自2016年中办、国办印发《国家信息化生长战略纲要》，将建设“智慧法院”明确列为了国家信息化生长战略始，我国司法信息化革新就正式迈入大幅生长阶段。智慧司法的焦点建设基础是使用大数据、人工智能为代表的新型信息技术，来实现传统法治技术与理念难以完成的司法目的。新型智能技术应用于司法，提高了侦查效率，简化了诉讼法式，节约了诉讼成本，给执法界带来了许多新气象；与此同时，必须处置惩罚好此类技术的运行实质与执法思维间的关系。

　　第一，数据建模与执法演进。新型智能技术应用的焦点，在于通过对详细事物的生长举行评估和预测，从而指导下一步决议的制定。

智能技术具备预测功效的理论基础在于，人类的大部门行为都受制于纪律、模型以及原理规则，而智能技术依靠庞大的信息数据，从已知的知识（特征）出发，使用概率统计等数学盘算方法来寻找事物运行生长的纪律。然而，当建设在历史数据上的结论生成并指导决议制定后，新决议又会作为历史数据成为下一次决议制定的数据基础……周而复始，指导决议制定的信息类型逐渐类似，信息渠道也会趋于单一。

这与法制历程正好相悖。执法是不会永恒地躺在立法预设的框架内的，随着社会的不停生长，人的生活方式与理念连续变化，旧的执法规范得以破除或修正，而新的更切合人们行为老例的执法规范被制定。由于执法的演进历程掺入了大量涵盖政治、经济、文化等的新鲜因子，其不停吸纳新变量的向前模式恰好与数据建模不停排错的“循旧”偏向相左。

　　第二，数据关联与执法解释。舍恩伯格与库克耶在著作《大数据：生活、事情与思维的大厘革》中明确指出，大数据的运算只注重结论，无须明确因果关系，因而数据之间的关系只是关联而已。对此，澳大利亚学者Janet Chan打过一个例如：对一个等式而言，Y是Z的因子，通过调整Y就可以改变Z，也即当Y被新的因子Y'所替代时，Z值也就成了Y'导致的效果；而大数据的应用却无须证明因果关系，这就意味着，只要Z值稳定，纵然Y因子集中的数据发生了改变，也无从得知发生的是怎样的改变。

所以，想要使用智能技术去研究某个社会现象，进而推动法治的历程，难度较大，因为数据对效果的出现是“单一化”的。与此差别的是，执法最突出的特征之一就是解释的多样性。

对执法的解释虽然遵循一定的尺度和原则，却没有恒定的结论，也就有了扩大解释、限缩解释，以致判例法中法官造法情况的泛起。例如，社会生长需要将游戏装备解释为“财物”时，智能技术依靠旧有履历是无法阐明二者间的因果关系的，那么将该技术应用于司法裁决就会泛起谬误。

　　第三，数据预测与规范适用。美国学者Bernad Harcourt指出，用基于历史数据的关联性得出的决议举行预测，会形成反馈环路，从而削弱或摧毁滋扰因素的影响，而这种滋扰因素往往是推动决议革新的关键。

这也意味着，如果没有外来的新鲜因子被不停输入数据库的话，只依靠智能技术自运算，最终的预测效果将容易陷入停滞。由于这种运算模式强调的是一般纪律的遵守，清除意外的变量因子，最终或可能导致对多样性的排挤。然而，多样性是应对不行预知的情况条件改变的关键，过分的行为一致性将增加系统运行的风险。

因此，当数据运算应用于司法裁决时，就需要警惕过于一致性可能导致的司法僵化甚至社会生长停滞的风险。须知，司法裁决与规范适用绝不是为了排挤少数异见，而是一个从多数社会群体的配合利益出发，兼顾少数、弱势群体的声音，并不停革新的历程。而智能技术建设在对履历不停吸取上的运行实质，容易清除执法适用中的“杂音”，二者间存在一定的张力。

　　第四，数据决议与司法裁决。由于大型数据集无法展示所有数据及演算历程，因此运算效果通常接纳图表方式来出现，然而将数据效果转换成图表的历程，却潜伏着关键数据丢失的风险。且数据的换算是极其庞大、多条理的，其中某个环节的换算堕落，经由多环节的换算，这个错误就可能被放大无数倍。此外，运算效果的出现还需要履历更为庞大的语义转换，也即对数据举行压缩。

学者Gregory Chaitin认为，数据不经由压缩成为理论或更为精简的叙述，就不具有任何意义。这也意味着，在智能司法应用中，案件需要描绘的情形越多，数据越冗长，压缩水平也就越厉害。然而，由于智能技术无法证明数据间的因果关系，也会造成纵然意识到了可能存在的失真风险，也无法找到堕落的原因、无从修正的现实。

与此同时，我国坚持审判公然原则，通过裁判公然、法官释法说理来最大限度满足社会民众的知情权，使司法制度在阳光下稳定运行。由此，智能技术应用于司法裁决时可能会陷入一个悖论：人们需要知道裁判细节与历程来监视司法公正，同时搜集的数据信息越多，智能审判工具越需要对运算历程简化以使公共明确讯断效果得出的原因。　　要想妥善处置惩罚智能技术运行与执法之间在模型建构、执法释义、规范适用和司法裁决四个方面存在的不协调问题，可以创设一个风险控制系统，从整体对二者在运行上的兼容性举行掌握，以期实现智能技术辅助司法决议的最优化。　　首先，在建构研究模型时增设“软信息”填补平台，以抵御智能运算“循旧”模式的僵化。

智能技术的预测功效是以履历为履历的对信息的高度归纳综合，在演算中容易陷入僵化的“循旧”倾向。在详细适用中，需要注意：一是严格区分群体与个体、一般与个体的决议适用，警惕存在的将群体的一般性归纳数据适用于个体的决议类应用模型；二是在数据建模时增设“软信息”填补平台（注：一般将适用于个体或少数情形的信息称为“软信息”），定期检测新数据因子的泛起频率和影响力，并在新因子的频率和影响力到达一定阈值后，将其作为决。

本文来源：ng体育-www.frstea.com