人脑和最先进的人工智能之间那道沟堑

2021年11月20日

人工智能（AI）技术突飞猛进的时代，配备了人工智能（AI）的机器人越来越聪明、能干，从围棋赛到养老院护工，从疾病诊断到影像艺术创作，机器涉足的行业和胜任的工作越来越多，被视为人机大战中人类守护的最后一条阵线，即球赛和舞台表演之类以创意、灵感、情感及天才取胜的专业对机器的天然防御也在减弱。

人们经常将人脑比喻为电脑，好比神经元就像硬件，而大脑则是软件。人工智能的兴起和拟人机器人问世使这个比喻更令人喜闻乐见。

但是，美国东北大学心理学教授丽莎·费尔德曼-巴雷特 (Lisa Feldman-Barrett) 认为，这个比喻有问题，会令人产生错觉。

她为BBC《科学焦点》杂志撰文阐释这个论点。

生命体和机器的区别

首先，人脑的记忆是一个电流脉冲和旋转的化学物质不断构建的过程和结果，同样的记忆可以在不同的时间以不同的方式重新组合。电脑储存和处理信息的方式则基于逻辑和机器学习程序，至少目前与人脑无法比拟。

其次，识别能力是人工智能的关键成分之一。比如蒲公英，AI可以通过学习准确识别出这种植物，认出它是蒲公英；人脑则不同，会根据它在不同场景下的主要功能、作用对它加以归类，比如给它贴上蔬菜、野花、草药等标签。

费尔德曼-巴雷特说，这种即席类别构建能力（ad-hoc category construction）可能是人脑运作方式的基础。

最后，人脑是人体的一部分，是人体中枢神经所在，负责统帅一个由肌肉、内脏、骨骼、血管和神经系统组成的生命系统的运行。这意味着持续不断的协调和平衡几十个不可或缺的系统，比如消化、排泄、提供能量、对抗疾病，还有调节情绪，控制行为。

• 记忆形成的奥秘：以前说的不对！
• 为何人类没有婴儿时期的记忆？
• 话到嘴边说不出 “舌尖现象”背后的真相
• 最早的童年记忆是否真实可信？
  

人与机器的主要区别之一是人有心理活动，机器没有。心理活动的核心是大脑对身体的控制。

费尔德曼-巴雷特写道：“你曾经有过的每一个想法，你学到的每一个概念，你经历过的每一种情绪，以及你所看到、听到、闻到、尝到或触摸到的一切，都包括关于你身体状态的数据。你不会以这种方式体验你的精神生活，但那是‘幕后’发生的事情。”

音频加注文字，

樊麾：我怎么看人和人工智能的关系

拟人机器人安装了人工智能，但如果要让它像人一样思考、感觉、观察或行动，必须有一组复杂的系统来调节类似身体的部件，保持平衡，持续运行，这也必须是个持续的互动过程。

即使今天的AI技术已经接近这一步，人的喜怒哀乐和情绪驱动的行为，仍是机器难以企及的。

• 章鱼：地球上的异形大脑
• 大西洋谜团：“杀人鲸”莫名其妙结伴“骚扰”帆船
• 章鱼和人的异同：研究人脑为什么要观察章鱼
• 大西洋谜团：“杀人鲸”莫名其妙结伴“骚扰”帆船
  

为什么要模拟？

伦敦大学学院计算机科学家彼得·本特利（Peter Bentley ）从另一个角度表示，至少今后数百年里，和人脑一样的电脑不会出现，即使今天人类已经能创造出逼真的活色生香的虚拟世界，以及日趋精尖复杂的人工智能。

他是《人工智能和机器人科学及数字生物学的 10 节课：自然如何改变我们的技术和生活》一书作者。

本特利认为，即使电脑能够模拟宇宙，人工智能的最新进展似乎也表明可以模拟具有超级智能的人脑，模拟世界和模拟大脑在精密复杂程度上逼近现实，但至少在可以预见的将来不会成为现实。

他在BBC《科学焦点》上写道，关键是我们有什么理由做这件事？为什么要模拟整个宇宙或超级智能大脑？

未来的超级人工智能对人类而言就像上帝，人类或许无法理解也无法控制它选择做什么。为什么要给自己造一个虚拟又无所不在的上帝？

从技术角度看，根据摩尔定律，一片电脑芯片上有2.6万亿个晶体管，计算机能力大约每 20 个月翻一番。按照这样的速度，未来的计算机处理器将具备今天难以想象的强大能力。

但是，宇宙的形成花了138亿年，模拟这个宇宙可能需要花数十亿年的时间计算，然后才能开始运作。

本特利认为，在今后几百年里，人类更有可能利用有限的资源发明人造地心引力或量子隐形传态（quantum teleportation），而不是模拟整个宇宙或超级智能大脑。

• 《我的章鱼老师》：章鱼和人的异同--人有中枢神经 章鱼浑身是“脑”2021年5月17日
• 章鱼和人的异同：人有中枢神经 章鱼浑身是“脑”2020年12月12日
• 儿童记忆与虚假记忆：陌生人是否能改写我们的历史2019年6月23日
• 让科学家挠头的奇事：大西洋中 虎鲸结伴“骚扰”帆船2020年11月21日
• 人类虚拟助手如何“学习”对付骚扰和言语辱骂2021年6月15日
• 记忆之谜： “舌尖现象”背后的真相2020年12月28日
• 语音克隆技术的蓬勃吸引的不仅是演员 还有网络罪犯2021年7月13日
• 人工智能AI和法律：机器人给你当律师会是什么样2021年8月19日
• 为何人类没有婴儿时期的记忆？2021年10月9日
• 记忆形成的奥秘：以前说的不对！2017年4月8日
• 中国人工智能：脸部识别技术跟踪野生金丝猴2021年3月12日
  

人工智能、话语理论与可辩驳推理

一、引言
        在法律方法的研究中，一个引人注目的领域是人工智能与法律推理的关系。这方面的研究西方早在20世纪中期就已开始，但在国内似乎还没有引起足够的重视。在西方，经过几代学者的不懈努力，人工智能与法理推理的研究已经取得了很可观的成就。这个领域初启山林之时，很多人都持怀疑态度，感兴趣的主要是研究人工智能的学者，法学界鲜有人问津在事。随着此方面研究成果的不断出现，法学研究者才逐渐对这个领域发生了兴趣。即便如此，一些有影响的学者还是对此持怀疑态度。比如芝加哥大学的大牌教授桑司坦就曾撰文质疑过人工智能与法律推理研究的有效性。在他看来人工智能、计算机系统再聪明也无法模拟复杂多变的人的头脑，而法律活动乃是一样高水平的脑力活动，不管以后如何，至少在目前还看不到在这个领域中计算机有取代人的可能。然而，热心于此项研究的人却并不这样看。有学者撰文指出，人工智能在法律上的运用之所以还没有结出丰硕成果来并不是由于人工智能的水平不高，而是由于法学研究的水平不高。这实在是一个发人生省的高明见解。人工智能与法律推理的研究必须依赖于法学理论。有什么样的法学理论，就有什么样的人工智能与法律推理的模式。从法学理论和法律推理的角度看，大致而言，现有的法学理论可以分为两派，即形式主义和实用主义。形式主义注重规则，于是便有了根据规则推理的人工智能推理模式；实用主义注重个案，因此，便有了根据个案推理的人工智能推理模式。两种模式都有了自己的平台，但都不甚精确，且易出错。人们在力求改进这两种推理模式的同时也企盼发展新的模式的可能性。然而，由于新的法学理论总是迟迟不登场，新的法律推理模式自然也只是希望而已。是故，人工智能与法律推理研究不甚成功的责任就落在了法学理论上。自从哈贝马斯等人提出了所谓法的话语理论（Discourse Theory of Law）以来，人工智能与法的研究又重现生机。话语理论暗含着对话和沟通的意义。从这个意义出发，可以设想一种通过对话得出结论的推理模式。这种推理模式被称为可辩驳推理（Defeasible Reasoning)，它的结论不是一个必然结论，但却是一个较好较可信的结论。
        事实上，亚利桑那大学的哲学家普拉克（John Pollock)早在上世纪四十年代的时候就已经开始研究可辩驳推理，并且至今仍然孜孜不倦地在追求。他设计的OSCAR程序已经为他赢得了极高的荣誉。在普拉克及其他学者的共同努力下，可辩驳推理的概念终于在世纪之交进入了法学界。当然这里还另有原因，需要略作说明。
        可辩驳推理之能够进入法学界与法学研究的热点有关。众所周知，上世纪末的西方法理学基本上是德沃金和哈特的天下。似乎再没有谁比他们俩更重要。法学杂志上连篇累牍发表的要不是他们本人的作品，就是他们的追随者们保卫主帅、唇枪舌战的文字。这种局面单调得令人发闷。因而引发了“超越哈特/德沃金”的呼喊。哈特和德沃金虽然著述甚夥，但由他们引起的主宰了法学界长达三、四十年之久的论战却仅仅把目光盯在法律规则与法官的自由裁量权上。从法律规则的开放性程度到法官的强势或弱式自由裁量，从法律的解释到法律推理，从规则体系到法律原则，从语言哲学到希腊神话，这场论战直接或间接地深化了人们对法律制度和司法行为的理解。以前那种相信司法决定依赖于演绎推理或归纳推理的态度已经因过于天真而明显的不合时宜。人们把注意力开始投向更为复杂的推理模式或法律应用的方法和程序。欧陆英伦学者这一次充当了导师的角色。阿列克西、麦考密克、派茨切尼克、阿尼欧及班考夫斯基等人关于法律推理和法律论证的著述提高了法律方法和法学方法的品味和地位。越来越多的人开始关注法律论证问题，而法律论证，一如舒国滢教授在一篇文章中所言，已经成为显学。
        法律论证中一个突出的题目便是可辩驳推理。这是一个生僻的概念。作为一个法律概念它已经存在过几百年了，但它并不是一个常用术语。因此当哈特在一九四八年指出法律规则的可辩驳性时，学界并没有意识到它的重要性。甚至在普拉克设计出OSCAR并专门研究可辩驳推理很久以后，法学界都没有作出应有的反应。
        一旦我们把人工智能同法的话语理论、可辩驳推理、法律论证以及那些杰出的法律人联系在一起，我们怎么可能不给它以应有的重视呢？在以下的几页里。我仅对此领域做点简单的介绍。

        二、人工智能与法律研究简介
        人工智能(AI)是使用计算机科学的概念、程序和工具从事认知过程的科学。作为计算机科学的一个部门学科，人工智能的研究发端于二十世纪五十年代中期。人工智能研究的创始人之一的Marvin Minsky在一九六八年说过一句话，集中概括了人工智能研究的实质：“让机器从事需要人的智能的工作的科学”。因此，所有需要人的智能的行为都属于人工智能研究的范围，包括下棋，解题，从事数学发现，理解短篇小说，学习新的概念，解释视觉场景，诊断疾病，进行推理等。人工智能的研究中最难的是牵涉到普通常识推理和认知的任务，诸如语言理解。比较技术性的任务，诸如解题和下棋一般较容易。这是因为后者可以使用界定得好的术语，黑白分明，而前者则不然。人工智能同其它研究认知和知识的学科，比如哲学和心理学有很大的不同。这种不同主要表现在人工智能需使用计算上的术语来进行分析，---尤其是用通过体现该分析的成功运行的计算机程序。
        从事人工智能研究的目的至少有两个：理解人类智能的工作情况及设计有用的智能性的计算机程序或计算机。大多数人工智能研究项目都同时追求这两个目标。举例来说，为了商业的目的而设计诸如信用卡批准决定的计算机程序，设计者需要了解在此方面素有经验的人是如何作决定的，因为他们是最好的也是唯一的有关此类业务的信息的来源。只有他们知道如何才能将该工作作好。同样的，为了理解或模拟人的认知，最好的作法是设计一套能以运行的程序：在一定的程度上来说成功就意味着设计出一套有用的计算模式。
        在法律领域中，上述两项目标也是被追求的对象。法律与人工智能的研究一方面通过研究深入理解法律推理的各个重要问题，另一方面则注重设计可以用于法律实务，教学和研究的计算模式。就前者而论，如何发展出一套基於先例学说的人工智能推理模式是一个很有意义的尝试。开发人工智能推理模式的工作促使研究者去学习有关法律推理的知识，模拟说明基於先例推理的重要问题，诸如就先例与新形势的相关性进行评价，区别相矛盾的案例，找出相同案例之间的联系，然后给予详细描述并设计能以实现以上种种的程序来。
        后者则更注重实用的目的。主要努力是在设计一套协助法律人员准备报告的计算程序(象Lawyer’sWorkbench)。这套程序包括收集材料和案例并根据不同学说予以分类的功能。也可以设计一种专供制作法律文书之用的实用程序。设计此类程序需要开发分析模式。一般而言，如果一种分析模式会带来使用上的进步，则该模式被视为比较令人满意的模式。
        设计一种法律推理的模式的思想并不算新颖。诚然，人们对法律推理模式的有关重要问题的讨论已经不少，但以前的讨论的详细程度还不足以为人工智能模式提供足够的细节内容，从而将它们作为计算机程序予以实施。在人工智能模式中，细节的作用极为重要。比方说，法律一般被描述为“根据例子推理”。这种说法也许对於一定的目的而言就已经足够了，但对於人工智能来说就远远不够。为了利用法律学者们提供的有关法律推理的洞见，人工智能的研究者需要同时指出如何进行具体推理，及需要何种信息和方法。
        人工智能的方法迫使研究者进行非常仔细的具体分析。它提倡研究者使用计算机科学的思想和方法设计概念结构和计算模式。

        三、人工智能与法律研究的若干目标
        人们一般希望一项理想的人工智能与法律推理的计算机程序能解决以下问题：
        1、根据案例和类比推理(包括真实案例和假设的案例)
        2、根据规则推理
        3、多种推理方式的结合
        4、处理定义不严密及含义开放的概念
        5、设计论证和解释
        6、处理各项知识的例外和其间的冲突，比如规则间的冲突
        7、包容法律知识基础的变化，尤其是法律概念的变化，处理非单一性因素引起的变化，即由於更多的新知识的出现而使原有的真理不再成为真理，因之而起的变化
        8、模拟普通常识
        9、模拟人的意向和信念知识
        10、承担理解自然语言的功能
        以上各种目的的实现尚待时日。但各方面都有研究在进行，有的方面已作出了可喜的贡献。实际上，以上各种目的中，有些比较容易实现，有些则相对困难，而有些则实现的可能性比较渺茫。比如，上述1、2、3的研究已经颇见成效，4的研究也较有进展，但尚需进一步深化。5的研究也作出了成绩，尤其是基於先例的推断和进行解释的努力。似乎可以说，在近期内达到以上五种目的的可能性还是比较乐观的。6、7两种研究看来困难较多，但前景并不是一团漆黑。而且从事该项研究的人员目前表现得十分积极。设想有一天他们会取得可喜的成绩也不是痴心妄想。
        至於后三者，似乎前景不是很乐观。模拟普通常识推理，有关意愿和信念的自然语言能力这三方面的研究最为困难。就语言而论，比较简单的会话和短文的理解能力在一定范围内可能能够达到，但普遍使用的模式的建立仍然相当遥远，而阅读理解上诉法院判决之类的痴想恐怕永远也实现不了。

        四、人工智能与法律推理研究的几个重要里程碑
        下面介绍几项在理解和模拟法律推理，尤其是法律论辩方面提供了重要步骤的具有里程碑意义的法律与人工智能研究项目。这些项目拟解决的问题包括：1)根据规则推理，2)根据案例，假设及引用先例推论进行推理，3)可辩驳推理。
        （一）根据规则推理
        进行法律推理模式的研究的努力最初是运用专家系统(Expert System)模拟法律中与规则相关的某些内容。基於规则的专家系统是人工智能研究者们广泛运用的一类人工智能系统。这些系统所使用的计算机和计算技术概念界定十分清楚，而且计算性强。虽然从法律的角度看，关于规则的有效性，有用性及其状况，人们的意见不尽一致，而且人们也公认在规则的表述方面也存在着困难，但是将某一套规则用于一个标准计算模式的计算框架依然是可行的事。
        在基於规则的方法中，规则通常表现为比较简单的“如果......那么......”格式。如果已知某种情况存在，那么即采取已指明的行动或者得出拟得到的结论。基於规则的系统，通过将这些规则连接在一起而产生作用。在法律领域中，首次使用专家系统方法研究的是兰德公司民事司法中心的Donald Waterman 和MarkPeterson。在他们的系统中，将学说中的论述和法律专业知识根据经验大致进行了编码。该项研究进行时，正是专家系统方法被广泛用于各个领域之时，既代表了该方法用于法律研究所能取得的成就，也揭示了该方法自身内在的困难。Waterman和Peterson研究了如何将专家系统方法作为一项实用工具用于法律实施，证明了其作为模拟法律专业知识的一种方法。
        他们的系统中研究的一个领域是所谓LDS系统(Legal Decision-making System)。该系统为解决一起产品责任案件进行了“价值”评估。通过使用为严格责任设计的基於规则的模式，比较过失，及计算赔偿金，该程序能以结算一个案子的价值，进行有关诸如过失之类的结论的一系列推理，并且能够模拟、了解谈判的某些内容。该项目证明了将基於规则的技巧用于法律适用的可能性。
        该项目的一个较大的弱点是，它用极不精确的术语掩盖了法律推理内在的困难，且对法律推理的对抗性没有给予应有的重视。举例来说，LDS向使用者问了使用该产品是否是“可以预见的”这样一个问题。这是一个非常微妙的问题，其答案依赖于解释，而且完全取决于上下文。你可以说得出有关使用的可预见性的结论乃是过失领域中推理的核心问题。向使用者提出这样一个问题，让其给予解释，实际上将整个游戏给出卖了。LDS同时还表明了基於规则的方法的另一个一般性问题：它没有给予法律推理的矛盾性应有的重视。在法律推理中，不同立场的双方往往寻求得出不同且经常矛盾的结论。更进一步说，基於规则的方法，假定某一套规则中不存在像含义不清，规则间的空白及冲突等内在困难。为了使基於规则的系统产生作用，程序设计者一般必须清除掉此类问题，使规则显得比实际上更加前后一致和完善。
        尽管过於简单化，Waterman和Peterson设计的系统是这个未知的领域里的一个里程碑。截止目前，专家系统依然是被频繁使用的重要方法之一。应用其进行研究的项目为数众多。在英国进行的一个曾经引人注意的项目是由Richard Susskind和Philip Capper设计的推定损失赔偿系统。该系统的问题领域设计1986年英国推定损失赔偿法案。该系统针对的是当损害和损失为隐形时，求偿人何时可以开始提出赔偿请求的时间等法律问题。
        （二）根据案例推理
        我们可以举KevinAshley对美国贸易保密法所进行的研究来看如何将人工智能的研究运用于根据案例进行推理。Ashley所使用的模式称为HYPO。其运作情况是这样的。面对一定的事实情况，HYPO根据其拟定的贸易法分析模式对事实予以分析，然后从案例知识系统中找出相关的案例来。接下去，该模式将分析哪一个案例最接近和有可能如此，并确定从何角度，用何种分析方法进行分析。然后，HYPO就会形成一种初步看法，分别从诉讼双方的角度进行分析、辩论。先从最能支持甲方论点的案例进行分析；再从乙方的角度引证最能说明其论点的案例进行区别分析。然后，HYPO再回过头来反驳乙方的观点，将乙方引用的案例予以区别，并加强甲方的论点与眼前的案子的事实关系。如果已有的案例知识库中没有可以引用的案例，HYPO则会使用假设案例。
        HYPO能够衡量案件的相关性，为各方确定哪一个案例对其最有用，或与其论点最接近，以便引用。它也能类推或区别不同案件，进行假设推理，引用与某一论点相反的案例，及建构基於案例的论点的基本结构。但HYPO的作用仅限于根据案例推理，并未试图研究较高层次的包括政策分析的推理活动。HYPO只是进行案例和事实分析的一种非常技术化的推理模式。
        HYPO的一个主要特点是其案例索引系统。HYPO使用被称为“要素”(Dimension)的索引系统寻找案例并进行分析。要素代表重要的法律因素。它将由於某些事实的存在而需根据某一观点对所选案例进行处理的知识编入程序，能使HYPO找出支持同一观点的一组案例来，并对该组案例中各个案例的相对重要性进行比较和估计。
        HYPO使用要素来界定诸如“相关” 、“最合适” 、“最好” 等概念。如果一个案件中有一个要素和眼前的事实情况相吻合，则该案件可称为“相关” 案件。HYPO通过寻找事实情况中的若干要素和案件中的若干要素的重叠情况来确定案件是否为最合适的程度。如果乙案例中的要素已包含在甲案中，则甲案例被称为更加合适的案例，因为甲案例的要素和事实情况的要素相同点较多。
        （三）可辩驳推理
        根据规则推理和根据案例推理反映了两种不同的法学观。即规则中心主义和规则怀疑主义。 这两种法学观之间的辩论是上世纪法学界的空前盛事。但随着时间的推移。这场大讨论逐渐失去了生命力，变得陈腐而停滞不前。无论根据规则推理也好，还是根据案例推理也好，都是属于单项度的推理（MONOTONIC REASONING），即前提－事实－结论的传统推理模式。有很多人对这个模式表示怀疑。关于法律是一种话语的理论的产生给这种停滞不前的状态注入了生命的活力。
        法律的话语理论为法律推理提供了一种截然不同于演绎推理和归纳推理或类比推理的方法。在它看来，法律辩论的性质是说理性的， 而法律推理的正确方法既不是演绎也不是归纳，而是一种更丰富的多声调的对话过程。在这个对话过程中首先应该解决的是1、什么因素构成一个论断？2、何时可以提出论断？
        可以通过一个简单的例子来说明什么是可辩驳推理。
        格林说：“大部分经济学家都不太会写作。麦那尔德是一位经济学家。所以，麦那尔德很可能不太会写作。”
        如果我们认为麦那尔德可能是个例外，即便是我们接受前两句话的真实性，我们也可以不接受第三句话所表达的意思。该论断是可辩驳性的，也就是说，一方面作为一个一般的判断它是站得住脚的,但从另一方面来看它又是会错的。我们可以设想一个反例来降低它的可信度。
        布朗说：“那不对。麦那尔德是个例外。我读过他写的诗，非常棒。”
        在此布朗根据自己的经验提出看法，推翻了麦那尔德会是个不太会写作的人的假定。然而，这个反驳论断并不必然获胜。通常，该反驳论断也是一个可辩驳的论断，也就是说它也可以被人推翻。在这个例子中布朗的推断实际上很弱，因为它完全建立在布朗个人对麦那尔德的诗的评判的基础上。 如果在场的人中还有人读过麦那尔德的诗，他很可能会提出不同见解，推翻布朗的论断。但是，如果格林没有读过麦那尔德的诗，他就不可能提出推翻布朗论断的见解。如果是这样，格林就处在劣势地位。请在看下面的例子：
        格尔德说：“我也读过麦那尔德的诗。我觉得他写得不怎么样。他的诗既不合辙，也不押韵，写得很差。”
        布朗说：“那是你的看法。但是作为一个文学教授，而且出版过好及本诗评的人，我可以告诉你合辙押韵对好诗来说并不重要。我相信大多数公认的批评家都会同意我对麦那尔德诗的看法。”
        在上述例子中格尔德用以推翻布朗看法的乃是一种普通的见解，即“我的意见和你的一样重要”。而布朗则诉诸于自己的专业知识和评论家的共同标准。布朗的论断显然要比格而德的更具有说服力。布朗式的论断在法律领域中可能会是一个强有力的论断，但在科学领域里则不然。因为科学需要逐个证明，笼统的指陈不会获得信任。
        通过上述例子可以看出，任何对于某一事物的判断都有可能被推翻。那种单一模式的推理只具有暂时的正确性。当场景或条件发生变化以后，论断的正确性也会发生变化。多元反复推理可能更确切地反映了推理的本质。法官在作决定时，极少顺着一条单一的推理模式作出判断。在规则的选择、理解及应用上，法官很可能要反复思考、衡量各种利弊、依靠各种权威根据，最终得出一个他认为合理合法的结论来。

        五、话语理论与可辩驳推理
        可辩驳推理在近年来引起广泛关注，除了人工智能的研究模式转变之外，话语理论的进入法学研究领域也是一个重要原因。话语理论是一个内涵极其丰富的术语，它在人类学、语言学、文化批评等领域的应用结出了累累硕果，同时也造成了概念上的混乱。本文无法详述有关话语理论的各种见解，也不可能系统阐述这一被视作后现代视角的理论/方法的概貌。本文甚至无法触及构成话语理论的基本命题及话语理论和话语分析之间的区别等重要问题。在此，仅就话语理论在法学研究中的某种表现略作探讨。
        把法律看作是一种话语的观点由来已久，而亘古长新。亚里士多德早就阐述过法律是一种话语的观点。福柯、哈贝马斯、佩雷尔曼、图尔敏及阿里克西等人在上世纪和最近的论述则把这一观点摆到了法学舞台上最抢眼的位置。它与协商性民主、多元政治、文化多元主义及法律论证等领域遥相呼应，改变了人们对民主、法治等一系列重大问题的看法，使单一的、纵向的政治法律思维模式发生了重大变化，为多元的、平行式的、协商性的思维模式所替代。法律的话语理论说尽管早就在亚里斯多德那里初见端倪，但终未形成气候。直到上世纪六十年代佩雷尔曼和奥尔布希特－泰特卡，及图尔敏通过论证理论使它重建天日。阿列克西的一本《法律论证理论》更使它风靡全球。而哈贝马斯的沟通理性和话语理论则为它提供了哲学和社会理论方面的强有力的支持。
        在法学理论中，法的话语理论构成了规则中心主义和经验中心主义以外的第三种法律观。法的话语理论所关注的焦点既非法律规则，亦非法律案例，而是法的论证过程。在这里，法律规则在某一案件中是否运用得确当，只是底线。更为重要的是司法决定最终是否通过法律论证为人们所接受。
        在法的话语理论中，一个重要思想是无论规则还是案例，其本身并不是足以构成自足的论证，因为两者本身都是可争议的对象。这与把规则和案例看成不同推理前提的传统法律思维是截然不同的。
        法律规则的开放结构、一项具体规则的范围大小、规则的合法性及有效性等等因素使规则成为可争议的对象。案例的判决理由、案件之间的相似性、支持该案例的推理等不确定因素使得案例也成为可争议的对象。因此，在将它们作为推理的前提时，两者首先需要进一步确定化。然而，虽然规则和案例都是争议的对象，但它们同时又是进行法律推论的基本材料。法律推论只有在使用规则和案例的基础上才能有效进行。
        法律论证不同于法律推理，前者为司法决定提供理由，而后者则为得出司法决定必经的逻辑推导过程。虽然法律论证旨在为司法决定提供理由，而法律的话语理论正好支持法律论证的过程，法的话语理论也为法律推理提供了一种理论，正如麦克密克指出的法律推理需要一种法学理论。法律的话语理论开创了新的法律推理模式的可能性。这种可能性就在於把法律推理看作一种可辩驳的多元推理，而非单一的演绎推理或类比推理。对人工智能和法律推理的研究者而言，模拟可辩驳推理的过程已经变成中心任务。
        这是一项较新的任务，在已开发出来的模式中，人们主要使用非单一性逻辑(non-monotonic logic)，力图建立一个基本框架来模拟法律推理的基本特点。话语理论表明，法律是一套建立在互为反面的争论基础上的系统。模拟法律的系统因此也必须能够处理反对意见。这项任务单一性逻辑模式无法但当，因为单一性逻辑模式的推理排斥反对意见和不同意见。例如“如果A、B和C存在，那么结果为X。”但也有可能即使A、B、C都存在，结果却不是X。单一性逻辑推理只能反映两者之一，而非单一性逻辑推理则可以使两者并存，从而为进一步推理提供选择。如果一条规则的结论比另一条要强，那么较弱的规则的结论则不会出现。从事人工智能和法律研究的工作者认为这种非单一性逻辑法律推理系统可以模拟法律的话语特点。他们认为该类推理系统可以同前后不一致的观点论理，并衡量支持不同结论的论点。非单一性法律推理系统，诸如Prakken，Sartor和Loui开发的那些，旨在为法律论证的性质提供形式上的规格(formal specifications)。尽管他们各自的系统的细节与定义等各有不同，但其所追求的核心问题却大同小异，主要表现在四个方面：1、构成某一结论的论点是什么？2、什么是对该论点的反驳(attack)？3、什么是对某一论点的支持？4、什么是对某一论点的否定？凡此种种，似乎都在贯彻着一个话语理论。它们似乎都能提供解决论争的手段。
        除了模拟法律论证的性质之外，非单一性法律推理系统也能模拟各种论证的程序和过程。Gordon，Rissland和Skalak开发的系统具有这种能耐。他们研究何时可以提出论点，作出让步或否定该论点，也设计使用于总的论证过程的规范。同其它系统相比，这些系统似乎更注重发现问题，而不是要就案件主要诉求作出决定。
        毫无疑问，非单一性法律推理系统的研究充满了希望，它们完全可以体现法的话语理论的精神，但这里尚存在不少问题。首当其冲的是，如何处理不同论点之间的平衡并且得出哪一个论点为最好的结论。从事该类研究的学者们认为，非单一性法律推理系统可以最终衡量不同观点的正确与否，并从中作出选择。然而事实上，这是非常难以实现的目标。在普通法理学中，当规则与规则或论点与论点冲突时，应当诉诸于更高层次的非规则标准，诸如政策、原则及基本价值。但如何选择非规则标准，及如何论证已选择标准的有效性却是更为困难的事。即使对人而言，这也绝非易事，对於人工智能而言，这几乎是不可能的事。但这并不是说，这种研究本身就毫无意义。在目前看来难以实现的事，可能在若干年后就变得容易起来。
        在现有的运用计算机和法律的话语理论设计的法律推理系统中，各种观点的冲突是通过诉诸于元规范(meta－norms)予以解决的。Prakken认为，可以用Lex Superior，Lex Specialis，及Lex Posterior等元规范来评判不同的论点。最具有权威的、最具体的和最古老的规范应该具有最高效力。这固然不失为一种好的设想，但诸如此类的元规范实在不多，而法律关系的表现却是千变万化的。有限的元规范难以应对众多的法律关系。而为了适应各种法律论证的需要，就得发展更多的元规范。这样一来，新的问题就会出现，诸如什么是可以接受的元规范，如何判断哪一个原规范支持某一个具体论点，以及当元规范发生冲突时应该如何解决等等。在佩雷尔曼和阿列克西看来，这些问题正是论证过程拟解决的问题。话语理论及可辩驳推理所关注的正就是这些重要问题。
        於兴中，康奈尔大学法学院教授

IBM项目的开展推出了一台对话类AI：project Debater，它的配置为它在辩场上快速收集、筛选、整合资料并编辑成语言、归纳观点起到了重要作用。但是究其根本，Debater真正做到的仅仅是依靠自身拥有的大数据和精妙的算法，将网络上的言论归纳成一段最有胜率的陈词。陈词或许与许多人类辩手的发言、话语相差无几，但这样的陈词失去了辩论本该有的思辨和立场，它所支持的是自己的胜算，所言皆是对数据库的总结。而我方认为，真正的辩手不是那些在网上找到一篇论便上场打比赛的读稿机器。当AI仅仅是基于对数据库的归纳便把它称之为辩手，这是对我们人类辩手价值的消解。

人类辩手拥有自己的灵魂世界，无论这个世界的高低，通过这个灵魂世界我们能够去思考和挖掘、选择和捍卫、感知与共鸣，这就是人类辩手的价值及其区别于非人类辩手的独特所在，这也是人类辩手引以为傲，并不断通过学习、训练、比赛的方式去证明自身，赋予自身意义所在。

我方认为，人类辩手真正的价值有三：

一、思考与挖掘。在思考辩题时，人类会赋予每个东西自己的定义，会通过“是什么、为什么、怎么样”的提问深挖出每一件事情基于自身理解下的意义。好比今天的辩题我们会去思考“为什么会悲”“悲在何处”而非像AI辩手般输入关键字、匹配、归纳、诵读。这正是人类辩手的价值体现之一。真正的辩手不该是在100个观点中整合出自己的观点，而是通过自己的思考想出第101个属于自己的观点。

二、选择与捍卫。人类辩手对于自身思考出来的辩题有其独特的信仰，辩手希望能够表达出自己信仰的价值观并为其辩护，为其价值观下背后的人群发声，而非AI辩手依靠精确的算法找到最有可能打赢的看法再表述出来，辩论从来都不是一场为了输赢而开展的比赛，AI辩手对于阐述辩题观点时的功利性出发点正是对人类辩手价值的亵渎

三、感知和共鸣。较于AI辩手，人类辩手更希望能够有更多的人能够感知到自己的灵魂世界，希望有人能够懂得自己的价值观、与他人产生共鸣。辩论场上所需要的并不是所谓的最优解，辩论真正精彩的正是那些在双方的表述中不断刷新对辩题双方的理解和感同身受，是在辩手表达出自己观点后的那句“哦，原来是这样”的感叹以及辩手知道有更多人理解自己换来的感动而不是AI辩手通过算法和归纳说出的拟人话语，这样归纳出的观点即使说的再感人、用再多的科技去掩饰AI的那份计算人心带来的对人心的亵渎，也无法掩饰算法下AI无法感受到的人心的共鸣，这份感同身受正是人类辩手一直坚持的特殊所在。

人类专业知识中的一些关键认知元素，这些系统能够像人类一样思考并推断问题。人类在理解某件事情并进行决策时，会经过四个关键步骤：

• 「观察」，观察可见的现象和有形的证据；
• 「推断」，根据已有知识来理解所见之事，然后就其中的含义做出一些假设；
• 「评估」，判断某个假设的对错；
• 「决策」，选择最佳选项，并据此采取行动。
  
  

在专家的指导下，Watson会为“掌握”某个特定领域收集所需知识，我们称之为“知识语料库”。语料库收集从装载文献的相关部分开始。语料库构建还需要一些人工干涉，这样才能对信息进行精选，并且摒弃所有对问题领域而言所有过期的、欠考虑的或者是不重要的信息。接下来，Watson会对数据进行预处理，构建索引和其他元数据，以便能够更高效地利用内容。与此同时，Watson会创建一个知识图谱，以便帮助更准确地回答问题。在摄取语料库之后，Watson需要接受人类专家的培训，学习如何理解信息。为了帮助Watson学习如何最佳响应，并且获得发现数据模型的能力。

Watson合作伙伴和专家会通过机器学习方法来训练它。专家会把训练数据以基本问答形式上传到Watson。这并非意在为Watson提供所有问题的明确答案，而是教会它这个领域中数据含义所对应的语言模式。在接受了问答训练之后，Watson会通过持续交互继续学习，用户和Watson之间的交互会定期由专家进行审核，并将反馈输入到系统中，帮助Watson更好地理解信息。同样，新信息发布后，Watson会进行更新，以便更够不断适应任何特定领域中知识和语言阐释方面的变化。

一部分原因在于对现实生活数据的“消化”出了问题。因为通过摄取和组织的方式要阅读和理解医学相关的文献，对计算机而言不是件容易事。此外，还有一个更深层次的认识论问题：Jeopardy竞赛的问题都是有正确答案的，但在医学世界里，诊断的结果通常只是信息比较充分的观点罢了，不存在绝对的对错。

不过IBM已经在尝试通过「WatsonPaths」的可视化工具将这套认知计算平台变得更透明些，以便让客户了解到它是如何形成某个结论的。甚至IBM将Watson决策的全部审核路径内嵌于系统中，这样对训练Watson的认知能力，了解其获取数据的方式大有裨益。即使成果并不理想，德州大学医学院教授Lynda Chin也表示，“通过训练和学习，相信Watson有能力实现之前预期的效果”。

毫无疑问，在这场AI竞赛中，Watson在多个领域的可扩展式语料库是IBM的有力武器之一。

“真正打动我的是IBM Project Debater与人类结合后的潜在价值。IBM的人工智能能够挖掘海量信息，并为这些知识提供有用的背景。”

Debater存在的意义

辩论，是指彼此用一定的理由来说明自己对事物或问题的见解，揭露对方的矛盾，以便在最后得到共同的认识和意见。辩论对于未经训练的普通人有一定难度，对人工智能来说更是挑战巨大。

要做到这些，Debater需要具备三大核心能力：

• 语言的组织与表达
• 听力理解
• 模拟人类困境
  
  

上述能力总结自IBM官网：

http://www.research.ibm.com/artificial-intelligence/project-debater/how-it-works/

事实上，IBM研发Debater的初衷，是为了增强人类。即让人们在决策前，了解到丰富而全面的信息，以客观的做出更好的决策。

论证挖掘

主张和证据是论证的主要组成部分；正确识别和使用它们对于在辩论中构建论点至关重要。IBM Project Debater 团队在开发机器学习技术方面投入了大量精力，以挖掘大量语料库以获取声明和证据，并使用它们来生成与有争议的主题相关的论点。

片面和篡改叙事的兴起正在挑战社会和我们的平台。我们经常谈论彼此。我们需要一个更聪明的方法。人工智能中语言和推理的新发展有助于在扭曲事实的黑暗中发光，为正反双方提供多样化、知情的观点。

这个世界充斥着信息、错误信息和肤浅的想法。辩论者项目推动了人工智能的前沿，以促进智能辩论，从而使我们能够建立消息灵通的论点并做出更好的决定。

测相关文件中的声明
在相关文件中检测证据
否定声明
综合新颖的主张
在整个语料库中检测声明
改进语料库范围内的声明检测
评估论证质量

跨文本关联论点