专题文章 | 生成式人工智能与法律行业的共存构想

上海市建纬（深圳）律师事务所 林诗钰

随着ChatGPT等大型语言模型的崭露头角，生成式人工智能在法律领域的应用逐渐成为业界焦点。本文从科技现实主义的视角出发，试图从现有法律 AI 的局限性出发，探讨生成式人工智能如何与法律行业实现共存。文章着重强调了人机协同共生方式的探索，宏观数据分析和趋势预测功能的反坍缩训练，以及实时查询缺失下用户反馈迭代机制的重要性。通过案例分析，提出了生成式人工智能与法律行业协同工作的创新思路，同时也对法学教育阶段进行了新的思考，引发了对法律工作训练方式的深刻思考。

伴随ChatGPT问世，生成式人工智能（Generative AI）所实现的由算法模型进行“创造”而非“复制”这一生态变革波及全球各行业，具有知识密集型特征且以语言、信息处理为工作核心的法律行业迅速成为其下游应用场景。经大量用户试用后，以ChatGPT为代表的大型语言模型（Large Language Model，以下简称LLM）具有智能互动功能和语境化优势，能够有效辅助法律行业的语言文本工作已基本达成共识。在此背景下，人工智能与法律行业的关系及其对律师职业群体的正负面影响成为议题。现有讨论主要涉及法律AI可应用场景、其技术优势或固有局限，在认可法律AI对行业及律师工作模式的颠覆性影响的同时，对于“AI将取代律师”的论调保持克制。以此为基础，本文试图从法律AI现有局限出发，从科技现实主义的视角讨论生成式人工智能如何与法律行业共存。 

法律行业被选定成为人工智能生成内容技术（Artificial Intelligence Generated Content）应用下游行业的基本逻辑在于：生成式人工智能本质是大型对话语言模型，其核心能力在于文本处理；而法律工作以文本处理为主导，因此与大语言模型具有较高契合度。但是法律作为“元语言”，其本身具有区别于日常语言的组织方式，且包含对法律事实、法律关系的调整规则，因此法律AI对法律文本的处理和生成要求更高的关键词理解、上下文意理解及推理论证逻辑。这一方面要求算力技术支持，一方面要求大量、优质的法律文本供其学习模仿。在此情况下，由于算力和预训练的高成本以及协议模板、案件信息公开的壁垒，加上法律服务内容难以完全通过语言指令进行精准表述，面对稍显复杂或特殊的法律任务，现有法律AI生成成果并未达到理想水平。但是相反，对于法律AI能否回答一个开放式的法律问题，多数使用者都给予肯定。基于此，可以探讨人机协同共生的模式。 

1.宏观数据分析和趋势预测功能之下的反坍缩训练 

根据LexisNexis2023年发布的《法律行业生成式人工智能研究报告》调查结果，在受访的4180人中，大部分的律师和法学生都倾向于使用法律AI完成法律检索、文件起草、新生概念理解等工作。这种使用方式是由人主导AI，AI依赖于使用者发出的精确指令完成任务的模式，更类似于搜索引擎的使用，并未最大化发挥AI对于海量数据信息的快速筛选、归类和分析的智慧功能。 

同时，检索和指令的方向都来源于律师对于相关信息的判断，可能会产生“认知坍缩”。所谓“认知坍缩”是指在解读信息的过程中，由于认知工具限制，一些因素被忽略或精简，从而导致对某个现象、事件的理解或结果推演变得简单、扭曲，坍缩成具有局限性的唯一解。在律师行业，“认知坍缩”可能体现为（1）合规及尽职调查工作中对于某一事件或行为涉法律风险要点认识不清或遗漏；（2）争议解决中对案件已知事实调查和分析不透彻；（3）受限于经验与既有信息获取，对争议案件结果推演单一。举个例子，如一债权人咨询其曾经口头承诺无需债务人偿还利息，债务人已录音，现债权人又希望债务人偿还利益并起诉了债务人，此时该录音有价值吗？在实务处理中，律师A的法律研究重点为该录音是否能体现双方合意实质变更原合同，律师B的研究重点为口头的放弃是否可以撤回，而律师C的研究重点为该录音是否具有证据效力，此时，三者的认知基于其执业经验，各自坍缩成唯一结果，在法官裁判关键未知的情况下，这种坍缩可能导致案件处理方向的偏差，最终影响案件结果。此时，在法律AI中输入案情并要求其全面找出潜在风险点，进行开放式的结果预测和数据模拟推演，防止争议解决思路过早地简化，是避免“反坍缩”的有效途径。

这种模式下，先由法律AI完成人力实现较为困难的可能性推演，再由律师进行法律判断并进行深入研究，律师与AI形成合作关系，各取所长实现共存。 

2.实时查询缺失下用户反馈迭代机制 

目前，AI的快速学习能力仍然来源于程序，不具备实时查询能力，即算法模型需要通过更新迭代扩大其学习模仿范围，在此之前，其不能根据最新出台的法律法规、最新发生的案件等实时数据作出回答，这与律师需要实时关注法律政策更新情况以作出法律判断的工作方法是不匹配的。更遭受诟病的情形是当询问超出AI知晓范围的信息或解决方案时，AI极有可能编造答案或篡改现有信息，这种AI幻觉的产生，将导致法律AI生成结果的权威性大打折扣。这一局限反向提示了律师与AI共存的方式——即律师需要摆脱对AI的绝对信任和依赖性，继续保持主动学习的职业习惯，避免AI对律师工作的严谨性和效率产生负影响；同时，用户通过提问或者描述最新规范或政策的内容充实AI学习数据，并以用户反馈的方式帮助法律AI更新迭代，用户成为训练者和训练成果的享受者。 

对于法律AI的一大批判来源于生成式人工智能属于语言模型的本质。正如OpenAI的技术总监米拉·穆拉蒂（Mira Murati）认为ChatGPT是一个被训练的大型神经网络，语言模型就像人类的大脑，只处理与语言相关的内容，它没有四肢，无法触及语言之外的人类活动。而法律从制定到实施各环节中大量的社会性实践活动，语言只是最后的抽象结果，这就导致法律AI对于法律工作执行是不完全的，它只能跟随语言处理的部分，类似取证、见证、调解协商等超出文本输出范畴的工作其必然无法取代律师。在此情况下，继续开发语言功能适用的场景才能最大化法律AI的效用。 

目前，在智能法律咨询、自动化文书处理、大数据检索分析等专业领域均已有法律AI成果投入市场，本文主张依托法律智能咨询功能激活生成式人工智能的中介功能。 

传统律师行业在业务拓展阶段需要消耗的成本并不低廉——寻找目标客户、与客户面谈了解案件细节、进行初步研究判断是否接受委托等过程需要社交网络扩展的支持并投入人力成本。法律AI的中介功能开发指将业务获取的前期流程转化为客户与AI的文字沟通。举例而言，某一客户通过法律AI咨询基本法律问题，自行通过智能回答判断其案件是否需要律师介入且是否授权AI处理其所提供的脱敏案件信息；明确其需要法律服务，法律AI平台将客户信息与律所信息进行智能匹配后双向推送；在律师与客户会见之前，AI可通过数据分析向律师提供案情梳理、关键词提取、相关规范和案例查询的初步报告。经过这一流程，目标客户与律师的会见沟通建立在双方对案件与委托事宜均有一定预期和考量之上，于律师端而言，其业务拓展的成本和效率都能够得到有效提升，形成律师与法律AI的协作关系。