法律论证的人工智能模型

杜文静 蔡会明

1950年，英国著名数学家、逻辑学家阿兰·图灵(Alan Turing)提出了图灵测试，开始了人工智能的研究。随着人工智能不断地向前发展，也引起了学者们的困惑与争议。机器是否具有真正意义上的人类智能？针对该问题的回答可以把人工智能的观点区分为两类，即强人工智能和弱人工智能。

强人工智能观点认为，有可能制造出真正能推理和解决问题的智能机器，并且，这样的机器能将被认为具有意向性和识别性。弱人工智能观点认为，机器通过程序显现出人类智能的水平，特别是针对特定领域，执行特定任务的人工智能研究，如语音识别和图像识别系统等。尤其是，在人工智能与法领域，由于法律推理的许多特征都与内容相关，而非形式方面，诸如证据评价、价值判断、利益权衡、社会取向等，而这些特征又过于模糊和主观，所以很难完全用形式化的方法刻画。

囿于人工智能当前技术的发展困境，学者主要关注帮助制定法律规划、仲裁法律纠纷、裁决案件等特定问题的专家系统。一般来讲，人工智能与法领域的学者所讨论的专家系统可以归结为两大类型，一类是规则专家系统，另一类是案例专家系统。不过，随着研究大数据的热潮，第三种类型的专家系统已经产生，即基于数据的专家系统。①参见熊明辉：《一种法律人工智能建模方案》,《中国人工智能学会通讯》2018年第3期。但无论哪种系统，其目的都是构建法律论证的人工智能模型。法律论证建模已成为当前人工智能与法律、法律方法论炙手可热的研究对象。

一、法律中的论证模型

法律论证不仅具有动态性的特征，还具有一个本质特征——可废止性。本质上，法律论证就是一种可废止论证，“诉讼论证的可废止性是指随着诉讼博弈过程的发展，其前提集中元素的增减使得论证者拒绝原来的法律结论”②熊明辉：《诉讼论证——诉讼博弈的逻辑分析》,中国政法大学出版社2010年版,第94页。。比如，在刑事决策语境中，当辩护律师提供新的证据时，控方的结论就有可能被法官拒绝。可废止性与论证相关联这点已深深植根于法律：每一个主张可能经常接受批判性讨论。法律缺口和模糊性是法律体系开放性的内在本质。正如可废止性那样，它们为考虑所有情形的法律适用留有空间，从而提高法律系统的公正性。③参见[荷]巴特·维赫雅：《虚拟论证——论法律人及其他论证者的论证助手设计》，周兀译，中国政法大学出版社2016年版，第7页。人工智能与法的研究者深谙此道，均从不同的角度描述这一特征，旨在为论辩过程构建模型，这也是人工智能与法研究的主流之一。

弗里斯维克认为，可废止推理是一种根据坚实的前提进行的不确定性推理。例如，一般情形下，鸟会飞。翠迪是鸟。所以，翠迪会飞。①参见熊明辉：《诉讼论证——诉讼博弈的逻辑分析》,中国政法大学出版社2010年版，第288页。故此，从这种界定上讲，演绎推理具有单调性，而可废止推理具有非单调性的特征。通过运用可废止知识信息，非单调逻辑可以为法律论证构建人工模型，这是1980年非单调逻辑被引入之后，人工智能与法领域的核心议题。受此思想的启发，弗里斯维克在其可废止论辩框架中，通过论辩协议的方式，定义了正方和反方的论证如何来评估确定的结论。②参见[荷]阿尔诺·洛德：《对话法律——法律证成和论证的对话模型》，魏斌译，中国政法大学出版社2016年版，第170页。

除此之外，董番明主张的抽象论证框架也是尤为重要的理论。值得一提的是，当刻画非单调逻辑之间的相互关系时，邦董科托的抽象方法是一种有用的方法，但是正如帕肯所指出的，在这种抽象方法中，把假定集增加到单调逻辑理论中，通过相互攻击的假定集形成论辩理论，其中假定是被指定为缺省状态的公式。由于该方法中基础概念不是论证概念而是“假定”构成的集合。③参见[荷]亨利·帕肯：《建模法律论证的逻辑工具——法律可废止推理研究》，熊明辉译，中国政法大学出版社2015年版，第257-258页。比起邦董科托的方法，董番明的抽象论证更为有效。因为其论证框架考虑的是论证之间的攻击关系而不关心论证结构，这可以界定若干可废止推理术语的含义。

在论证集和关于论证废止的二元关系基础上，董番明框架定义了论证的扩展概念，并试图表达各种可废止后承。在抽象框架中，董番明对不同种类的语义以及语义之间的关系进行了分析。④同注③，第258页。然而，由于董番明将论证内部结构完全抽象化，导致其理论中没有结构性的语言，故此无法表达论证中的保证。

如何刻画论证结构成为一项亟待解决的工作。在董番明的抽象论证框架基础上，帕肯给出了一种结构化论证框架，即ASPIC+框架。⑤Prakken H. An abstract framework for argumentation with structured arguments. Argument and Computation, 2010,1(2):93-124.该框架可以恰当地分析论证结构以及论证理论的构建问题。并进一步提出，一个基本论证结构应当不仅包括论证自身，还要有严格推论规则和可废止推论规则，通过反驳与底切来界定论证之间的废止关系。以上可废止推理理论和推论规则在计算机科学等领域得到充分的运用，并为人工智能中知识结构化、程序设计构建了基础框架。因此，这些理论和模型提供了一种刻画人们常识推理的行之有效的工具。

人工智能与法学者除了致力于经典的专家系统研究，还对论证辅助系统、论证可视化工具非常感兴趣，维赫雅提出了模拟法律中可废止论证的3个论证助手，即Argue、ArguMed 2.0以及ArguMed 3.0。其可以支持法律案例适用所需的论辩性理论的构建，并为可废止论证基于论证的方法（Argue）和基于命题的方法（ArguMed）引入可废止论证的图形表示。然而，虽然论证助手有灵活开放的特点，但如何将领域知识有效地整合进论证助手中，使其缩小与自动推理机之间的距离，这将是未来一个重要的研究方向。⑥参见[荷]巴特·维赫雅：《虚拟论证——论法律人及其他论证者的论证助手设计》，周兀译，中国政法大学出版社2016年版，第114-117页。

论证可视化工具通过允许用户结构化知识以使其理清某个特定问题。诸如著名的论证分析软件Araucaria，以论证理论和批判性思维为基础，把论证标记为预先定义好的论证图式，将论证图式和其批判性问题一起储存于数据库，以一种开放交互方式保存分析结果。①参见武宏志：《论证型式》,中国社会科学出版社2013年版，第199-200页。上述是从整体进路对法律论证模型进行阐述，下面将分别描述解释推理建模、案例推理建模以及证据推理建模。

二、两大法系推理模型

法律论证中的前提可接受性问题一直是学者们关注的焦点。法律规范前提的可接受性是基于解释推理证成，而案件事实前提的可接受性是基于证据推理证成。特别是在疑难案件中，通常要面对就某个具体法律规则的解释是否被证成，即如何论证该解释合理性的难题。佩策尼克提出了逻辑的、准逻辑的和字面的解释，系统解释，缩减、限制和扩张解释，类比和法律归纳、根据对立的论证、根据更强者的论证、目的论论证等方法。麦考密克和萨默斯在《解释制定法：一种比较研究》中，根据法律解释时使用的不同方法，概括出11种英、美、德等9国高等法院在裁判过程中运用的法律解释论证图式。②参见武宏志：《论证型式》,中国社会科学出版社2013年版，第455页。在麦考密克等人的基础上，人工智能与法的学者概括出解释论证的一般性框架，该框架可以为法律决策者提供形式化工具以辅助其就解释标准进行选择。

然而，帕肯指出，沙托尔关于解释辩论的形式化方法存在问题，该方法没有保证法律条款的两个替代解释的应用。为此，帕肯在沙托尔和哈赫方法的基础上，使用可应用子句，并增加了一个一般规则，“即如果规则解释不是其正确解释，那么它就不可应用”③参见[荷]亨利·帕肯：《建模法律论证的逻辑工具——法律可废止推理研究》，熊明辉译，中国政法大学出版社2015年版，第251-252页。，以保证替代解释的可应用性。这些解释性论证方法和模型在法律规范应用和案件事实对应等方面发挥了重要的作用，它是法律裁判证成的理性工具。解释推理建模不仅弥补了基于规则模型的缺陷，也为裁判者结论的可接受性提供了框架支持。

如同法律语言的模糊性，基于规则模型也无法很好地处理法律的不一致性、信息不完全性等问题，这引起人工智能与法学者们的批评和不满。因此，学者们诉诸案例模型的研究，这也是人工智能和法领域的主要成就。通常情况下，类比推理被认为是案例模型的运行机制。形式演绎推理与类比推理是不同的活动过程：前者证成裁判结论要求在给定的前提中实质蕴涵出结论，是案件事实涵摄于法律规范之下的关系，而后者证成不需要待决案件与先例的所有特点全部对应，只需这些个案特征达至相似要求，即充分相似即可。这些个案的相似处或者差异处跟个案间的内容密切关联。故此，帕肯提出，“类比推理并不是除演绎推理之外的另一种推理模式，而是除裁决证成以外的一种本质上不同活动的事例，因此它被称为‘非推论性’推理而不是‘非演绎’推理模式”，并进一步强调，“如果在具体个案中规则耗尽了但还没有提供任何决定性理由来接受建议前提，那么类比推理是一种建立额外前提的方式。类比推理不是一种推论模式而是一种试图发现新信息的启发原则”④同注②，第30-33页。。

众所周知的“海波系统”(HYPO)就是依据这种类比推理的理念设计的。海波系统的设计旨在辅助律师评估商业秘密法。针对双方当事人，海波系统通过援引其数据库中最相关的法律案例以产生最佳论证，并且提出假设以表明如何加强或减弱一方的论证。海波系统是里士兰和阿什利基于案例推理构建的系统，当客户输入法律争论后，该系统开始在数据库中比较相关案件，并选择出最类似的案例，使客户可以在法律论证中援引它们。①Rissland, E.L.&Ashley,K.D. A Case-based System for Trade Secrets Law. Proceedings of the First International Conference on Artificial Intelligence and Law, New York:ACM Press, 1987:60-66.因此，该系统的任务不是证成个案中的裁判结果，而是通过比较数据库中的先例与事实之间的相似要素以评价这些先例的相似性，并找出最类似案例。海波系统中将类比推理作为一种探寻新前提的启发思路，生动形象地刻画了案例模型的内在法律论证机制。

在此基础上，阿列文和阿什利的“卡托（CATO）系统”是对海波系统进一步的扩展和改进。卡托旨在支持基于案例论证技巧的学习，也就是教会学生如何区分案例之间的差异性使其更有利于己方。为此，卡托将海波系统中的维度简化为维度上的特定点，即要么总是支持原告要么总是支持被告的要素。在卡托系统中，这些要素通过分层结构进行划分，倘若一个不同要素与相同的抽象要素有关联，那么可以替代其他的要素。②Aleven,V.&Ashley,K.D. Evaluating a Learning Environment for Case-based Argumentation Skills. Proceedings of the Sixth International Conference on Artificial Intelligence and Law, New York:ACM Press, 1997：170-179.这些与海波系统的不同之处推动了基于案例推理逻辑模型的发展。这两个典型的案例推理系统可以帮助法官、律师从存储案例的知识库中发现类似案例，其为用户在“几乎穷尽案例知识库中的所有类似案件”推送“类案”。这对于“加强和规范司法解释和案例指导，统一法律适用标准”具有重要的实践价值，也为我国在规范裁判尺度、辅助法律决策等方面提供了技术支持。

三、证据推理模型

维赫雅认为，法律适用应当视为一种论辩性理论构建。在这个过程中，案件事实、可适用法律和判决结论是逐渐发展并完善的。该过程的初始状态可能并不完善，例如，没有被充分证明的假设、法律来源的初步解释、不适当的适用规则以及相抵触的结论。整个过程中，该理论被逐步改进使其不完善性得以消除。③[荷]巴特·维赫雅：《虚拟论证——论法律人及其他论证者的论证助手设计》，周兀译，中国政法大学出版社2016年版，第7页。由此，可以推出法律适用并非法律规范、案件事实独立运行，而是需要它们之间相互协调、彼此合作，才能得到具有正当性、可接受性的裁判结论。法律解释作为法律适用的一个关键环节，其可能要考虑针对一项具体的法律规范解释是否适用于待解决的案件等问题。而证据推理则是根据已获得的证据材料和信息建构事实，使其涵摄于法律规范的要件之中，然后进行法律适用。所以，无论是法律规范的解释，还是法律事实的确认，都包含着多重的思维过程。也就是说，法律适用表现为一种交叉性的推理链条，它是一种动态发展以排除不完善的信息，从而达到公正性的裁判结果。因此，当前法律论证理论将法律解释和证据推理统一纳入研究对象的范畴。

证据推理是收集、分析、组织以及评估证据和假设性故事的重要组成部分，这个过程涉及到用可得到的证据和我们周围世界中的一般知识进行推理。在司法证明过程中，证据并不等同于案件事实，必须通过证据证明案件事实。尤其是，对于错综复杂的案件，由证据到案件事实绝对不是不证自明的，只有证据推理才能彰显理性的证明过程。当前关于证据推理的研究有3种进路，分别是基于论证进路、基于故事进路以及概率推理。基于论证的进路主要源自威格摩尔的证据图表，他的图表方法与哲学中的那些论证图表很类似。①Freeman, J.B. Dialectics and the Macrostructure of Arguments: A theory of Argument Structure. Berlin: ForisPublications, 1991.威格摩尔关于法律证据的综合性著述被学界认为是第一个正式的法律证据推理理论。后来经过新证据法学家安德森、舒姆和特文宁等对威格摩尔理论的修改，发展成修正版威格摩尔分析。这一分析的核心是从证据到待证事实的推理以及运用详细的图表来构建和分析这种从证据到待证项的推理。②Bex, F.J. Argument ,Stories and Criminal Evidence，Springer, 2011:2-3.

基于故事的进路主要源自法律心理学。班尼特和费尔德曼以及彭宁顿和黑斯蒂提出，刑事案件中的证明过程，是运用收集到的证据材料构建发生了什么的假设性故事，并根据若干标准比较这些故事以选择出最佳故事。在他们的基础上，克劳姆巴格、范·柯本和瓦格纳尔进一步提出了锚定叙事理论，如何运用故事组织并分析观察到的证据。③Ibid.2011:7.故事是有限的事件集合通过因果性关系组成的序列，所以它具有整体结构的特性。这种优势可以迅速地构建出假设情节，并且运用这些情节中的因果信息使得故事更加似真和融贯，以一种更自然、更易理解的方式为大家接受和认可。因此，帕尔多和艾伦主张，运用最佳解释推论的解释性故事，无论在刑事还是民事法庭审判中都是证据推理模型的适当工具。④Pardo,M.S. & Allen, R.J.Juridical proof and the best explanation. Law and Philosophy，Springer, 2007.

论证模型和故事模型都属于定性的方法，概率推理则是一种定量的分析方法，因为它是一种通过贝叶斯定理科学地分析证据与待证命题之间量化关系的模型。人工智能与法的学者在进行概率推理时，经常会用到贝叶斯信念网络这个有用的工具。贝叶斯信念网络已经被普遍运用，例如，运用目的导向性的信念网络对复杂案件进行建模⑤Hepler, A.B., Dawid, A.P., Leucari,V. Object-oriented graphical representations of complex patternsof evidence. Law Prob Risk 6:275-293,2007.，或者作为概率专家系统分析并评价一系列具体的法庭证据的信息价值。⑥Keppens, J.&Shen, Q.& Price, C. Compositional Bayesian modelling for computation of evidencecollection strategies. ApplIntell 35(1):134-161,2011.通过概率模型来分析法律证据推理，可以为我国司法制度做出精确的量化标准，这已在当代司法证明中广泛适用。

以上方法虽然各有优势，但也存在劣势。比如，由于贝叶斯算法和概率理论的复杂性和符号化，对于非计算机专业人员不易理解和掌握。所以，凯朋斯提出⑦Keppens,J. On extracting arguments from Bayesian network representations of evidentialreasoning. In: Proceedings of the Thirteenth International Conference on Artificial Intelligence and Law. New York :ACM Press, 141-150,2011.，如果能够将贝叶斯信念网络与半形式化论证整合在一起，从而提供切实可行的工具，那么就可以借助贝叶斯网络强大的分析证据能力，使得刑事案件中调查人员和审判人员在司法实践中使用它们。因此，这3种关于证据推理的建模，如何使其相得益彰、互为补充地发挥各自最大优势，将是证据推理领域的开放性问题。