法律与人工智能调研与展望
摘要
本文通过一次对法律与人工智能的相关调研，进行公众对人工智能法律工作的观点，并对其未来进行展望。同时，通过基于端到端的神经网络对话系统和自然语言处理，对人工智能法律问题对话进行展望。
介绍
近年来，由于法院案多人少的矛盾突出，司法供给与司法需求的结构性矛盾长期存在。传统的加班加点，难以解决这个矛盾。为破解难题，法院开始探索利用“大数据”“人工智能”来让更多人可以获得司法资源，促使法院充分发挥社会治理功能。
相关工作
1981年，兰德公司民事审判中心开发出LDS法律判决辅助系统。这是专家系统第一次在法律中实际应用。
1993年，武汉大学开发了实用刑法专家系统，具有检索刑法知识和对刑事个案推理判断的能力。
2017年，武侠律师“法律机器人”借助互联网、人工智能，构建线上线下一站化法律平台，使老百姓通过互联网随时随地享受法律服务。
方法
发放了问卷，问题包括受访人年龄、觉得人工智能是否存在于您的身边、怎样认为人工智能、觉得在目前的法律体系中，人类法官是否存在误判，甚至故意错判等行为、法律审判中，坚守法律制度规定更重要，还是符合人情更重要、怎样认为人工智能判决案例、人工智能在法律判决的公平性上是否可能超越人类法官等。
基于seq2seq+attention模型，自然语言处理，构建了一个基于日常闲聊语料的聊天机器人，为人工智能法官在自然语言处理上的实现提供模型基础。
过程
调研分析
对于人工智能，大部分受访者还是对其提升生活水平的能力充满信心
绝大部分受访者认为人类法官存在误判甚至贪污腐败现象
大部分受访者认为人工智能在法律判决的公平性上可能超过人类法官
部分受访者认为人工智能法官有利于当事人（如未成年人）的隐私保护，超过一半的受访者认为还是有很大风险。
对话系统
开发环境
Python 3.7
TensorFlow 1.14.0
模型框架
decoder（解码器）
从上下文的文本信息获取特征，然后预测文本。输入为单词的词向量，输出为softmax层产生单词的概率
encoder（编码器）
对输入文本信息进行提取，尽量准确高效地表征文本的特征信息。词向量层与LSTM与解码器一样，由于编码阶段未输出，不需要softmax层。
注意力机制
句子较长时，中间向量难以储存足够的信息。注意力机制允许解码器查阅输入句子的单词或片段，所以不需要在中间向量中储存所有信息
参数设置
| 训练数据集大小 | **15w**对 | Batch大小 | 200 |
|---|---|---|---|
| 词汇表大小 | 13000 | 句子最大单词数 | 30 |
| LSTM隐藏层规模 | 1024 | 节点不被dropout | 0.8 |
| LSTM层数 | 2 | 切分方式 | 按字 |
| Softmax层与词向量层共享参数 | True | 解码最大步数 | 100 |
结果
在中山大学逻辑与认知研究所副所长熊明辉教授看来,法律界广泛使用人工智能的原因有两个:一是案多人少的形势日益严峻,促使政法机关不得不采取更加高效率的手段去应对;二是公正司法的需要,通过人工智能建立一种标准化的裁判基准或裁判模型,将其运用到案件处理当中,会使裁判结果更加公正。
总之，在未来,人工智能会对司法领域工作的专业度、工作效率、质量等带来巨大影响。有理由相信这股浪潮会继续推动政法机关及律师行业的变革,最终还会影响到每位法官及律师的专业提升。
未来,人工智能会对司法领域工作的专业度、工作效率、质量等带来巨大影响。有理由相信这股浪潮会继续推动政法机关及律师行业的变革,最终还会影响到每位法官及律师的专业提升。
人工智能与法律的结合可在自然语言处理与神经网络学习的基础上以法律咨询、法律判决等多形式进行展开