很难发现有用的计算机应用程序。作为计算机科学的一个分支,人工智能研究开启了我们使用计算机为人类思维过程建模的能力。该研究表明,计算机科学可能在律师的推理过程之实施和研究两方面提供帮助。我们将在本文论证,通过律师和计算机科学家之间严肃的跨学科工作,探索计算机在法律领域之潜能的时代已经到来。

  律师和计算机科学家之间的跨学科工作,在他们各自对另一学科的错误观念中难以自拔。结果是,迄今没有人尝试将计算机程序与复杂的法律推理技术相结合。即便法律信息检索方面的努力,也为这些错误观念所阻碍。在检索中,律师最多将计算机视为一个存储器,精巧设计的索引系统可以从中检索案例和成文法。另一方面,计算机科学家使用法律时,将法律当作事实和“正确”原则的集合;他们假定,如果计算机能够快速检索出正确答案,它对律师便很有帮助。但是,律师很少寻找乃至期望清晰的答案。更常见的是,律师搜索他的数据库——论文、著作、成文法和其他材料,以便为追求一个或多个目标而建构法律上可被接受的论证。与之相仿,在计算机被视为信息存储器的通常概念化中,计算机所具有的信息处理能力被忽视。人工智能工作已经十年多致力于为模仿人类思维模式的信息处理建立模型。到目前为止,法律检索工作很少考虑计算机像律师那样处理法律数据库的可能性。然而,法律和计算机两个领域的工作表明,法律推理的计算机建模是一个丰富的研究领域。在本文中,我们将展望该研究的维度和可能方向。在最具前景的结果下,交叉学科研究既能够带来对法律推理过程更好的理解,又能够带来对执行法律推理的机器方法之设计。

  展望计算机为法律推理过程建模,很可能引发一种典型的律师式回应:即便我们能够更好地理解法律推理和法律论证之形成,那又如何?创立模仿法律推理过程的程序之努力,至少应该有两个好处:激起更多对法律问题之解决的系统研究;推进计算机之问题解决能力的知识。更多了解律师搜索和操控法律数据库的方法,可能带来律师工作技术的提升。我们意识到,很多律师工作实际上可能很少使用关于论证建构或者争议解决的法律数据库。然而,直到我们更为了解律师如何真正工作之前,我们相信我们的期望是合理而可接受的。

  一、常规法律研究和计算机

  从法律研究系统的几个概念着手讨论对下列理念非常有益:当前法律检索系统如何在更加广泛的法律推理系统中进行匹配,当前人工智能研究如何有益于执行法律研究的日常和创造性工作。

  法律研究程序可以履行很多日常职责。至少,计算机应该能够检索成文法、案例语言、案例简介和其他法律数据,回答关于该信息的问题,以自然(而非难懂的)方式与律师交流。自动信息储存和检索系统已经被开发出来,它能够储存数以百万计的记录并能以比人更彻底更快的方式进行搜索。金钱是开发这项计算机技术的限制性因素。不仅收集、法典化和储存大量信息十分昂贵,运行能够获取所有信息的程序亦复如是。

  一些法律检索系统已经或者正在被开发。这些系统有两个基本构成:一个数据库和一个索引系统。通常,数据库是成文法或者判例的全文,即主要法律渊源。设计这样一个制度的精巧之处在于形成索引,而该索引提供检索法律材料的方法。人们已经设计出几种方法。在匹兹堡大学的Aspen系统,这个唯一商业化的可操作系统中,计算机制造了索引,它对法律渊源中的词频进行分类和计算。例如,州的成文法被读入计算机存储器。然后,除了最常用的词之外,所有词都进行频率计数以编排存储器中词的索引。通过请求包含其所指定的一个或多个单词的所有法定条款,搜索者可以访问数据库。

  稍微复杂一点的是关联-因素检索系统,它试图以词汇在同一文本中的关联表现和近似性为基础,建立一个研究系统。词汇以超越统计意义的某种固定水平,在同一文本中一起出现的,在逻辑上被推定为彼此关联。因此,这种系统的用户可以在某个指定级别,检索对给定单词以及与其相关的单词的所有引用。例如,在特定文档的0.75级(或更高)级别,与“汽车”相关的单词包括“汽车”,“卡车”,“运输”和“高速公路”,在这种情况下,对汽车感兴趣的用户可以参阅这些相关参考资料。有两个实验项目的指数建基于这一假设。

  乔治·华盛顿大学开发的此类系统,进行了一系列比较和计算,以产生一种将任何一个术语与许多相关术语相关联的索引。用户对术语的指定首先产生一个相关术语的列表。然后,计算机使用主要术语和相关术语来定位文档,并且通过使用先前确定的术语之间相关性比率的计算,为所生成的每个文档分配相关性数值。

  美国律师基金会与I.B.M公司合作开发了一个与此类似的系统。在该系统中,计算机分析词汇一起出现的频率。如果词汇经常共同出现,并且具有某种一致的插入词空间,则被推定为在逻辑上相关。根据此基本计算,计算机构造出一个每个单词分配一个点的网格。该设计的期望是,一段网格将包含彼此紧密相关的单词,并且机器因此将开发出词库。也就是说,每个单词都存储在词库,并与文本中和其逻辑相关的其他词汇(相互)排在一起。然后,通过提出词库中的一个术语,用户可以启动文档搜索。计算机在网格中搜索该单词以及网格中与其接近的其他词汇(或其组合),以产生提及任何这些相关术语的参考文献。

  这些过程帮助研究人员找到或许与搜索问题有某种可能关系的所有文档。它们是机器制造的研究人员想象力的助手。计算文档相关性的尝试,可以辅助研究人员设计一个解读输出数据的策略。然而,这些系统无助于研究人员处理输出以实现其预期目标这种更重要任务。

  无论是简单还是复杂,所有的法律检索系统都是在对法律研究者的战略进行共同假设的基础上运行。首先,他们假设,通过界定主要的单一概念或概括,研究人员可以得到与他相关材料。换句话说,他可以挑选一组与他的研究目标相关的关键词,这些将引导他得到所需的案例或法规。其次,他们假设,研究人员通过确定他能找到的提及指定概念的所有法规和案例来推进研究。他们倾向于遗漏律师可能使用的其他过滤因素。有些是显而易见的,如案件的发生时间、管辖权、程序背景和关键事实。其他则不这么明显,例如法院对问题的界定方式,给予司法通知的事项,遵循案例或辨异案例,以及许多其他事项。第三,他们都假设,计算机只能从其内存中抓取材料,而研究人员必须消化生成的内容以构建他的论证或建议。所有这些假设都值得怀疑。他们忽视了法律研究的目标和计算机的认知潜力。律师可以使用的不仅仅是常规帮助,计算机则可以提供之。

  更复杂的程序将能够“理解”并处理其文件中关于条目的一些(但不一定是全部)材料。它可以读取存储的条目以便为律师找到最佳材料,而不是仅仅找出使用他指定的任何或所有关键词的条目。它可以知道,例如,班克斯(Banks,字面意思为银行)法官不一定只审理涉及银行机构的案件,或者,关于母公司不端行为的案件不涉及虐待儿童。对句子意义的理解,即一些语义知识,对于避免这种错误并为律师提供更多帮助很有必要。

  对计算机而言,这种语义能力比关键词搜索更困难。尽管在自然语言通信领域已经进行了大量的计算机研究,但是当前系统受到下列困难的限制,即给予计算机程序足够的语义处理能力以理解英语句子。已经开发的程序都绕不开以下限制,在话语领域的限制或者相关事实和概念的数量之限制。例如,一个程序用于处理英语中的代数词问题;另一个用英语句子工作,主要依靠对象之间的部分—整体关系;其他程序试图关联事实,以英语表达关于任何主题或系列的概念,但这些程序目前只能处理数量有限的事实和概念。在有限的英语子集中,一些现有程序可以与人类进行可观的对话。例如,一个执行精神病学访谈基础工作的程序已经被编写出来。另一个程序可以就其被命令的有限主题对学生实施辅导课程,例如,狭义相对论或对一行诗歌的解释。许多其他例子在最近的研究文章中得以引用。因此,对于研究系统所要求的更常规语言技能,至少对有限问题而言,计算机能力已经得到证明。

  应用这些开拓性程序于法律研究这样庞大而复杂的领域,确实会遭遇令人生畏的实际问题。此外,由于法律所涵盖的主题、境况和概念等的范围几乎无限,因此对案例和法律的形式性编码可能无法保留英语的丰富性、暗示性或丰富的含糊性。尽管如此,计算机科学正在自然语言交流方面取得进步,且其与法律问题解决之大范围相关性非常清晰。

  这些问题仍然与将计算机从高效图书管理员升级到复杂信息处理器的问题不在一个层面。律师或任何其他希望计算机参与其某些任务的人,面临着更加困难的问题。虽然可以比较容易去说,程序需要哪些常规技能并指向相关的计算机研究,但是说一个律师作为一名创造性研究员(至少不是精确的术语)所做的事情并不容易,而想象计算机的潜力则更为困难。即便如此,目前人工智能研究表明,这两个问题值得进一步探讨。

  二、程序开发的一般问题

  理解和编纂律师的决策过程是拟议研究的最大挑战之一。除了可能到来的计算机程序之外,这项研究的一个回报是律师将进入他们自己的思维模式的洞察力。在计算机的其他领域已经实现了这种回报,科学家们从专家那里刺探出规则,然后将这些规则纳入开发程序。像许多专家一样,律师被期待回答有关其方法、经验法则和决策规则的问题,并对问题的适当性提出质疑。在没有任何理由推测他们如何进行工作的情况下,他们现在应用复杂的系列规则而不太了解规则本身。但是,除非律师自己能够阐明他们的方法和思维过程,否则智能计算机系统辅助律师不可能实现。

  在这些领域工作的计算机科学家对人类问题解决有两个假设:(1)问题可以分解为一组子问题,(2)任何子问题的解决方案都需要一系列取决于决策规则的决策。如前所述,解决复杂问题的人通常无法阐明他们简化问题的原则或解决子问题的决策规则。在计算机关于法律解决问题的研究开始之前,律师没有必要完整地阐述他的程序。然而,他有必要相信,解决问题的方法可以被精确化。

  在寻找律师使用的可编程规则时,可能会遇到很多问题。人工智能研究的经验表明,这是创建任何智能计算机系统的巨大障碍。搜索个人在解决问题或构建论证时使用的规则之表述,必然会令人不舒服或不安。这是艰苦的工作,它经常使探索的主体重新考虑他持有这一套而不是那一套原则的根本原因。它甚至可能指出许多决策规则缺乏坚实的理性依据。

  即使个别律师愿意尝试这项工作,另一组问题也会妨碍创建计算机程序。不熟悉计算机编程语言严格要求的律师,会对他们想说的内容与计算机语言允许他们所言内容之间的差距感到沮丧。这种挫败感在程序员中也很常见。其原因不在于对要被编程的规则内容之限制。相反,沮丧的原因通常是,规则的自然表述与编程语言中的形式陈述之间的差异。问题就在于,将规则表达出来,以便计算机可以使用它们。

  人工智能领域众所周知的另一个重要问题是,即使已经发现了某类问题的机器可读表达,也无法保证它为计算机提供了处理所有此类问题的最佳方法。很多时候,解决复杂问题的成败将取决于最初之正确表述问题。因此,只要律师能够表述出他关于法律原则的优先顺序和他的启发式规则,搜索为律师使用的规则就不会结束。他还必须准备将这些陈述改为其他表达方式。或许,更加形式化的表述将方便编程;也许使用更一般的概念会扩大所能解决的法律问题之范围;或者,或许在某些地方使用更具体的概念会使一些问题变得微不足道。无论如何,对法律推理系统的设计者来说,这是一个重要且困难的考量。

  三、创造性法律研究的两种模型

  我们对法律研究策略的风格和结构知之甚少。虽然律师日复一日做法律研究并解决问题,但对这一程序的系统分析却很少见。结果是,我们的法律研究过程模型并不完整且过于简单。我们缺乏关于法律研究过程的可靠数据基础,当然,也没有尝试详尽描述法律思维过程。这里讨论的两个模型来自内省,并经过我们同事的测试。通过描述律师认知的部分任务,他们为审视律师潜在的思维过程提供了框架。

  在第一个模型中,事实情况已经确定,某些事件已经发生,客户想知道他的权利、补救措施和风险。在第二个模型中,客户在寻求未来行动的指导,并且客户可以在某种程度上控制事实或事件,以契合律师所评估的法律需求。对于这两种模型,我们假设已经发现了问题:律师已经通过断定他有税务问题、代理问题、合同问题或其他问题,划定他所关注的领域。他准备专注于一个法律领域。要达此目的涉及对法律和法律问题之范围的复杂搜索。现有和拟议的法律检索系统,为该搜索过程的一部分建立了模型,但正如我们所指出的那样,目前他们忽略了其他部分。

  A.模型I:根据客户的利益解释事实和法律

  假设一位客户卷入一场车祸,或者他在一定程度违反了合同关系,有人威胁要起诉他。该事件已经发生。首先,律师很少会直接寻求回答他的客户有责任或不负责任。相反,他会寻求建立一个合理的论证,以便证明其客户的行为是正当的。律师将试图概括已经发生的事实情况,并选择与法律相关的事实。他通过参考使某些事实相关而其他事情无关的法律规则或概念,来做到这一点。他查看事实并检查他们与规则的潜在联系,这可能带来他所偏爱的结果并避免不喜欢的结果。因为他构建法律论证的方式(即概念与所欲法律结果之间的联系),他可能从一个事实概念开始,但最终可能会强调其他事实。

  精明的倡导者以某种方式将规则串联在一起,以证成他所寻求的结果,同时以某种方式圈定事实之发生,使其所选择的规则看起来最适用于这种情况。他的研究策略是确定规则链条,它既可以产生预期的结果,又可以合理圈定一系列事实以解释发生在客户身上的事情。

  如果我们更具体地阐明一些律师对待事实情况(例如在合同案件中)所呈现问题的可能方法,那么这种模式可能为未经法律培训的读者澄清相关状况。在Boston Ice Co. v.Potter案中,一家制冰公司起诉以便获得它的卖冰价款,该价款是它已经交付给客户的冰之购买价。两年前,该客户已将其业务从波士顿制冰公司转为竞争对手公司。然后波士顿制冰公司购买了竞争对手的公司并恢复了对该客户的交付,但没有通知他这一变化。当客户最终了解到供应商的身份时,他拒绝付款。

  代表波士顿制冰公司的律师所持目标是,确保一个获得卖冰之价款而针对客户的判决。通过一个论证,他可能会试图证明原告和被告已经相互签约。事实表明,原告与被告之间没有直接谈判以达成明确的合同,因此他必须辩称合同应该为这种情况所隐含。也许我们的律师会推断,货物的交付是一种要约,而他们的使用是承诺,然后搜索那些具有这种判决理由的案件。如果他发现了一些适合这种概括的案例,那么他就会想知道,交付或者货物的性质中是否有任何东西将这些案例和他客户的案子区别开来。例如,假设他发现一个案例判决理由认为,供水公司的供水构成要约而其使用构成接受要约,即使房屋的新居民从未与自来水公司沟通。可以通过各种理由来区别这种情况:水公司投资建立的管道网络;需要通过一个封闭系统输送水以确保水质;存在要求所有住宅都有自来水的州法;或者因为供水公司的垄断使新居民无法选择替代供应。我们的律师将不得不面对客户情况一个令人不安的事实:被告先前已经与原告断绝了交易并转向与其竞争的冰屋。如果他知道谁在给他提供冰,他很可能终止交付。我们的律师可能会担心,支持隐含要约和承诺原则的案件是不充分的,因为它们涵盖的事实情况不包括这一要素。然后,他会寻找一些不那么受事实因素限制的案件。

  他可能会发现一些案例,它们表明在某些条件下合同转让是有效的。他将在阅读一些案例时习得,这种效力适用于涉及可替代商品的合同或在其履行中不涉及个人服务要素的合同。冰符合第一个条件,但这种情况很可能属于个人服务之例外。被告是只接受冰,还是一并接受冰和某些个人服务?他之前终止与原告的安排,是否因为他觉得这项服务不满意?问题表明,我们的律师需要重新与他的客户面谈,并可能接受被告的证词,以决定他是否可以确定将其客户置于这一系列案件中的事实。

  我们的律师可能会寻求其他途径,但这个考量足以说明模型I中强调的论证构建过程的要素:目标的具体化、最初的事实陈述、寻找提供带来在这些事实的基础上之所欲法律结果的规则的案例、对不同案例之事实和法律问题的评估与比较、根据规则测试给定事实、接受(拒绝或修改)规则,或由此产生的对额外事实的搜索。对于这些过程,律师不需要可能相关的所有案件;他只需要一个可靠的样本,它可以说明以前的法院通常在类似的情况下如何推理和裁判。

  B.模式II:推荐满足客户目标并避免不利后果的行动

  在第二种模式中,律师不仅仅参与论证形成过程,而且还关注未来行为的风险评估。他首先确定了法律将制裁客户拟采取的行动之典型情况。然后,他检查法律和其客户情况的潜在事实,看是否有任何理由为什么这些所欲的典型解决方案不可适用。如果他找到某种理由,他会尝试重新构建现有的事实、对它们的法律概括和拟议行动,以提出更佳方案。他将继续进行这种重构和测试,直到他找到现有事实、拟议行动及其法律后果的表述,以最大限度降低风险并最大化所寻求的目标。模型II与模型I的不同之处在于,事实在更大程度上可变,目标不仅仅是有利的法律结果,而是法律、商业和其他目标的组合。波士顿制冰公司的状况将再次例证律师的方法。

  假设冰公司在收购一家竞争对手的公司时,咨询我们的律师,如果它只是继续供应该被收购公司的客户,它会冒什么风险。他对事实有一些控制权,因为他可以建议客户可能采取的行动。这些行为将提高客户的这种机会,即把其情况设定在法律规则之内以产生有利的法律后果,这就是,在此情况下,账单得以及时支付并最小化通过诉讼以收取坏账的必要性。例如,其客户最安全的法律地位是与新客户签订明确的合同。因此,他可以在开始交付之前向他们发出明确要约,并征求明确的承诺。但是这个过程包含一定风险。一些客户可能会拒绝要约并转向其他地方购买冰块。另一方面,如果客户仅发送一封宣布购买竞争对手业务的信件,他就会遇到这种风险,即法院可能会裁定这不足以为新客户创设义务。我们的律师可能会提出其他建议,每个建议都有一定程度的法律风险,这些风险必须与业务风险相权衡。这种妥协可能并不明确。律师和客户必须尽可能整合判断。

  律师如何推进工作?在合同的一般概念框架内工作,他可以预料到其客户可能采取的行动。从法律数据库中,他可以提取评论和案例,帮助预测法院对涉及每一组可能事实的案件会有什么反应。有些事实对客户来说比其他事实更安全;律师将经历这样一个过程,即匹配当前事实和关于事实的概括,后一个事实存在于涉及客户和潜在顾客诉讼方之想象事实集的案例和论文中;在过程之后,律师得以确定是否这种方案好的足以使顾客免于诉讼风险。他对不同优势的评估将使他能够按照法律风险对可能采取的行动进行粗略排序。在具有未付账单和未决诉讼的情况下,整个流程与第一个模型不同,但涉及法律数据 - 事实、规则及其后果 - 操作的许多子流程都相类似。

  四、律师的思维过程

  现有的检索系统仅对两种模型所描述过程的外围有帮助。他们检索可能与所考虑的某些事实相关的案例和法规。在理念上,律师不会试图从计算机中得到与法律概念相关的成文法条款和案例,这些成文法条款和案件在经过他梳理后,可以帮助他组建论证或设计新的搜索。他想要一个可以产生法律论证的系统,这是他研究的最终产品。

  要开始设计这样一个系统,我们必须更了解律师用来解决法律问题的思维过程。只有这样,我们才能开始构建流程,以便计算机可以模仿它们。我们可以从模型中界定出律师的一些思维步骤。当然还有很多其他模型也能这么做。

  首先,律师建立并追求一个目标。他为客户寻求令人满意的法律结果。这个过程有一些关键步骤。一个是他对事实如何用于某规则之关联性的看法,该关联性随后又用于另一个规则或一系列与其目标相容(或不相容)的后果。另一个是他关于所显示的法律结果与其目标是否相容的决定。因此,一组思维过程考虑建立目标,发现从事实到规则再到法律后果之间的联系,以及衡量研究过程各阶段一系列后果与既定目标之间的相容性。

  在波士顿制冰公司诉讼案例中,律师有一个明确的目标:其客户卖冰的价款。他连续测试了几种事实之法律界定的适用性,这些事实包括明示合同、默示合同、有效转让。每个都涉及从事实到规则再到法律后果的联系。以其客户的案件与其他适用此规则并产生一定后果的案件之间的相符性为基础,他接受或者拒绝一个具体的联系。在这个过程中,他不可避免地会阅读一些案例,这些案例虽然基于类似的事实,但却适用了产生了不良后果的规则。他通过区别事实以便拒绝这些规则。

  其次,存在事实识别和表征的过程。事实提示一些可能适用的规则;规则和适用它们的案例表明某些事实的相关性和重要性。人们所寻求的规则将影响关于哪些事实相关的决定。处理这些相互关系是在法律问题解决中识别关联事实的一个方面。

  法律研究的关涉使用其他案例及其规则作为客户案件之争论基础。法官或律师没有记录案件的事实统一的方式。事实可能是A汽车和B汽车碰撞等事件;事实也可能是关系,比如C是A车里的乘客。此外,在一个案件中通过的事实可能会成为另一个案件中的法律纠纷问题。例如,在波士顿制冰公司案中,事先终止合同被视为事实; 在另一个问题上,这可能是问题的关键所在。除了语言通常的含混性之外,人们经常会发现,事件和关系的法律特征被视为手头案件的事实。两个案件可能涉及相同的事件,但在其中一个案件中,法院描述了事件,而在另一个案件中,法院用法律结论对该事件进行了总结。敏锐的律师将认识到两案事实之间的异同。

  律师履职的第三个过程是规则选择。即确定哪一个规则适用于某种事实情况。一种简化的法律推理模型描绘了一系列由法律规则界定的事实,特定法律后果随之而来。在概念中,法律规则是如果—那么的表述:如果有事实A1 ... An,那么有法律后果B1 ... Bn。然而,在实践中,可被适用的规则很少这么齐整地出现。在波士顿制冰公司案中,对当事人过去行为的描述可用于支持两种不同规则的应用,从而产生相反的法律结论;也就是说,没有明示合同或存在有效的合同转让。法律问题解决者通常以某种方式区别可适用于相同行为和事件的两个规则。因此,他有一些解决规则冲突的方法。其所选择的区别形式与他的目标有关,与他对各种事实赋予的相对重要性有关,也与从他某些事实中得出的推论有关,而这些事实以其对额外事实的了解为基础。实际上,他发现或构建了另一条规则来解决规则冲突。

  第四个过程考虑类比。律师通常更倾向于根据与他所处理的案件有相似事实的案件来塑造论据。如果找不到这样的案件,他会寻求发现具有与其案件事实类似的案例以形成论证。发现类比的一种方法是通过概括法律规则。虽然在一个案例中,规则适用于一组特定的事实,但法院陈述该规则的语言可以演绎性地允许其适用于不同的事实。该规则可以使用能够包含各种事件、行为或关系的词汇。例如,在我们的波士顿制冰公司例子中,律师审查了供水的情况是否适用于冰的交付。此外,通过概括事实情况也可以发现类比。

  五、当前的计算机工作

  和法律思维过程

  我们分别出来的四个法律问题解决过程如下:(1)在目标追求中发现概念联系,(2)识别事实,(3)解决规则冲突,(4)找到类比。人工智能和认知过程模拟领域的一些计算机科学研究,直接承担法律研究的这些创造性方面。我们将简要回顾其中一些发展,并提请注意对法律研究的可能应用。我们将详细讨论一个名为“启发式DENDRAL”的特定程序,以说明当前程序的现有能力。通过这个例子,我们希望说明人工智能方法的现有能力和局限性。

  启发式DENDRAL程序的任务是,在复杂的科学领域中,从实验数据归纳推理出解释性假设。数据是由质谱仪内的有机化学分子片段产生的分析数据。该程序寻求的解释是产生数据的原始化合物的模型。该程序应用一般原则,试图将事实(数据)与假设联系起来,这种假设可以澄清事实,或说明为什么事实应该可被预期。鉴于事实与结论关系的一般原则,该程序试图从事实推理出最合理的结论。

  正如大多数关于归纳的论文所指出的,解决这个问题的一般方法有三个步骤:分析事实、构建合理的假设以及评估(验证、确证)假设。因此,解释数据的初始问题分解为三个子问题。反过来,其中每一个问题都只是一组子问题。在最低级别上,子问题非常直接,以致可称为结论。

  与几乎所有非数字问题解决程序一样,启发式DENDRAL的成功在于,它能够界定所有可能的解决方案,并有效地进行完全搜索以获得最佳解决方案。这项任务的一个重要部分是,充分小心地构建搜索计划以减小搜索空间的大小,并且正确解决方案仍然包含在空间中。虽然这种生成和测试策略有很多变化,但其对其他人工智能程序的成果表明,它可能是一种有用的法律适用方法。

  与化学一样,法律问题之可能解决方案不计其数,有些解决方案胜于其他。启发式DENDRAL程序,通过制造越来越大的化学分子,以探索可能的解释空间,并每次都检查合理性。如果可以设计一些类似方法系统探索法律论证的空间,那么,选择最佳解决方案的问题可以被化约为,确定替代性路径是否可能带来合理的解决方案。化学程序所构建的计划指向总空间的一小部分,即最有可能包含最佳解决方案的那部分。所计划的程序可能会查看法律问题的数据,以建议对搜索空间予以限制。解决方案的空间之相关限制最初由律师确定,这种限制指向问题的类别,这就是我们所谓的问题界定。启发式DENDRAL正在做律师于下列情形下做的事情,当律师以种属方式界定他的问题,并构建一个合理的(或可能适用的)规则清单时,该程序通过另一组思维过程,仔细检查以前案例适用的规则以及客户案件中的事实。

  (一)所追求的目标

  启发式DENDRAL程序的目标是找到关于给定经验数据的解释。与许多法律问题一样,这个目标只是隐含地被界定。该程序利用其对解决方案属性的了解,从给定数据通向最终解决方案。例如,DENDRAL解决方案必须是一个与分析数据一致的有机分子模型。解决方案还必须解释许多(或大多数)突出的数据点。该程序试图通过从给定数据到目标的推理,以达到其隐含定义的目标。当对程序而言,以下状况显而易见,即解决方案空间中的路径无法通向目标(即不会带来满足解决方案标准的分子模型)时,则放弃该路径将。通常,必须遍历几个备用路径,每个都止于候选解决方案。在这种情况下,采用可接受的事后措施确定最好的候选人是哪个。表现出隐含界定目标最多属性的候选者被确定为问题的最佳解决方案。

  “一般问题解决者”是由纽维尔、肖和西蒙编写的一个广为人知的计算机程序,其目标一开始就十分明确。预计该程序将找到一种从问题的前提到规定目标的推理。例如,给定一组真值函数逻辑的公理和一个待证明的定理,该程序试图找到一系列将公理转化为定理的规则应用。这个程序旨在解决“如何使用给定的方法从这里到达那里?”这种形式的谜题。

  律师以类似的方式,提取一系列事实,并试图将法律规则或概念应用于这些事实,以便为其客户争取有利的结果。匹配上述模型I的问题,似乎也可以通过一般问题解决者程序的目标寻求策略来解决。从理论上讲,至少,人们可以设想一个法律问题解决者,它包含法律规则、规则适用于给定事实情况之测试方法以及衡量通向目标之进展的方法。在有人设定一组事实和所有结果之后,问题解决者会将这些事实(或它们的子集)与存储规则适用于的情况进行比较,适用适当的规则,并将法律后果与律师的目标进行比较。然后,它可以逐步建立一个带来所欲结果的论证。

  有一个计算机程序在投资组合选择的背景下编写,它解决了模型II下的问题。该程序的任务是选择一个帮助客户实现其投资目标的投资组合。在这里,就像在法律背景下一样,问题是建议客户可以采取的行动以助其实现目标。该项目处理有关经济、行业和公司的信息,以生成可接受的证券清单。基本上,该计划适用一般规则过滤一组可能的投资; 然后,它将与投资者利益相关的一些特定规则,应用于这组投资,最终为客户产生平衡的投资组合。可以想象,同样的过程可能适用于模型II的法律问题,在那里,律师试图通过法律途径,最小化不利法律后果,实现客户的目标。

  不可否认,它需要大幅度的改进才能将启发式DENDRAL、投资信托官员的模拟或一般问题解决者程序,转换为可以处理法律复杂性的程序。然而,即使为了实验的目的,这种复杂性受到人为降低;下列做法可能是有用的,即将某个旨在处理法律问题的目标追寻程序中的某些变量与律师用来解决同一问题的过程进行比较。该比较或许能带来我们法律研究模型之完善。

  (二)识别事实

  无现有程序表明计算机可以成功识别和重新解释事实陈述,这是复杂的法律程序应该具有的四个法律问题解决过程之第二个,但这是至少可以想象的一个。在科学工作和法律方面,发现和界定事实的能力是人类解决问题的一个重要而困难的因素。计算机工作已经开始; 但还有许多工作要做。

  事实识别是启发式DENDRAL程序的第一步。在给定实验数据的情况下,该程序与任何科学家一样,必须将“真实”数据点与虚假数据区分开来。它将错误的数据和无信息的数据,与解决问题的重要事实分开。该程序还可以理论推断和实际出现的数据为根据,添加本“应该”在原始集合中的数据。在此处,以及整个程序中,决策都是基于专家使用的决策规则。它们通常以理论为基础,但通常也包括启发式。

  有了更多的理论(或更多的风险),该程序可以消除它认为对问题无用的数据点,即使它们通过了正当性的一般测试。此时有用的规则将以与虚假规则大致相同的方式,在程序中得以应用。虽然该程序可以在后期阶段节省一些时间,因为要分析的事实较少,但是为了达到最佳解决方案所需的小额节省和排除数据的更高风险,似乎都使得程序不想要这种过滤。因此,在寻找与问题相关的“真实”事实时,启发式DENDRAL程序不会尽其所能消除尽可能多的数据点。但是,丢弃无用事实的机制已经存在,理论上可用它缩小数据库到可控大小。

  对事实和事实情况进行分类也是创造性法律研究的重要组成部分。亨特和霍夫兰德共同编写的概念形成程序,提出了一种为一组给定对象设计分类规则的方法。该程序模拟了一个关于学习的心理学实验,在那里,向一个人展示一系列被描述为A与非A的对象,并且他被要求设计一个解释分类的规则。该程序有三个运作阶段。排序例程记录了某类成员的共同特征。描述例程界定该类别每个成员可能具有的特征之间的共同关系。最后,解决方案例程尝试将这些共同关系的连接和分离作为分类规则。因此,概念形成问题被分解为不同的子问题。

  意识到事实情况的共性和差异,形成联结共性并区分差异的概念,这是法律论证形成过程的重要组成部分。当律师比较那些处理相同概念但却有不同结果的案例时,就会发生这一过程。例如,当研究发掘出一系列涉及共同过失的案件时,下列事项变得很重要,即编制一个论证,将法院裁定存在共同过失的事实情况联系在一起。同时,它有助于发现在法院判决为无共同过失案件中的共同因素。随着亨特和霍夫兰德所使用例程的扩展,人们可以想像一个未来的计算机程序,它会查看大量案例及其法律结论,以确定将事实与结论联系起来的事实情况中的共同要素。

  (三)解决规则的冲突

  在启发式程序中,通常会发现规则之间的冲突,以及出自规则的决定之间的冲突。启发式程序必须具有一些处理冲突决策的机制,因为许多(如果不是全部)裁判规则既非逻辑上完整也不是内在一致。发现决策所依据原则之间的冲突也是法律推理的一个重要方面。不幸的是,很少有关于此问题的计算机科学研究。

  目前大多数遭遇这个问题的程序,包括启发式DENDRAL,通过一个简单技巧,避免冲突。他们将其决定建基于适用于给定情况的第一规则或“最强”规则。或者,如果程序可以容忍模糊性,则应用所有规则,稍后决定接受哪些后果。例如,当启发式DENDRAL查询其规则表以制定计划时,将应用每个相关规则。由于这个原因,该程序通常制定相互冲突的计划,并探索所有这些计划。程序解决这种模糊性的一种方法,是构建每个类别的模型,并尝试通过检验每个计划特定情境的预测结果,来减少冲突。解决冲突的第二种方法是查看其他实验数据(如果可得),并对其应用其他规则。

  最近编写的允许计算机学习绘制扑克的程序,使用的策略是,仅采用第一规则,该规则是适用于某种情况的最强规则。但是,当该程序处于学习模式时(当它好好学打牌的时候),它有能力识别其规则之间的冲突,并能够重新排序或修改规则,以便表中的第一个相关规则是正确适用的规则。在学习中,它根据经验建立了一套优秀扑克游戏的归纳推理,无论是否有专家(人或机器)的建议。当程序发现它刚刚得出的归纳推理与现有规则发生冲突时,它会通过削弱或加强规则来解决冲突。诸如,可以看到规则的例外情况,可以通过将规则包含在更广泛的规则下,来归纳推理规则,并且可以使过于笼统的规则变得更具体。例如,如果现有规则告诉程序,赌三张同样的牌,但是它上一手的经验表明,三个二不值得高赌注,那么它将修改其三张同样牌的规则以排除三个二。这里有直接的方法来识别规则冲突并消除它们。这些方法是否可以适用于复杂的法律情况是一个悬而未决的问题。试图将这些方法扩展到法律问题解决领域,可能会产生一些有趣的信息,这就涉及律师和法官真正解决规则冲突的方式。

  (四)发现和使用类比

  法律推理程序需要以计算机研究为基础的第四个领域,是寻找和使用类比。在这里,现有的计算机工作也处于相对简化和正式的领域。法律中的类比推理需要丰富的英语语言,需要在存储器中编排大量的法律规则和事实情境。

  寻找和使用类比的计算机工作相当稀少,部分原因是问题的规模。用以解决常见智力测试问题的一个重要程序已经被编写出来,该问题是:选择一个几何图形,它和一个给定图形所呈现的关系,恰如其他两个给定图形的关系。它找到了一对图形,一个已经给定,一个来自一组可能的答案,这对图形之间的关系与一对给定的图形相互之间的关系相同。该程序内置了关于几何图形属性和图形之间关系的知识。它在这些概念中搜索相类似物。这是智商测试或入学考试的标准问题,并且其被选择也部分基于此原因,因为它经常被用于区分问题解决者聪明与否。

  将来给启发式DENDRAL添加类比推理,至少需要两个步骤。首先,它应该能够使用被存储的类比来解决新问题,这些类比由程序员提供。其次,该程序应该被赋予为自己找到类比的能力。

  在任何领域发现类比都比仅仅使用它们困难得多。假定给计算机一个新问题和几个老问题的解决方案。它应该能够假设一些类比,并将已知解决方案的类似物应用于新问题。与几何程序一样,该程序需要一些有限的概念集合,它可在其中搜索类比。

  一个法律推理程序受限于类比,而类比则具有相似的预先规定维度,这具有过多的人为痕迹。事实情况或原则之间许多高明的法律类比都是基于人们可能不会想到置入计算机系统的关系。然而,即使是一系列平凡的关系,使用与几何类比程序使用几何关系同样的方式,可以大力进一步推动程序的推理能力。

  六、结论

  我们已经描述了一些律师和计算机科学家所做的事情,并推测两者之间可能存在的关系。人工智能可能会在这个方面为法律做出贡献。发现这种关系是否富有成效的唯一方法,就是认真探索。

  现在宣称计算机将被用作法律推理过程中的辅助工具,或者甚至应该用它们,还为时过早。甚至很难想象,就我们所提议研究的意义达成共识。当然,在处于一个极端的律师,已经抹杀了计算机,视之为浪费时间和金钱,而在另一个极端的律师,则非常相信计算机的潜力,以至于感受到,计算机未来对其工作的侵犯所带来的威胁。在这些极端之间还有许多立场,有些立场比其他更合理。这种系统能够被发展到仅仅死于忽视;它只能在学术界的回廊中存活下来;它可能成为或多或少部分律师的偶然工具;可以想象,它可以在法律实践中变成一个主要影响因素。

  这项研究可能使法律和律师在我们社会中的角色发生重大变化或某些变化,或者不发生变化。通过去除作为优质法律服务基础的繁重工作,计算机系统可以为更大的社会群体提供良好的服务。随着对所倡导的立场有更广泛的理解,律师关于其角色的概念可能会改变。或者计算机系统可能以非常狭窄和受限制的方式运作,以至于它会错过普通律师现在容易想到的许多可能性。律师可能过分依赖受限制的,因而有些无能的系统,导致法律服务质量下降。由于学徒的工作已被机器所取代,因此该系统可能难以为复杂的任务培训律师,因为复杂的任务需要通过多年的学徒期以开发出老练的判断。或者系统可能获得非常广泛地使用,并提供非常稳定和有用的信息,那么普通人可能成为他们自己的律师。许多争议可能不再需要法律代理。

  在法院和律师都使用相同系统的情况下,法律可能会实现新的稳定性。这种稳定性可能会帮助,也可能会阻碍,法律的整体发展及其调整社会内部冲突和服务于其他目标的能力。调整法律使之适应计算机操作,可能会产生这种要求,即,使法律摆脱模糊性,将法律转变为逻辑上一致和完整的系统,为所有案件提供明确而不含糊的答案。

  控制系统及其程序可能会被赋予一种重要的权力,以致于立法之争将从立法机构的委员会转移到程序员的办公室。这个系统可能是如此昂贵,以致于即使是最富裕的社会也负担不起,或者它可能会节省大量的法律劳动,没有社会不需要它。由于其成本,该系统可能仅供富人使用,并将帮助他们增加财富。该系统的成功可能会消除对律师的大部分需求;它的失败可能证明它们对社会的价值,或者研究可能表明,即使系统被开发出来,它也无助于律师或律师现有和潜在的客户。

  正如许多人所为,有可能推测出无穷无尽的乌托邦和恐怖。任何此时对这些结果的选择都只能基于偏见、希望、恐惧以及与此类似的东西。克服这项研究的心理、经济和技术障碍,并非一项简单的任务。

  我们调研了一些计算机程序,它们处理非法律问题的方式正如律师处理自己的法律问题。根据这一证据,我们认为,探索计算机在法律推理中的潜在应用是值得的。在人工智能和认知模拟研究过程中开发出来的程序显示出一种潜力,即以计算机处理与法律问题解决者所用相类似的过程。这些程序与构成律师问题解决装置一部分的过程一起工作,或者至少看起来没有利用对该装置更系统的研究。试图扩展或应用程序来模拟法律问题解决者,至少应该具有以下好处:它应该促进对法律问题解决之更系统研究,并且推进关于计算机解决问题能力的知识。

  简而言之,计算机科学的研究进展可以增强我们对律师工作和思考过程的理解。到目前为止,律师尚未尝试探讨其相关性。其实他们应该这么做。

责任编辑:马毓晨
本站系非盈利性学术网站,所有文章均为学术研究用途,如有任何权利问题请与我们联系。
^