城市建设新作《Worshippers of Cthulhu》预告公布

我国的快速崛起带来国际地位的变化，在国际法律秩序重构，我国提出人类命运共同体的理念和推进一带一路倡议的多重背景下，我国的法律体系建设需要一种新的观念。

若将考察对象不限于台湾大学和政治大学这两所我国台湾地区顶尖大学的法学院，而是扩展至当地其他大学法律系所来了解其师资队伍的教育背景概貌，那么同样可以发现，有着德国法学教育背景者所占的高比例也颇为明显。第二代民法学者以王泽鉴教授为杰出代表，相比于第一代民法学者，第二代民法学者最大的特点是对翻译过来的法律文本进一步做出诠释，并开始对案例进行讨论，以及与法律实务家们展开对话。

1994年的一份研究则显示，当时台湾地区8所大学的法律科系，皆在其大学部开设了法理学课程），到了2002年时，不仅法理学课程的开课率整体下滑（彼时只有19个法律科系在大学部开设了法理学课程，开课率为76%），而且通常还都是作为法律系本科生大四才能修习的科目来安排。有学者将当地法学院中的科目直接区分为核心法学与基础法学两大类，并指出，法社会学、法人类学、法心理学、法历史学等具体科目虽然被称作基础法学，但实际上常常被束诸高阁。[39] 同前注（13），张嘉尹文。这些连锁改变，既包括显性的（例如师资队伍教育背景的结构性变化），也包括隐性的（例如以教义学为尊的观念成为整个法学社群根深蒂固的学术意识形态）。[40] 在培养目标方面，德国的法学教育历来以培养法官为目标，法学教育过于注重司法。

其中，第一代民法学者主要是在日本民法学的熏陶下成长起来，他们当时所做的民法学研究，就其特点而言，被苏永钦教授形容为说明书法学手册法学，亦即这一代民法学者的工作重心主要在于介绍外国的民法制度和民法学说。[18] 王泽鉴:《德国民法的继受与台湾民法的发展》，载《比较法研究》2006年第6期。这种过程性知识并不见诸任何成文法规范，在实践中却常常为法官所用（当然，大多数法官并没有明确意识到其运用的是模糊推理和模糊逻辑）。

关于这一点，阿什利本人也明确承认：尽管有关论证的计算模型是人工智能法律研究的巅峰，但能够提供法律从业者可以信任的法律解释和法律论证的智能系统还不存在。不难设想，如果我们完全不知道这些机器是如何作出决定的，无论其外在表现看起来多么智能，我们都无从确定能否信任机器，也无法接受其决定。因而，相比较而言已显滞后的法律逻辑研究需要迎头赶上，在相关领域进行拓展。因为，对于大多数人来说并不清楚这些复杂的机器究竟是如何作出决定的。

（四）法律智能系统中的模糊推理和模糊逻辑 生活不是简单的非黑即白、非杨即墨，而是有许多模糊地带。五、结语：法律智能系统的未来 目前，新一代人工智能系统已广泛采用混合智能技术路径。

由于大数据规模之大，使得大数据分析不同于传统的统计推理，而近似于以上帝视角对事件整体作全景观察。无疑，应当让人类和计算机去做那些他/它们各自所擅长的事情，而不是相反。案例检索需要以相似性比较为基础，反映案例之间相似性关系的相似度定义因而十分重要。产生式规则是一种通用的表示世界的方式，也是人类进行问题求解的基本范式。

二人其后不久开发的针对非特定主题的通用问题求解器（GPS），被称为第一个像人一样思考的程序，由此开辟了以前只能由人类智能完成的任务可交由机器自动化操作的道路。1975年，曾经参与发起达特茅斯会议的明斯基（Marvin Minsky）创立了框架理论（Frame Theory）。因此，法律推理可以归结为著名数学家波利亚（GeorgePolya）所说的合情推理（plausible reasoning），它与适用于数学和自然科学领域受形式逻辑支配的严密的论证推理相对应，并相互补充。具体而言，只有允许事后听证与说理并提供救济与纠错程序的法律决定才适用智能系统。

反之，则会导致求解的麻烦和低效。类比推理是常用的一种经验性推理，它的基础即前述相似性原理。

以深度学习为代表的新一代机器学习技术的进步，其突出成就是大大提高了计算机分析处理数据的能力，人类社会从此迈入大数据时代。此类简单案件或者纯粹程序性事务交由智能系统进行处理，可节省大量低层次、重复性劳动，为法官腾出时间和精力专注解决复杂、疑难案件创造条件，在一定程度上消解当下案多人少的矛盾与困境。

此外，人工智能系统缺乏常识、无法理解人类语言的真正涵义，这两个问题也构成法律论证计算机化的关键障碍。综上，法律智能系统的推理可概括为前述四种基本的推理方法，每种方法涉及到的具体推理形式相当复杂，特别是在处理不确定性问题时，推理的有效性需要运用概率理论和模糊逻辑进行判断。（二）法律智能系统的解释与方法 根据智能系统自身的解释能力以及解释过程是否需要人工介入，可以将解释分为两类：机器的智能解释和用户的协同解释。可以说，除了部署应用之外，其他环节都是围绕建模而展开。这也是为什么人工智能研究在曾经两度陷入寒冬的曲折发展过程中，人们对研发法律专家系统仍然充满热情、锲而不舍的一个重要原因。2.用户的协同解释 从理论上说，智能系统的解释是对人类交流方式的模拟，其目标是达到一种无障碍交流的自然解释，并最终实现超越人类解释的智能解释。

进入专题： 法律智能系统 逻辑推理 论证说理 。当然，这并不违反前文所述法律推理是非必然性推理的属性。

从技术能力角度说，一旦涉及到价值选择和价值判断，法律智能系统的短板就暴露无遗。这意味着，法律推理属于非必然性推理，法律论证也只是一种强论证。

这意味着，智能系统所运用的推理方法可以帮助法律人跳出传统的研究视野和思维定式，运用跨学科视角重新审视法律逻辑，这必将有助于进一步提升智能系统的研发水平。在这个将知识有效组织、关联起来从而产生机器智能的过程中，离不开法律逻辑学家的参与。

二、研究机器逻辑的前提问题：法律逻辑之检视 比较应有明确的参照。在人机协同的合作关系中，机器和用户都起着信息提供者和支持者的作用。世界中的模糊性普遍存在。同样，在论证结果的真实性上，法律逻辑要求的并不是可靠性而是其可信度。

专家系统的核心机制可概括为知识表示与推理。案例表示也是对知识的描述，是用一些约定的符号把知识编码成计算机可识别的数据结构。

除了贝叶斯网络，人们在概率论的基础上又发展出其他方法和理论，如可信度方法、证据理论（D-S理论）、主观贝叶斯方法等等。不过，这与前述法律逻辑的特征（很多情况下属于非必然性推理）是并行不悖的。

利用用户模型可提供具有实际意义的解释。这是因为，CBR特别适用于没有很强的理论模型、规则性知识不完备但人类经验知识丰富的领域。

所有模型都是错的，盖因模型是对世界的简化，而简化难免造成某些重要信息的丢失、遗漏，特别是把非线性问题简化为线性问题时，常常导致事实的扭曲和变形。由于大数据分析是基于归纳偏好对未来进行预测，因而可以视之为归纳推理。法律智能系统的研发需要三结合，即需要法律实务专家、法律逻辑学家和技术专家的密切合作。但从AI技术的角度看，大数据分析仍然是对人类智能的模拟，因此仍可以按照人类的推理形式并以之为参照来分析大数据的逻辑。

当然，该领域还有许多尚待研究的问题，比如在模糊推理中建立隶属函数仍然属于比较困难的工作。当然，即便如此，在实践中推广法律专家系统的意义仍然十分重大。

CBR的研究历史与基于规则的推理、神经网络等相比要短一些，但是其发展却相当迅猛。在基于规则的专家系统中，也存在类似的问题。

至今，CBR已成为人工智能较为成熟的一个分支，尤其是在法律和医学领域，CBR专家系统的优势十分明显。CBR系统的研究起步于20世纪70年代后期。