[84]换言之，伴随着公共政策司法所带来的、案件处理之中所纠葛着的利益衡量，意味着法官在裁判时，要综合考量案件所涉各种利益关系，对相互冲突的权利或利益进行权衡与取舍，正确处理好公共利益与个人利益、人身利益与财产利益、生存利益与商业利益的关系，保护合法利益，抑制非法利益，努力实现利益最大化、损害最小化。
西方现代化的动能似乎耗散过多，出现了赤字，其经济体制、政治模式和法律范式，都出现一些困境。今年是中国改革开放40年，各个行业和学科开始举行一些纪念和庆祝活动。
蒸汽机的发明，引发了近代工业革命和社会现代化。参与这些活动虽不免有凑热闹之嫌，但我还是想蓦然回首，从比较法学一位老兵的角度，回顾这个学科的经历，展望未来的走向。因此，在对传统文化进行海底捞的重构的同时，我们应对其他文明的优秀成果、有益经验和卓越智慧施展吸星大法。第三，人工智能技术的发展，人-机结合的深度学习及其应用潜能，结构功能主义法律自动售货机的隐喻已经相形见绌，而功能结构主义法律变形金刚的隐喻也显得不合时宜。这个匿名自愿链接的加密网络，与传统的网络不同，它不再受代码师和运营商的操纵，甚至不受政府的控制。
第二阶段（1993—2008）是学以致用的比较法学。区块链的进化方式是： 区块链1.0——数字货币。或许可以通过人类以知识图谱的贴标签方式来尝试解决上述难题。
这个例子正反都能说明，基于充分数据的充分信息是人工智能有用武之地的基本前提。[50] 参见面对AI，人类玩家在围棋上输了，但在星际争霸上赢了。[1]在此背景下，中外学界开始讨论、探索人工智能在法律领域中的运用问题。（一）匮乏且低质的法律数据 毫无疑义，人工智能兴起的重要原因在于大数据爆炸式的增长，这为人工智能的发展提供了必须的燃料。
[26] 概括而言，理论界有关法律人工智能的研究虽然热闹，但仍处于开拓阶段，尚缺乏对法律人工智能运用现状与未来的深刻把握与思考，至于所提出的关于法律人工智能如何运用的建议，也只是方向性的。一方面，庭审笔录不是一种公开的法律证明文书，[39]其亦未实现充分的数据化。
也就是说，所谓的裁判文书全数据库其实也仅只是一种当下的数据。[25] 何帆：我们离‘阿尔法法官还有多远？，《浙江人大》2017年第5期，第47页。人工智能依赖机器学习展开分析预测，其与以回归分析为中心的统计方法不完全一致。很多时候，机器归纳的裁判模式可能连操控主体也难以理解，就如人类时常无法理解阿尔法狗的围棋招式一样。
算法的要害在于正确认识、提炼、总结法律决策的规律，并据此归纳人类法律决策的模型尤其是成功模型，并用于预测未来裁判，为当下裁判提供参考。在法律事务中，法律人工智能的适用与否由公民个人、公司或其律师决定更为适宜，如当事人借助法律人工智能选择律师，律所主任进行律所管理、律师起草与审查合同、律师借助法律人工智能预测案件结果等。[39] 张卫平：论庭审笔录的法定化，《中外法学》2015年第4期，第903～918页。在美国在威斯康星州诉卢米斯一案中，被告人认为自己受到了算法的歧视，要求算法公开，但威斯康星州最高法院和美国联邦最高法院却认定，初审法院所依据的COMPAS系统的算法具有中立性和客观性，也没有要求公开算法细节。
同时，法官的判决结果还会受到多方面的影响，有时甚至是社会性、情感性因素的影响。在行政案件领域，法律人工智能可以适用于案件事实清楚、争议不大、可以适用简易程序审理的行政诉讼类案件，如应当以不属于行政诉讼受案范围、不具有原告主体资格、超过法定起诉期限以及不符合其他受理条件等理由裁定驳回起诉的案件。
这也就意味着法律人工智能在我国可能缺乏必要的数据基础。然而，司法裁判的过程不仅仅是给出结论的过程，更是以一系列合乎逻辑的声明或通过引用相关的法源得出结论的过程，只有结果无法服众。
这一局面或许短期内都无法改变。然而，他们可能并未注意到，知识图谱对数据、模型的颗粒化程度要求较高，模型越精细，数据越详细，知识图谱的效果才越好。从某种意义上讲，法律人与技术人的结合程度决定法律人工智能的运用深度。当然，鉴于这些用户大多是法律专业出身，他们也无能力去研究那些复杂的代码与程式。其中，或者对算法的描述语焉不详，或者过高评价，算法究竟是什么以及效果怎样，我们难以得知。其四，在法律人工智能预测或辅助裁判方面，应该注意以下几点。
李彦宏称互联网是前菜，人工智能才是主菜，百度公司将不再是互联网公司，而是一家人工智能公司。[4] See Katz DM, Bommarito MJ II, Blackman J （2017） A general approach for predicting the behavior of the Supreme Court of the United States. PLoS ONE 12（4）: e0174698.载https://doi.org/10.1371/journal.pone.0174698，最后访问时间：2018年3月3日。
以e租宝与钱宝案为例，案件中涉及的数据量早已超越了人工能够处理的极限，必须依赖机器分析方能办案。但即使如此，也不要低估法律人工智能做好辅助性事务工作的难度，如语言转换。
[17]还有部分学者则没有这么乐观，反而在他们看来，由于目前能够获取的数据可能并不可靠、算法标准模糊且未达到公开透明程度，盲目信任法律人工智能会产生如隐性歧视等新问题、新冲突。[53]恰恰是在此关键问题上，无论是目前的法律界还是人工智能界，都没有做好充分投入的准备。
在只有当下数据而没有历史数据，只有近期数据而没有长期数据的情况下，即便基于官方全数据也很难以充分发现和总结规律性的决策模式，更无法展开有效的信息分析与建模。但正如前文所指出的那样，我们目前既没有人工，更没有好人工，又怎么会生产出好的人工智能呢？特别是当机器学习者被要求对新知数据进行分类时，分类设计必然会引入一些归纳偏见，即机器学习者在清洗数据时，设计何种假设及验证都不可避免地存在偏差。4.法律数据结构化不足 数据为人工智能所识别的重要前提是数据具备结构化特征。[30]在系统试用中，语音识别正确率已达到90%以上，书记员只需进行少量修改即可实现庭审的完整记录。
其次，法律界对大数据算法几乎完全外行。[9] 值得注意的是，目前法律界对人工智能的运用已不再局限于对裁判的预测，在其他领域也能看见其活跃的身影。
因此，许多人误以为深度学习就是人工智能，这显然存在误解。在传统意义上文科培养模式下训练出来的法律人更习惯从定性而非定量的视角看待法律问题。
感谢洪凌啸同学、郭松副教授、朱奎彬副教授对本文提出的宝贵意见。[18]近日，一起由美国威斯康星州法院使用COMPAS系统智能量刑的案件裁判结果在美国社会引发了激烈的讨论，其中的算法歧视问题引人深思。
许多程序员尽管在编码技术上极为高超，但限于之前从未接触过法律行业，因此对法律人所提出的产品要求无法理解。2.人工智能界对法律行业重视不够 首先，人工智能界对法律行业的感知不深。据BBC报道，一种名叫Case Cruncher Alpha的法律人工智能机器律师与伦敦的100名律师就基于数百个PPI（付款保护保险）错误销售案例事实来判断索赔与否的法律问题展开比赛，结果机器律师法律AI以86.6%的准确率领先于律师的66.3%。[32] 参见应雨轩、卢燕、颜敏丹：为法官‘减负裁判文书一键生成，载《台州日报》2017年3月21日，第4版。
[47] 恰恰在此关键问题上，法律界似乎并未做好充分投入法律人工的准备，人工智能界尤其是科技企业界也没有做好这方面的准备。[6] 2016年11月24日，英国《卫报》报道，伦敦大学学院（UCL）、谢菲尔德大学和宾夕法尼亚大学的科学家表示，人工智能已经可以分析法律证据与道德问题，进而预测审判结果。
在警务活动方面，加州圣克鲁斯大数据创新企业Predpol所研发的犯罪预测软件，能够通过对犯罪历史数据的分析，逐个小时计算出哪里最可能发生犯罪活动。这和国外情况也较为类似。
然而，中国目前并不存在这样的数据条件。[33] 参见刘子阳：先进技术深度融合审判执行工作推进审判体系和审判能力现代化智慧法院给法院插上信息化翅膀，载《法制日报》2016年11月18日，第3版。
