引言

智慧法院2016年开始从内部的适用逐渐发展为外部与内部相结合的内外互联，到现如今可以说更迭了更新的形式，也就是将新兴AI技术结合使用的“嵌入式”新模式实现了数字与审判流程的各个环节的互通。深圳市中院在推进数字法院的进程中，自主开发的人工智能辅助审判系统。象征着全国首个司法审判领域的大型人工智能模型的正式启动。它预示着“人工智能+审判”深度融合的新篇章即将开启，也为人工智能技术可能产生司法问题提出了奠基。

一、数智时代的背景与数字时代的演进

（一）数智时代的定义与特征

数智时代即大数据和人工智能广泛运用的时代，大数据（Big Data）是指规模巨大、复杂多样的数据集，无法用传统的数据处理工具有效处理和分析，要求涵盖符合要求的多样数据库、算力达标的计算设备辅助分析。而近年来人工智能成为各行各业的热点议题，这一热议随着AI技术（Artificial Intelligence）的不断突破为不同行业实践带来了新兴力量。

（二）理论定义的语义边界明晰

人工智能（AI）技术是一个广泛的领域，涵盖了多种技术和应用。除了大语言模型，放置在数智时代的背景下与司法共同探讨时，尤其要明确。大部分学者在探究该技术与法律结合进行理论揭示、实践探讨时，均未明晰具体名词的边界与外延，也未根据当下现状动态更新技术内涵。

本文所提及的AI技术均为人工智能领域内的“大语言模型”，指的是那些能够理解和生成自然语言文本的复杂机器学习模型。这些模型基于大量的数据进行训练，能够捕捉语言的统计规律，如文本生成、翻译、摘要、问答系统等。

二、数智时代AI技术在司法审判中的应用现状

（一）AI技术在我国司法领域的发展进程

该类技术一开始仅是对于“网上办理”等诉前、诉后执行予以支撑，即当事人可以网上起诉、法官可以线上审理、电子送达法律文书等等程式单一、无需训练的重复性事务；逐渐演进为以查询类罪、文书研判、法官查法等诉讼活动、司法裁判的重要支撑。

深圳中院的新创设系统把公正和效率贯彻始终，通过AI技术将诉讼环节与过程切割所得的节点实现诉讼流程的更加细分，以便于实现技术结合法官的关键工作场景，开发出立案智审、智能阅卷、智能庭审、智能文书生成等4个功能模块，实现了AI技术在司法审判全流程的赋能，从而显著提升了审判工作的质量和效率。

以诉讼流程的关键环节——庭审为例，智能庭审模块在庭前和庭中提供全面支持，通过案情研判、规则推送以及庭审提纲生成等功能，大幅缩短了庭审准备时间，并有效提升了庭审的效率。将法官从重复性和事务性工作中解放出来，使他们能够将更多精力投入到案情研判和规则研究等体现法官智慧和价值的工作中，最终为公众提供高质量的司法服务。

该系统具备全要素“透视”能力，能够深入分析案件的各个要素，包括当事人的特性、纠纷的特点以及各方的利益诉求等，随着法官办案数据的不断积累，模型的适用性不断增强，使用效果也越来越好，从而不断提升了辅助办案的效能。但是该中院所设计的这套“智能系统”仍然只是承担了对于司法裁判的辅助性事务，裁判权仍然由法官行使。

根据深圳特区报统计：“上线半年来，系统作为“超级助理”完成了321万次的法官指令任务，全市法院上诉率同比下降24.2％，一审裁判被发回重审或改判率下降27.5％，申诉申请再审率下降12.6％，平均结案时间大幅缩短38天。”

指标	数据表现	对比提升幅度
民商事案件审结周期	平均缩短93天	下降41%
法官个案处理效率	提升2.5倍	上升150%
文书生成准确率	初稿合格率92%	人工修正耗时下降70%

（二）AI技术在司法中的主要应用领域

1. 案件分析与文书生成

在数智时代，另一个对于人工智能是否实践于司法的决定性因素，则是模型的训练。AI的模型训练是指通过大量数据输入和算法优化，使AI模型学习数据中的模式和规律，从而能够进行预测或决策的过程。可以将利用AI求解的指令用公式予以表现：指令=角色+问题+模型+参考+期望，仅以自然语言形成的“指令”即可获得深度思考结果。

2. 法律文书校验

AI可以通过自然语言处理（NLP）技术对法律文书进行校验，确保其符合法律规范和格式要求。对于法律工作者而言，无论是律师、法官都会面临大量的法律文本，即使类案也会存有差异化的判决方式，那么如果要利用法律文本数据进行理性推导出某一结论，则是庞大的工作量。这时候利用AI技术加以辅助，则可以进行快速地审查与检索。

比如，AI可以快速检测文书中的语法错误、拼写错误和标点符号使用不当等问题，提高起诉主体诉状的合规性，降低驳回可能；可以识别文书中的法律术语，确保其使用符合法律规定和行业标准，减少不同司法机关的差异化判决，有助于司法统一；AI可以在书写时提供矫正纠错的功能，提高数据库中有效数据的数量，实现数据生成、数据利用的闭环；AI可以自动核对文书中引用的法律条文，确保其准确性和时效性。

3. 司法判决辅助

AI可以通过大数据分析和机器学习技术，辅助法官和律师进行司法判决结果的预测和参考。AI可以快速检索历史案例，找到与当前案件相似的法律事实和判决结果，为法官提供参考；也可以根据案件事实，自动推荐适用的法律条文，帮助法官和律师快速定位法律依据。基于历史判决数据，AI可以预测案件的潜在判决结果，帮助律师和当事人评估诉讼风险。所以对于控辩审三方而言，AI技术均可以提供法律的辅助性帮助，提高诉讼效率，简化诉讼过程。

三、人工智能技术应用的潜在风险

（一）偏见累计——公平原则的违反

上文提及，无论是哪种算法，都需要大量的数据“投喂”得出相应的结论，也就是巨量数据累积出“正确答案”。但是历史判决数据并非完全正确，在裁判历史中没人可以保证所有的裁判都符合公平正义的要求，这是为什么程序法中给予了上诉期等其他保障诉讼程序正义的手段。那么包含社会偏见、种族歧视、性别歧视等问题的法官偏见、作为自由心证呈现于裁判文书的裁判意见，如果这些偏见被AI模型积累学习并得出可以推演出结果的程式，就会呈现出“毒素累积”的可能，则会导致更加偏私、不公平的裁判结果，则不仅侵害了当事人的相关权益，也会危害应当公正的司法进程。

美国的COMPAS是一款先进的风险评估软件，主要用于预测罪犯再次犯罪的可能性。通过这款软件，法官可以在决定被告和罪犯的保释金额，获得更为精准的参考依据。曾经算法的预测结果与实际状况出现偏差时，便暴露出算法中的偏见问题。具体表现为，算法系统性地将非裔群体/非裔美国人错误地标记为高再犯风险群体，然而事实上他们并未再次犯罪；另一方面，算法却将白人群体/欧裔美国人判定为低再犯风险，但实际情况是这些人继续实施了犯罪行为。而这一偏见在实践中更是被无限放大其弊端，2013年，Eric Loomis因驾驶偷盗车辆被捕，法院使用了风险评估工具COMPAS，该案被告人Loomis被评定为“高风险”，法官据此判处其6年监禁。此种情况下，案件初审法官强调其只是对于AI风险评估分数予以参考，但是判决书中引用了其高风险结论。在理论和实务界都引发了该类AI软件对于自由心证的影响，甚至衍生出“算法绑架”（Algorithmic Determinism）的言论。

（二）透明性匮乏——司法公开原则的忽视

AI模型的决策过程通常是“黑箱”，难以解释其推理逻辑。这在司法领域尤其危险，因为司法裁判需要透明和可解释性。即技术保密与司法透明的矛盾冲突。虽有近期的代码开源的热点争议，但透明公开之内容、公众与技术之间的天然壁垒并不能解决现存冲突。

AI开源的发展历程可以追溯到早期的人工智能研究，当时许多研究机构和大学开始共享他们的研究成果和代码。用法律语境予以释义，就是各创作者对于其创作作品，通过特定的开源许可协议来共享，这些协议规定了使用、修改和分发开源AI项目的条款和条件。也因为专业术语的内涵与外延不明确，就导致了大家天然认为对于技术内容的开放等同于运算过程的透明，殊不知二者之间的鸿沟并非几行代码或几个模型的透明被填平。在司法AI系统（如深圳法院）可能使用开源框架（代码），但自定义训练模型、不予公开。数据的开源也有一体两面，由于基础数据的运算方式单一，在此之上运行的代码不会产生太大的差异，只存在算法的演变；则会产生数据库的重复、计算结果的单一、信息茧房等弊端。而对于能够解析具体演算过程的核心技术并未公开。与之相反，审判中要求的“司法公正透明”则要求各级人民法院创建开放、动态、透明、便民的阳光司法机制，自从最高法在2015年发布《关于全面深化人民法院改革意见》后，司法公开、司法透明也就成了司法过程中的关键要求。此AI企业对于核心技术的保护，造成无法公开的运算过程，将必然导致“算法黑箱”这种强保密性的思考过程。

（三）责任归属不明——责任承担主体缺位

如果AI辅助裁判出现错误，责任应由谁承担？是法官、开发者还是AI系统本身？这在法律上尚未有明确的规定。

首先，需要明确AI在裁判中的角色。假设AI可能只是辅助工具，比如提供数据分析、案例检索，而不是最终决策者。这时候责任可能在法官或使用AI的机构，因为作为使用有责任审核AI的建议。然后，考虑技术因素。如果错误是由于算法缺陷或数据偏差导致的，可能需要开发或提供AI技术的公司负责。法案可能要求透明度和人为监督。中国目前有没有相关法律，则需要查阅最新的法规，比如《新一代人工智能伦理规范》或者《个人信息保护法》里的相关规定。所以无论是司法者还是律师对于AI技术运用所产生的不利后果，所侵害的权益不仅是司法的公正，也是当事人的合法权益。所以仍需要探讨诉讼主体被侵权后，责任划分不明确，导致受害者无法追责。

（四）有效文本的局限性——法律滞后性衍生的适用局限

1. 文书差异化削弱数据库有效利用率

诉讼主体的多元，就导致了作为案例重要组成部分的起诉、上诉、答辩等文书具备文本和叙述方式的差异化。就诉主体的不同，就会产生对于案件事实不同的叙述方式，即使选定某一诉讼主体，文书表达的差异化也会成为重要变量。那么在数据投喂时，就需要巨大的案例数据库加以支撑，才可以抵消文书表达差异化的变量带来的无效数据。但是数据库的来源过于单一，现可利用最大的数据库为“中华人民共和国裁判文书网”中生效裁判（以下简称裁判文书网）。就该网站而言，检索类案都会发现生效文书在不同法官笔下的差异化表现。

2. 样本匮乏所致模型训练可能性丧失

以知识产权类型案件为例，知识产权案件中庭外和解的比例较高，如美国专利案件约95%在审前和解或撤诉（美国联邦司法中心数据）；商标与版权案件和解率约70%～80%（美国律师协会报告），中国整体知识产权案件约40%～50%通过调解或撤诉结案（最高人民法院2022年报告）。

上述数据均为公开和解的数据来源，和解后企业依托律师进行谈判协商，无论是过错方的妥协还是双方磋商过程均为双方行为，自然也毫无走到公开审理的可能。全球过半的知识产权案件以非公开方式（和解、撤诉或调解）结案，仅少数进入审判程序。

所以对于此类案件，现有公开审判案件量无法达到“模型训练”之需求，究其原因主要是由于知识产权的权利特殊性，公开审理可致核心技术、商业机密暴露于公众；亦或者是因为庭前分流的“诉前调解”或者专利案件被行政程序分流。但无论何种原因都带来单一的结果导向——模型训练的数据匮乏。所以为确保法律公正、程序正当，也无法产生智能技术参与该类庭审的可能。

四、人工智能技术在司法应用中的优化路径

（一）技术与司法的责任认定设想——侵权主体的追责

司法适用人工智能技术时，可能需要多方共担责任，比如开发者、使用者和监管机构共同负责，但具体比例需要法律明确。还要考虑伦理层面，比如AI决策的透明性和可解释性。如果AI的决策过程不透明，导致错误难以追溯，责任划分会更复杂。这时候可能需要技术提供方确保算法的可解释性。最后，用户可能希望了解目前的实际案例或法律实践。比如在中国是否有相关的判例，或者政策导向如何。可能需要提到责任归属还在探讨中，法律尚未完善，但趋势是强调人类最终责任，技术方需合规。总结起来，责任主体可能包括开发者、使用者、监管机构，可以就现行法律框架与AI技术结合做出如下假设：

1. 技术开发者责任（产品责任）

由于技术开发者设计的算法缺陷，未能达到承诺导出结果所导致的错误，可以适用《中华人民共和国产品质量法》来追责。技术开发者也可以以此为思路，根据41条相关规定来提出反证。

其次就是上文提及的数据偏见问题，这就需要证明训练数据存在系统性偏差，不仅需要收集数据库中的“偏见型数据”，还要予以比对证明其与正当数据之间的差异才能完成举证责任。

2. 司法使用方责任（过错责任）

假设司法者在适用AI技术辅助审判时，法官未履行合理审查义务，如全部依托AI技术得到的裁判结果、未能审慎裁判导致不公正的裁判结果。

依照现行法律得以预防的技术规范：既然暂未出台相应的法律规定，就上述问题则应当根据法规要求进行规制：根据中华人民共和国科学技术部发布的《新一代人工智能伦理规范》，规定了从事、适用人工智能的自然人、法人的伦理指引。对于上述假设问题，可以根据第四章的供应规范、第五章的使用规范来进行预防。建设具备追溯机制的人机合作关系。并且最高法在2022年发布了《关于规范和加强人工智能司法应用的意见》。提出了对于二者合作运用的分段机制，第一阶段是“规则引领”第二阶段似乎“应用示范”。2025年基本建成较为完备的司法人工智能技术运用体系，方便提供全方位智能辅助支持。明确“人工智能辅助结果仅可作为审判工作或审判监督管理的参考，确保司法裁判始终由审判人员作出，裁判职权始终由审判组织行使，司法责任最终由裁判者承担”即“人类法官最终负责制”。AI辅助司法裁判具有巨大的潜力，但也面临诸多挑战。在模型训练中，必须确保数据的公平性、透明性和可解释性，同时建立完善的法律和伦理框架。AI应作为法官的辅助工具，而非替代者，以确保司法裁判的公正性和人性化。

（二）新兴技术并行的外部监管——司法透明与司法公开的外部保障

2024年1月19日，欧盟委员会、欧洲议会和欧盟理事会共同完成了《人工智能法》的定稿。对全球范围内人工智能都是创举性的立法行为，这一法案制定AI司法的数据标准、算法审计、责任认定规则[10]，完善了技术和司法结合所产生的法律后果和规制手段。欧盟《人工智能法案》是全球首部全面规制人工智能的综合性立法，其对司法领域AI应用的透明度要求具有标杆意义，尤其体现在“算法解释权”（Right to Explanation）和高风险系统监管方面。算法解释权是指司法AI作为“高风险系统”必须向用户（法官、当事人）提供两部分的内容才可以完成裁判工作，一是技术文档：包括训练数据来源、模型架构、决策逻辑；二是简明解释：以非技术语言说明AI如何影响裁判（如“被告前科记录占比30%”）。此二者就类似于裁判文书中的法条适用和说理部分。司法特殊性在于若AI辅助，需区分“统计参考”与“法律判断”，即为了明确二者哪一个是法官裁量结果，哪一个是数据测量之结果，避免混淆自由裁量权。

（三）公众参与抵消伦理技术风险——多元标注

法律判决涉及复杂的价值判断，不同背景的专家可能对以下问题存在分歧：比如法律条文解释（如刑法中对于“正当防卫”的界限的定性）；以及对于社会效应考量（如热点案件裁判判决对公共利益的潜在影响）均涉及主观上的多种因素，就像是司法解释其法律效力虽然高于学者专家等法律人士作出的学理解释，但学理解释是法学研究的重要组成部分，虽然它不具有法律约束力，但在法律实践中发挥着不可忽视的作用那么既然缺失立法规制、司法案例数量也局限，此时当依托学理解释产生多元化视角。所以仅由单一群体（如资深法官）标注数据，可能导致AI模型过度拟合特定视角，忽视法律体系的多元性，边缘化其他利益的实现可能。抵消这一偏私可能的做法可以引用德尔菲法（Delphi Method）。

对于科技与司法的结合，其对于司法的优劣显而易见，但是背后实际受惠或受害的是自然人、法人组织。所以对于具体权益的保护，应当遵循“司法为民”的中国特色社会主义司法制度的核心原则。它强调司法机关和司法工作必须坚持以人民为中心，保障人民群众的合法权益，维护社会公平正义。对于新兴科技的创新使用，也应当通过听证会、透明度报告建立社会信任，取得公众认可，建立更加透明的司法过程。

（四）构建主动免疫的技术法律防御机制——抵御有限文本的风险产生

在司法场景中，大语言模型的应用面临着对抗攻击与数据“投毒”等传统技术挑战。攻击者利用精心设计的语义陷阱，如虚构法律条文或扭曲案件事实，能够诱使模型生成错误的裁决建议，这种隐蔽性特征凸显了构建主动免疫的技术防御体系的重要性。为此，司法领域的相关研究应聚焦“动态对抗训练”机制的建立。通过引入法律逻辑验证模块，不断自动生成包含虚构法条（如创设“虚拟物权”概念）和事实矛盾（如时间线冲突）的对抗样本库，从而提高模型应对对抗攻击和复杂法律的能力。浙江法院系统上线的“凤凰金融智审”3.0为这种防御体系提供了可复制的实践范本。该系统通过法律知识图谱和智能算法，将法律规范转化为符号语言，这一做法既确保了裁判文书生成和裁判结果预测的透明性与可解释性，也为法院决策提供了充分数据支持，让法律条文在模型应用中得以精准体现。

未来的发展中，这一技术防御体系将不断演进和优化，以应对更为复杂的对抗攻击手段。随着人工智能技术的进步，攻击者可能开发出更高明的欺骗方法，因此，持续的研究和创新是必要的。司法系统可以进一步引入多方验证机制，通过多个模型的交叉验证来减少单一模型被攻击成功的可能。同时，加强对模型训练数据的审核和筛选，防止恶意数据的渗透。此外，建立实时监控系统，对模型的运行状态进行持续地跟踪和分析，以便及时发现和处理潜在的安全问题。

进一步可以探索将区块链技术应用于司法大语言模型的安全防护中。利用区块链的不可篡改性和分布式账本技术，确保模型训练数据和推理过程的可追溯性和真实性。通过在区块链上记录模型的每一次更新和推理过程，能够有效防止数据被篡改和攻击者恶意操纵的情况发生。

总之，构建和完善主动免疫的技术防御体系，是确保司法大语言模型安全可靠运行的关键。只有通过不断的技术创新和多层次的安全防护，才能在司法场景中充分发挥大语言模型的潜力，提升司法效率和公正性，为社会提供更加优质和可信的法律服务。

参考文献：

1. [1] 陈淑婷. 人工智能辅助司法裁判的伦理风险及治理[J]. 科学·经济·社会, 2024, 42(05):99-113.
2. [2] 李昱檑. 辅助定位下人工智能司法审判研究[D]. 西南大学, 2024.
3. [3] 张梓溪. 人工智能辅助量刑的困境及突破路径[D]. 广东海洋大学, 2023.
4. [4] 莫皓. 论AI法官审判的制度冲突及其调和[J]. 四川师范大学学报(社会科学版), 2025, 52(02):61-70+200-201.
5. [5] 张建伟, 赵润卓. 司法文书公开向司法数据公开的转变及其规则构建[J]. 河北法学, 2025, 43(03):53-68.