没有人能随随便便成功，包括 AI

2026 年 10 月 10 日晚，清华大学法学院“法律人工智能应用”系列讲座课程迎来首讲。华宇元典董事长、总经理蔡建军以《AI 技术的历史和未来：在日新月异中把握 AI 技术发展规律》为题，带领同学们回望人工智能走过的 77 年。这门课没有把历史讲成编年史：回望过去，是为了看清支配技术兴衰的规律、建立理解 AI 的思维框架，再把历史经验反哺到今天的选择——“要掌握未来，最好的方法是先看懂历史”。

讲座从 1949 年《明尼苏达法律评论》上的一篇文章讲起。作者提出“法律计量学”，并发问：为什么不造一台机器来判案？他给出的答案是——“困难在于，我们没有可以输入机器的术语。”

74 年后，问题发生了反转。2023 年，纽约联邦法院对一名律师发出制裁令，因为他把 ChatGPT 编造的判例写进了起诉文件。机器不仅“读得懂”案件、写得出文书，还开始“凭空编造”。蔡建军用三条经典路线，串起这中间发生了什么：以专家系统为代表的符号主义、从数据中学习的连接主义、在试错中学习的行为主义——这三条路线，最终在今天的大模型上汇合。

上世纪五六十年代，人们把希望寄托在专家系统上——把法条、判例、专家经验写成一条条规则，让机器按规则推理。医学领域的 MYCIN 能让医生追问“你为什么问这个”，法律领域的 TAXMAN 则尝试用规则处理税法问题。它们可追溯、可解释，却很快撞上瓶颈：知识要由专家一条条输入，覆盖面窄、维护成本高，行业随之陷入寒冬。

在蔡建军看来，法律 AI 真正难啃的，从来不是“要件推理”，而是从事实到法律要件的抽取。危险驾驶罪里，小区内部道路算不算刑法意义上的“道路”；何为“善意取得”、何为“过错”——这些依赖通识的判断，是机器最难跨越的坎。

进入连接主义时代，机器学习知识靠的不再是人工写规则，而是数据、算法、算力的合力。2012 年，AlexNet 在 ImageNet 图像识别大赛上一战成名，让错误率一年骤降十个点。

但“准确”并不等于“可靠”。1993 年的一项研究里，一个神经网络预测老年福利发放的准确率达到 99%，事后却发现它根本没学会“年龄”这条关键条件——这正是算法黑箱的代价：它给出答案，却说不清理由。2016 年的 Loomis 案是这一困境的标志性案例：被告质疑量刑辅助系统 COMPAS 的算法是商业秘密、无法质证，还可能放大偏见。法院最终的立场耐人寻味：这类工具“可以参考、不能决定、必须警示”。

谈到今天的大模型，蔡建军给了一个形象的概括：它本质上只做一件事——预测下一个词。但神奇之处在于，一旦掌握了语言，它就几乎覆盖了所有靠语言完成的认知活动。三条路线也在这里重新汇合：底层的神经网络是连接主义，而训练中靠人类反馈不断“试错”来校准答案的强化学习，正是行为主义的回响。真正拉开差距的，是使用模型的能力：从提示词工程，到“先检索、再回答”的检索增强，再到让模型规划、执行、验证、纠错的智能体（Agent），每一步都在把不确定性进一步“框住”。做法律 AI 已十年的华宇元典，正是沿这条路把“先检索、再回答”落成元典问达——让每一次回答都回到法律条文与真实案例上，大幅压低了法律问答的幻觉率。

回望的价值，最终落在“人”身上。蔡建军把七十年的教训浓缩成几条规律：知识的形态在螺旋上升——从规则，到参数，再到“参数 + 外部知识库 + 技能”；每个时代解决一个法律之问，又暴露下一个——从“可解释”到“黑箱”，再到“可溯源”“可问责”。他也给出一个朴素的判断标准：一项法律工作适不适合交给 AI，看“知识是否充分、结果能否验证”。模型不会替代职业，只会替代任务，人的价值正越来越多地转向判断与决策——在冲突的理由之间做取舍，最终依据的是价值，而“这一步不能交给机器”。

这堂课只是一个开始。作为系列课程的首讲，后续还将围绕法律智能体、AI 编程、智慧法务产品设计等主题陆续展开，华宇元典也将持续为清华师生带来一线的产业实践与真实案例，与同学们一道，在实验与试错中，寻找法律 AI 的下一步。

— END —

从个体提效到组织生产力

华宇元典让生产级法律智能体进入企业真实工作流程，推动分散的个人使用走向组织化应用，形成可持续的组织生产力。

联系我们，定制企业法务解决方案

让生产级法律智能体进入你的企业工作流

扫码咨询