自2016年中办、国办印发《国家信息化发展战略纲要》，将建设“智慧法院”明确列为了国家信息化发展战略始，我国司法信息化改革就正式迈入大幅发展阶段。智慧司法的核心建设基础是利用大数据、人工智能为代表的新型信息技术，来实现传统法治技术与理念难以完成的司法目标。新型智能技术应用于司法，提高了侦查效率，简化了诉讼程序，节约了诉讼成本，给法律界带来了许多新气象；与此同时，必须处理好此类技术的运行实质与法律思维间的关系。
第一，数据建模与法律演进。新型智能技术应用的核心，在于通过对具体事物的发展进行评估和预测，从而指导下一步决策的制定。智能技术具备预测功能的理论基础在于，人类的大部分行为都受制于规律、模型以及原理法则，而智能技术依靠庞大的信息数据，从已知的知识（特征）出发，利用概率统计等数学计算方法来寻找事物运行发展的规律。然而，当建立在历史数据上的结论生成并指导决策制定后，新决策又会作为历史数据成为下一次决策制定的数据基础……周而复始，指导决策制定的信息类型逐渐雷同，信息渠道也会趋于单一。这与法制进程正好相悖。法律是不会永恒地躺在立法预设的框架内的，随着社会的不断发展，人的生活方式与理念持续变化，旧的法律规范得以废除或修正，而新的更符合人们行为惯例的法律规范被制定。由于法律的演进过程掺入了大量涵盖政治、经济、文化等的新鲜因子，其不断吸纳新变量的向前模式恰好与数据建模不断排错的“循旧”方向相左。
第二，数据关联与法律解释。舍恩伯格与库克耶在著作《大数据：生活、工作与思维的大变革》中明确指出，大数据的运算只注重结论，无须明确因果关系，因而数据之间的关系只是关联而已。对此，澳大利亚学者Janet Chan打过一个比方：对一个等式而言，Y是Z的因子，通过调整Y就可以改变Z，也即当Y被新的因子Y'所替代时，Z值也就成了Y'导致的结果；而大数据的应用却无须证明因果关系，这就意味着，只要Z值不变，即使Y因子集中的数据发生了改变，也无从得知发生的是怎样的改变。所以，想要利用智能技术去研究某个社会现象，进而推动法治的进程，难度较大，因为数据对结果的呈现是“单一化”的。与此不同的是，法律最突出的特征之一就是解释的多样性。对法律的解释虽然遵循一定的标准和原则，却没有恒定的结论，也就有了扩大解释、限缩解释，乃至判例法中法官造法情况的出现。例如，社会发展需要将游戏装备解释为“财物”时，智能技术依靠旧有经验是无法阐明二者间的因果关系的，那么将该技术应用于司法裁决就会出现谬误。
第三，数据预测与规范适用。美国学者Bernad Harcourt指出，用基于历史数据的关联性得出的决策进行预测，会形成反馈环路，从而削弱或摧毁干扰因素的影响，而这种干扰因素往往是推动决策改进的关键。这也意味着，如果没有外来的新鲜因子被不断输入数据库的话，只依靠智能技术自运算，最终的预测结果将容易陷入停滞。由于这种运算模式强调的是一般规律的遵守，排除意外的变量因子，最终或可能导致对多样性的排斥。然而，多样性是应对不可预知的环境条件改变的关键，过度的行为一致性将增加系统运行的风险。因此，当数据运算应用于司法裁决时，就需要警惕过于一致性可能导致的司法僵化甚至社会发展停滞的风险。须知，司法裁决与规范适用绝不是为了排斥少数异见，而是一个从多数社会群体的共同利益出发，兼顾少数、弱势群体的声音，并不断改进的过程。而智能技术建立在对经验不断吸取上的运行实质，容易排除法律适用中的“杂音”，二者间存在一定的张力。
第四，数据决策与司法裁决。由于大型数据集无法展示所有数据及演算过程，因此运算结果通常采用图表方式来呈现，然而将数据结果转换成图表的过程，却暗藏着关键数据丢失的风险。且数据的换算是极其复杂、多层次的，其中某个环节的换算出错，经过多环节的换算，这个错误就可能被放大无数倍。此外，运算结果的呈现还需要经历更为复杂的语义转换，也即对数据进行压缩。学者Gregory Chaitin认为，数据不经过压缩成为理论或更为精简的叙述，就不具有任何意义。这也意味着，在智能司法应用中，案件需要描绘的情形越多，数据越冗长，压缩程度也就越厉害。然而，由于智能技术无法证明数据间的因果关系，也会造成即使意识到了可能存在的失真风险，也无法找到出错的原因、无从修正的现实。与此同时，我国坚持审判公开原则，通过裁判公开、法官释法说理来最大限度满足社会公众的知情权，使司法制度在阳光下稳定运行。由此，智能技术应用于司法裁决时可能会陷入一个悖论：人们需要知道裁判细节与过程来监督司法公正，同时搜集的数据信息越多，智能审判工具越需要对运算过程简化以使大众明白判决结果得出的原因。
要想妥善处理智能技术运行与法律之间在模型建构、法律释义、规范适用和司法裁决四个方面存在的不协调问题，可以创设一个风险控制系统，从整体对二者在运行上的兼容性进行把握，以期实现智能技术辅助司法决策的最优化。
首先，在建构研究模型时增设“软信息”填补平台，以抵御智能运算“循旧”模式的僵化。智能技术的预测功能是以经验为经验的对信息的高度概括，在演算中容易陷入僵化的“循旧”倾向。在具体适用中，需要注意：一是严格区分群体与个体、一般与个别的决策适用，警惕存在的将群体的一般性归纳数据适用于个体的决策类应用模型；二是在数据建模时增设“软信息”填补平台（注：一般将适用于个别或少数情形的信息称为“软信息”），定期检测新数据因子的出现频率和影响力，并在新因子的频率和影响力达到一定阈值后，将其作为决策制定的输入数据，以此对数据模型进行调整，可在一定程度上防止“循旧型”模式僵化。
其次，在样本采集和统计分析时强化“多预案”设计，以应对因果关系的错位和结论闭环的产生。面对智能技术运行的“无因果论”，以及趋同排异、从旧斥新的特点，需要改变传统单线程的研究思路，将样本采集和统计分析进行阶段性整合，强化“多预案”设计：一方面，科学调整数据采样范围，多层次、多角度思考数据与结果间的因果组合，以找出明确的关键影响因子为目标；另一方面，在统计分析中警惕“过度一致性”趋势，在决策制定中保障多样性的存在、维护目标系统运转的适度灵活和可持续发展，尊重多数群体选择的基础上考虑少数群体的权益，定期对统计结果在变化的社会环境背景下的适用反馈，调节研究系统和采样范围，以实现最大程度的利益普惠。
最后，在结果释义中进行“明细化”展示，以规范裁决量化中出现的“暗箱”情形。由于智能技术无法直接呈现运算过程，在具体实务中容易陷入“一步到位”的裁决模式，即依靠归纳既往裁决的关键变量构建裁决模型，输入相应采样数据直接得出结论。为避免此类裁决模式的公开性、法理性和普法性的缺失，可以对裁决流程按照审前、审中、审后进行模块划分，再依照审判细节可对模块作进一步细化，包括公诉方、被告方、附带民事诉讼原告方、法庭意见，以及起诉依据、抗辩理由、举证质证认证和裁判结果等，通过将整体审判流程按纵向或横向划分为若干模块，对单一模块再提取关键变量建立子模块，可对各模块依照参与方或审判环节等建立多个对照组，则能在一定程度上向公众展示审判推论的细节，保障裁决量化的合理合法，体现司法权威。
（作者单位：苏州大学王健法学院）
