邹邵坤

如果要为人工智能(Artificial Intelligence,简称AI)发展列一个简史,最初恐怕要追溯到英国小说家乔纳森·斯威夫特(Jonathan Swift)出版的《格列佛游记》。他在书中描述了一台名叫“Engine”的机器,斯威夫特描述称：“运用实际而机械的操作方法来改善人的思辨知识,……最无知的人,只要适当付点学费,再出一点点体力,就可以不借助于任何天才或学力,写出关于哲学、诗歌、政治、法律、数学和神学的书来。”①[英]乔纳森·斯威夫特：《格列佛游记》,白马译,江西教育出版社2015年版,第144页。

1956年的达特茅斯(Dartmouth)会议上,与会专家在一份提案中首次提出“人工智能”这一术语,这次会议成为人工智能诞生的标志,在后面的几十年间,一代又一代的科学家投身于人工智能的研究。现在,“人工智能”在维基百科上的解释是：“由人工制造出来的系统所表现出来的智能。”②参考维基百科中文网站“人工智能”词条,载“维基百科”,https：//en.wikipedia.org/wiki/Artificial_intelligence,最后访问时间：2018年12月26日。

从20世纪60年代到90年代再到21世纪的今天,从西洋跳棋到国际象棋再到围棋,人工智能至少三次在公众中引发热潮,“人类是不是要被机器毁灭了”之类的话题早就超出了“科幻迷”的圈子,在普通人中流行开来。网上流传着一幅有关“人工智能发展成熟度曲线”的漫画,③该漫画可参见李开复、王咏刚：《人工智能》,文化发展出版社2017年版,第42页。形象地展示出了在此前两次人工智能热潮中,大众从被人工智能在某些领域的惊艳表现震撼,到逐渐认识到当时的人工智能还有各种局限,以至于产生巨大心理落差的有趣过程。但正如科幻作家刘慈欣所言：“也许这就是真正的AI即将诞生的征兆,我们正处于一个AI种族的史前时代。”④参见刘慈欣：《最糟的宇宙,最好的地球——刘慈欣科幻评论随笔集》,四川科学技术出版社2015年版,第223页。只有先努力看清真实的当下,才能对未来作出相对精准的预测。

一、“有多少人工，就有多少智能”

我们常说,要把法律女神的大脑武装上技术,让法律女神的智慧更好地照耀法律行业,让当中的每一个从业人员都更有智慧,但是却很容易忘记人工智能行业的一句老话：“有多少人工,就有多少智能。”清华大学的一位老师曾在第二届清华明理法治论坛上说,清华大学人工智能实验室成立于1986年,在20世纪90年代,整个行业遇到了一个低谷期,申报课题都很困难,到最近几年才又活跃起来。她的担忧是,一个行业应用人工智能的时候,能不能正视技术本身的优势以及它当下的瓶颈。

（一）人工智能在特定行业的应用前提

2011年全美智力竞赛,国际商业机器公司(IBM)的人工智能沃特森(Watson)高比分战胜两位全美智力冠军,这无疑是AI的一个灿烂瞬间。⑤2011年,沃特森在美国最受欢迎的智力问答电视节目《危险边缘》(Jeopardy)中亮相,一举打败了人类智力竞赛的冠军。参见“IBM官网”,http：//www-31.ibm.com/ibm/cn/cognitive/outthink/watson/,最后访问时间：2018年12月26日。Watson当时采用的是一个多专家决策系统算法模型的变体,该算法早在1991年已经公布,但其训练数据却是基于维基百科、古登堡计划860万份文献等大量资料。有科学家甚至提出了第三次人工智能技术的发展公式：从关键算法的提出到取得实质进步需要18年,而从关键数据集的出现到获得相应进步只需要3年,两者相差6倍。在谷歌研究院的最新进展中,图像识别(包括比较成熟的音频识别)这两年的突破也是在原有算法的基础上通过对大量新数据的训练而实现的,⑥参见新智元：《李飞飞团队最新成果：识别谷歌街景中汽车图像,预测人口政治倾向》,载“百度百家号”,https：//baijiahao.baidu.com/s?id=1585472724280054972&wfr=spider&for=pc,最后访问时间：2018年12月26日。这是李飞飞博士⑦李飞飞(Fei-FeiLi),斯坦福大学计算机科学学院终身教授,斯坦福人工智能实验室主任,谷歌云首席科学家。在国际上作为华裔科学家在人工智能领域独占鳌头的创造,也是华人对世界科学的贡献。

以和法律几乎同样古老的医疗服务业为例,根据市场调研机构对2017年在国内医疗健康数据行业参与经营的320家公司的统计报告显示,2014年,我国医疗信息化总花费为223.12亿元,2015年增至243.6亿元,预计2020年将达到430.01亿元,年复合增长率为11.1%;2014年,我国临床信息化解决方案的市场规模约为20.64亿元,2015年增至24.48亿元,预计2020年将达到52.17亿元,年复合增长率为16.71%。⑧参见埃森哲：《2017中国医疗信息化行业公司市场梳理报告》,载“搜狐网”,http：//www.sohu.com/a/140043789_505782,最后访问时间：2018年12月26日。这意味着,2014—2021年间,医疗服务的市场规模会实现从百万级(Million)到十亿级(Billion)的指数级跨越。如此大规模的投入之下,我们却发现,人们到医院还是在排队看病,并没有出现去医院看病时大夫都不见了,由机器人取而代之的场景。面对人工智能浪潮,法律圈也有人开这样的玩笑：“有没有这么一天,我们这些律师不再需要办案子,而是打打高尔夫就可以了?”事实上这个问题至少有两个层次：一方面,如果打高尔夫是获取案源的主要途径,那法律行业从业者可能有更多的时间去打高尔夫;另一方面,要弄清楚技术目前所起的是辅助作用还是替代作用。

人工智能与机器学习是人类为了克服自身肉眼凡胎的有限性所创造的工具。机器学习在本质上来说是跨学科的,使用了计算机科学、统计学和人工智能以及其他对应行业学科的知识。因此,无论是在目前的人工智能界还是在产业界,对于跨界掌握以上综合技能的人才渴求度都非常高。据麦肯锡(Mc Kinsey)管理咨询公司预测,到2018年,具备深度数据分析技能的大数据经理和工程师,至少还有150万人的缺口,而且这个数字还在飞速飙升。⑨参见麦肯锡：《大数据：下一个创新、竞争和生产力的前沿》(Big Data:The Next Frontier for Innovation，Competition，and Productivity),载“百度文库”,https：//wenku.baidu.com/view/2e494d6d9b6648d7c1c746a7.html,最后访问时间：2018年12月26日。这个行业最缺乏的不是原来单项培养的法律人才或者技术人才,缺少的是跨越式的复合人才。技术界公认,图像识别和语音识别突破路径上遇到的最大困难,也是如何打造一个跨专业专家团队对标准数据集进行标注,以方便机器学习。

（二）法律智能当前的技术重点和应用难题

我们知道,法律逻辑的结构是“大前提→小前提→结果”三段论,看似非常清晰简单,这是否意味着机器能够轻易学会?实际上完全不是。

在法律智能研发的最早期,也曾有人设想,法律是一个封闭的规则体系,系统可以自动按照三段论,基于法律规定(大前提),再输入发生的案件事实(小前提),就能得到相应的裁判结果。但在真实世界中,无论是私法领域,还是公法领域,某一法律问题的解决可能会存在多种学说、理论和处理结果,在直面具体的实务问题时,会存在千变万化的事实要素、数不清的争议焦点和难以预测的模糊地带,绝非围棋和德州扑克的规则那样透明、清晰。目前,即使是国际上最先进的技术,也无法做到纯粹靠机器的无监督学习⑩机器学习可以简单地分为有监督学习(Supervised Learning)和无监督学习(Unsupervised Learning)两大类,有监督学习的核心是使用已知正确答案的示例来训练智能系统和网络,无监督学习则相反,设计者对问题的答案并不知晓,而是想让机器通过分析每个问题(或事实)的特征信息,从而得出规律性的结论。实现“暴力突破”,或者单纯凭借人工智能识别法律逻辑,即能够让机器像法官那样思考。

法律认知(或者法律人工智能)的核心并不是算法——法律人认为可以通过机器实现法律逻辑,而计算机专家却认为做到这一点难于上青天,究其原因,计算机专家认为计算智能是基于大量标签数据,而非一个固定逻辑。如果系统被禁锢在固定逻辑基础上无法进行学习演进,一旦逻辑被写死,系统就将无法匹配真实案件中变幻莫测的社会生活——当社会生活发生一点细小的变化时,系统很可能必须整体推倒重写,而这个成本极其高昂。逻辑推理在人工智能技术领域之所以比较难实现,其原因是没有一个法律事实会根据设定好的规则发生,法律的价值在于当一个事实发生之后再进行评价;计算智能则不然,它是通过对数据的标签化去寻找现实中的规律,用这种规律训练出的模型,会根据不同的数据迭代而自适应改变。现在的机器翻译和语音识别实际上都是走的计算智能道路,并取得了巨大的突破,第一代专家智能法律系统早在1970年就已经出现,[11]可供参阅的相关讨论刊载于《美国律师协会期刊》(American Bar Association Journal)1983年第1期。但几乎并没有给法律界带来任何改变。

在法律人的实际工作场景金字塔中,处于第一层的是大量基础性、程序性的工作,这也是当前许多低年级律师和实习生正在做的事情;处于第二层的是需要高度经验性判断和总结归纳的事务;处于第三层的则是正义论和法哲学层面的问题。目前的法律人工智能仍处于要解决第一层事务性工作的阶段,致力于搭建好基础设施,让散见于法、检、律之间的数据能够联动、流通,用机器取代大量重复性、低附加值的工作,从而融合法律与科技,以大数据和人工智能来解放整个法律行业的生产力。在这个过程中,人工智能会不断经历能力的进阶。

目前,法律智能的研发工作还有很多困难,其中最大的一个障碍可能是——这一点或许和整个计算智能行业面临的问题相同——如何取得足够专业、大量的行业知识标签数据。要突破这个障碍,需要大量的法律行业专家和计算机算法专家,甚至非常可能是需要培养“法律+算法”的跨学科专家。谷歌学术翻译更新算法的基础,也是组织了一个专门的团队,针对标签数据进行了大量训练,这才造就了谷歌翻译“一骑绝尘”的惊艳效果。

可喜的是,中国的数据法学研究和法律科技应该说是走在世界前端的,这在很大程度上得益于我们拥有全世界最丰富的数据矿藏——最高人民法院先后在2010年、2013年、2016年三次发布《关于人民法院在互联网公布裁判文书的规定》,[12]《最高人民法院关于人民法院在互联网公布裁判文书的规定》(法发〔2010〕48号,2014年1月1日废止);《最高人民法院关于人民法院在互联网公布裁判文书的规定》(法释〔2013〕26号,于2013年11月13日由最高人民法院审判委员会第1595次会议通过,自2014年1月1日起施行);《最高人民法院关于人民法院在互联网公布裁判文书的规定》(法释〔2016〕19号,于2016年7月25日由最高人民法院审判委员会第1689次会议通过,自2016年10月1日起施行)。截至2018年12月26日,裁判文书公开总量超过5976万篇,[13]基于中国裁判文书网首页的实时更新数据,参见“中国裁判文书网”,http：//wenshu.court.gov.cn/,最后访问时间：2018年12月26日。这为法律大数据研究和整个行业提供了非常好的数据资源。与此同时,一方面需要在法律服务领域进行研发和资本的持续投入,通过提供法律智能服务、构建法律科技生态圈的方式,提升法律行业的科技属性;另一方面还需要通过对法律业务的不断深入研究,将顶级法律专家团队的知识“物化”为服务于全行业、提升行业专业能力的智能工具。这中间还有很长的路要走。

法律智能系统的研发进度还体现在“机器学习”本身的基础性制约上：首先,用于训练的标签数据必须对解决特定问题确实有效。比如,一位使用法律智能系统的律师如果尝试模拟季节和法律服务费用之间的关系,很可能就是徒劳无功的,机器只能模拟学习实际存在的关系,即便这个关系隐藏得非常深,也不会构成太多的困难;反之,对于那些人类学家无法手动用数据解决(或者关联关系过于稀疏)的问题,机器也无法解决。其次,训练过程中必须尽可能穷尽有影响的因素。机器学习并非建立在所有对结论的影响因素都可知的前提下,但人类对客观规律的认知远比我们想象的要狭隘,因此在人类可知的范围能尽可能的穷尽有影响的因素,会在很大程度上帮助机器走完人力难以企及的“最后一公里”。

二、人工智能对法律实践的现实意义

与其追求高高在上的概念,不如回到真实的场景,从业务场景中寻找技术的落地点和结合点,而不是一味简单追求高大上的专业名词。这一点,在法律学术研究领域也是通用的。法律计算智能的产生基础,首先在于大数据领域的精深研究和科学路径,然后通过在真实应用场景中不断构建数据循环,最终才能逐渐构建起来。当把数据“打通”之后,哪怕没有高深的“机器学习”,也可以更好、更便捷地服务当事人和法官。

我们可以用一个案例来示范：“5月9日22时32分,在北京市东城区东直门外大街十字坡路口东50米处发生交通事故,现场发现一辆北京牌照的白色英菲尼迪越野车与前方三辆车发生事故。经检测,肇事车驾驶员高某某每百毫升血液中酒精含量为243.04毫克,达到醉酒驾车标准三倍之高。”

这是一个很有意思的实验,也曾经在多所法学院校进行过现场测试,测试者向法学生提问：“这段新闻报道里的事实构成了什么法律关系?”大部分学生能够答出“构成危险驾驶罪”,少部分学生能够答出“侵犯财产权”或“侵犯人身权”等。通过法律智能系统[14]实验系统采用北京华宇元典信息服务有限公司基于“睿核”技术开发的智库系统。分析,得出的推荐结果确实是“危险驾驶罪”;但从历史数据来看,系统给出的推荐结果还包括“责任保险合同纠纷”和其他的财产损失纠纷案由。系统之所以能作出这样的判断,并非基于法律概念和逻辑的学习,而是基于对历史上大量的同类案件事实和裁判文书进行识别,通过学习的机器像经验丰富的人类一样判断某个特定事实在当下会构成何种案由,甚至超越了一般法学毕业生。而且,由于审判规律、法官倾向以及“醉驾”的认定标准也在发生改变,过5年、10年再看,可能结果呈现会完全不一样,到那时,智能系统就可能基于对模型的重新学习而推荐出新的案由。

这套智能案由识别系统的开发团队分享研发经验时谈到,在案由识别的训练基础上,系统还可以更进一步实现对影响量刑情节的判断。在2017年10月5日22时40分许发生的郎某某驾车致交通事故一案中,系统给出的预期量刑结果是“拘役3个月左右,不缓刑,罚金3000到5000元”。而最终法院宣判结果确实为拘役3个月,罚金人民币4000元。这套智能量刑辅助系统在实务中被采用和认可的原因,也正是用真实案件进行具体量刑测试时得出的结论与承办人根据专业和业务经验所做的判断基本一致,这对彼此双方都是一种很好的验证。

最高人民检察院于2017年公布的数据显示,广东省人民检察院适用认罪认罚从宽程序办理的案件,侦查阶段平均用时39.19天,审查起诉平均用时16.1天,审判平均用时20.17天,均大幅低于普通案件平均用时,专业化、智能化办案使司法工作的质量和效率都大幅提升;而量刑决策过程中引入人工智能辅助系统软件后,广东地区的认罪认罚从宽案件量刑建议采纳率达到94.46%,已判决案件中共有99人上诉,上诉率仅为0.63%,[15]参见《案件处理质效提升 制度设计日趋完善——“认罪认罚从宽”试点效果不错》,载《人民日报》(海外版)2018年2月26日。不仅在全国试点地区处于领先水平,也远高于一般刑事案件量刑建议采纳率。

之所以能达到这样相对精准的结果,是因为开发团队中的大量法律业务专家们把知识和经验模型贡献到了智能训练中,手把手帮助每一个年轻法律人避免经验上的缺失和短板,在坚实的分析基础上,更确切地说,是在知识图谱对历史的精确定位上得出了分析模型和可能的预测结果。

知识图谱是一种知识解析、知识发展进程与知识间结构关系的可视化呈现,简单地说,这是一种对于挖掘、分析、构建、绘制和知识呈现及知识之间相互联系的描述技术。法律知识图谱是在法律这个专业领域的数据深耕和挖掘的基础上对法律数据资源进行的知识图谱呈现。以故意杀人罪为例：从罪名的犯罪构成入手,如果按照三阶层犯罪构成体系,可以依次从事实认定、违法性、有责性三个层面进行评价。其中的事实认定需要确定行为人、行为对象等,违法性可能涉及正当防卫等违法阻却事由,有责性可能涉及行为人的年龄或者精神状态。如此不断展开延伸,就会形成一个树状图,这个树状图会在数据库里形成一个层级分布的模型。这是法律知识图谱制作的第一步,也被称作知识管理。接下来,还需要法律人和程序员密切合作,将法律知识转化为机器可以认知并学习的知识图谱,为了完成这些基础数据的处理制作,最初,法律研究员需要与程序员结对子,在电脑面前一行一行地敲代码,而现在,已经有了一套完整的生产平台,让法律研究员与程序员都有了更高效的分工,生产效率也得到非常大的提升。

但法律毕竟是一种高维度的复杂系统,不太可能作出精准预言,只能通过分析历史规律中影响因素的关键定义,尝试性地对历史规律进行侧写,把该规律客观地呈现出来,包括分析的过程、同类案件有多少判处可能性、找到多少相似案例……将这一系列信息尽可能完整地呈现在使用者面前,从而提高使用者的决策效率。这绝对不是一个黑盒系统,智能系统中的每一组数据都应当是透明的,同时也能看到真实案例。在这个基础上,数据至少能解决一个困扰法律行业已久的问题,那就是当一个法律问题存在争议,而无论是裁判者、司法机关还是普通人,都想得到法律公正判决,如何为其提供一个客观的比较标准。需要再次强调的是,基于这套理论构建的智能系统所输出的结果一定不是绝对的,如果把数据维度调到2010年之前,得到的结果可能截然相反,智能系统需要保证的是数据和分析结果真实且客观。

再以法律检索场景为例,在传统的检索工具上进行检索时,最早的技术是基于关键词匹配,即检索得到的答案是关键词匹配的结果,如果关键词本身设定得不够准确,答案也难如人意。我们知道,信息和知识是有区别的：“信息”是零散的,而“知识”则有体系与逻辑,利用法律智能系统对于法律概念的认知能力和底层的知识图谱,将传统的“信息检索”改造为“知识检索”,帮助法律人在充满碎片的世界里,融合完整、全面的视角,“在充满答案的世界里,提出更好的问题”可能才是解锁的关键。用一句通俗的话来形容,智能检索技术应该是为每位法律参与者“福尔摩斯”搭配一位能够从碎片化数据中推演出完整场景的“华生”。比如以法院为维度,分析某一个法院在某一类案件中的裁判依据,以法官为维度,判断某一位法官在某一个案件中的裁判倾向和主要观点。在学术研究范畴,把学者们的文章观点碎片化,以某一个特定事实为小前提,在运行时不但给出实证的量刑结果,还推送学者对这个问题的观点。这是一种全新的知识传播形式,意味着学术研究不再需要一页一页地翻阅书山文海,也不再需要研究一整个复杂的体系性问题,在碎片化模式下,学术研究效率可能会得到大大提高,也能帮助年轻的法律人(法官、检察官、律师、企业法务等等)加快学习知识的速度。而法律检索智能的实现,将不仅服务于司法机关、法律专业从业者、学术研究,也能够服务于案件当事人,每一个人都应当有权利知道是什么样的人在审理自己的案件,这并不是应对策略的需要,而是当事人在信息上被公平、公正、对等对待的需要。

在传统的庭审场景里,法律和技术还可以更深度地进行结合。以语音识别技术为例,该项技术长期停留在相对简单的转录层面,许多法院在使用该技术将庭审实况转录成书面文本时,由于机器并不会自主对庭审各方的口头语言进行归纳总结,所以极易出现“庭审两小时,笔录五十页”的情况。如果尝试用语义归纳技术,就有可能对机器转录的文本再进行分析总结,这是语音技术的其中一个使用场景。

对于在法庭质证过程中三方信息传递不均衡的问题,语音识别技术和电子卷宗技术也有了最新融合成果,通过智能示证系统已经可以实现根据质证过程中每个证据所证明的事实,对证据进行重新串联,以时间为维度还原可能的案件事实,这套技术能够适用于所有案由。

更进一步的探索也在逻辑性更强的部门法(如《刑法》)领域里发生,同样以庭审质证为例：在传统场景下,庭审各方在质证时常常无法判断某一个争议焦点到底有哪些对应证据,通过机器辅助,以构成要件为逻辑框架,对证据进行拆分、归类,在庭审中通过语音指令对出示证据一方的电子卷宗进行灵活调取,然后将需要出示的片段进行放大展示,能够有效提升传统庭审过程中三方的质证效率和透明度。智能示证系统还可依据庭审记录中每份证据的证明事项不同,辅助法官根据时间线对现有证据进行整理和补充。图像识别和语义理解技术的综合运用,将传统的纸质卷宗流转成三方共享的智能示证形式,可以有效节约承办人的时间、精力。

传统的应用系统开发多数着眼于业务流程软件,而检察院的业务流程和法院的业务流程截然不同,更不用说律师事务所、司法管理机关等其他机构的个性化需求,虽然都是法律活动参与者,但很难共用一套底层平台。但更新的研发思路认为,只要是在同一个领域(比如刑事案件)里,无论是法院还是检察院适用的都是同一套《刑法》和《刑事诉讼法》,也就是同一套逻辑规则体系,所以,计算机和法律最好的结合点首先应该是在逻辑,当机器能够成功地通过部门法的逻辑训练的时候,这项技术所能支撑的就不再是一个行业,而是一个领域。目前大多数法律智能技术之所以首先在刑事案件领域作出突破,也是因为该领域本身逻辑性非常强,构成要件理论的研究也非常成熟,在民事案件和行政案件领域中还需要更多的探索。

让机器逐渐习得法律认知能力,在数据孤岛间搭建连接的道路,将法律人的智慧转化为机器智能,通过构建更统一的法律智能平台——对象不仅仅是法官、检察官,还应当包括律师、企业法务和法律学者——能够提升整个行业的科技感和技术力量,而不是单打独斗、重复建设,进而形成进化型的法律服务市场,这个市场不仅包括公共法律服务,还应该包括商业法律服务,是从业者一直为之努力的法律智能愿景。

三、有限理性，无限智能

拿破仑在制定法国《民法典》的时候,希望能涵盖当下和此后很长时间内的所有纠纷,历史证明,他失败了。中国政法大学的江平教授就此曾说,“再完善不过的民法典,也会因为‘风车和磨坊’的规定失去了它的无所不包性”。[16]江平：《制订民法典的几点宏观思考》,载《政法论坛》1997年第3期。如何解决法律的滞后性问题?判例法国家有各种各样的配套制度,但是成文法国家呢?在社会契约论时代,人们可以通过法定成文让渡部分权利实现每个人最大的自由,但无论是最近科技技术的爆发,还是之前社会经济的高速增长,都在告诉我们：作为法律人,作为曾经肩负起社会规则制定的一群人,我们的理性是有限的,很难想象下一步科技能够带来什么样的迭代。

在《未来简史》第11章“信数据得永生”的结尾处,尤瓦尔·赫拉利说：“我们无法真正预测未来,因为科技并不会带来确定的结果。同样的科技,也可能创造出非常不一样的社会”,“人工智能和生物科技的兴起肯定将改变世界,但并不代表只有一种结局”。[17]参见[以]尤瓦尔·赫拉利：《未来简史：从智人到神人》,林俊宏译,中信出版社2017年版,第359页。这句话的语境是针对《未来简史》一书中所描述的各种情境和可能性,人类的思想和行动通常会受限于当前的意识形态和社会制度。这对于法律行业的人工智能发展也同样适用。

在近10年的探索中,法律智能经历了从纯粹的技术发展到技术结合行业深入发展的迭代过程,目前取得了阶段性成果,其基础逻辑依然来自于法哲学和法理学,如果我们相信成文法的每一个规定都可投影在真实判决中,而每一个证据也都可以投影在判决事实中,那么这些投影相交的中间点就是那个我们还不知道如何命名的核心要素。这种核心既不是靠玄理,也不是靠任何实践经验或者由谁拍脑袋灵光一现可以获得的,它需要持续不断地进行人机交互、人机训练和人机互联。

法律科技和智能系统的演进并不是某一个人或团队的事,而是整个法律行业人才、技术、资本的大迭代,除了需要建设足够的标签体系,还要有足够的监督学习、深入学习技术,以及足够的数据回流平台、专家经验的最初设定等等,需要所有这些一起构成一个有机整体并进行自主生态循环,才有可能实现。我们希望借助技术的无限智能去突破每个法律人个体的有限理性,不仅是在经验上,也可能是在逻辑上实现法律与智能的真正结合。这正是在中国当前经济环境和社会发展的关键节点上谈论法律人工智能的时候,整个法律共同体所抱持的目标和理念。