清华法学院“法律人工智能应用”系列讲座首讲开讲
华宇元典董事长蔡建军解析AI技术演进与法律AI未来
近日，清华大学法学院“法律人工智能应用”系列讲座迎来首讲。华宇软件子公司华宇元典董事长、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，系统梳理了人工智能77年的发展历程。课程旨在通过回顾历史，揭示技术兴衰规律，构建理解AI的思维框架，从而更好地应对未来的技术选择。
回溯起点：从“机器判案”的早期构想说起
讲座溯源至1949年《明尼苏达法律评论》中的一篇文章，当时提出的“法律计量学”曾发问：“为何不制造一台机器来判案？”彼时的答案是缺乏可输入机器的术语。74年后，随着ChatGPT等技术的出现，机器不仅能处理案件文书，甚至能生成内容，但也带来了“幻觉”等新问题。
蔡建军指出，人工智能的发展主要沿着三条路线演进：以专家系统为代表的符号主义、基于数据学习的连接主义以及在试错中学习的行为主义。这三条路线最终在当今的大模型技术上实现了汇合。
专家系统时代：规则推理的局限与挑战
上世纪五六十年代，专家系统被视为希望所在。其核心逻辑是将法条、判例及专家经验转化为规则，由机器进行推理。如医学领域的MYC系统和法律领域的TAXMAN系统，具备可追溯、可解释的优势。然而，由于知识需人工录入，存在覆盖面窄、维护成本高等瓶颈，导致行业一度陷入低谷。
在法律AI领域，真正的难点并非要件推理，而是从复杂事实中抽取法律要件。例如，小区内部道路是否属于刑法意义上的“道路”，以及“善意取得”、“过错”等依赖通识判断的概念，是机器难以跨越的认知门槛。
机器学习时代：算法黑箱与可解释性困境
进入连接主义时代，机器学习依靠数据、算法和算力的合力实现突破。2012年AlexNet在图像识别领域的成功标志着这一时代的到来。然而，高准确率并不等同于高可靠性。
研究表明，神经网络可能并未学习到关键逻辑，而是通过其他特征得出正确结果，这就是算法“黑箱”问题。2016年的Loomis案中，被告质疑量刑辅助系统COMPAS存在偏见且无法质证。法院最终确立的原则是：此类工具仅供参考，不能作为决定性依据，且必须提供警示。
大模型时代：检索增强与可信依据的构建
大模型的核心能力在于预测下一个词，进而覆盖各类语言认知活动。它融合了底层的神经网络（连接主义）和基于人类反馈的强化学习（行为主义）。当前，提升模型可用性的关键在于工程化能力，包括提示词工程、检索增强生成（RAG）以及智能体（Agent）的应用。
华宇元典深耕法律AI十年，通过“先检索、再回答”的技术路径，推出了“元典问达”产品。该模式将模型回答锚定在法律条文与真实案例之上，有效降低了法律问答中的幻觉率，提升了结果的可信度。
未来展望：法律人的核心价值在于判断
回顾七十年技术演进，知识形态经历了从规则到参数，再到“参数+外部知识库+技能”的螺旋上升。每个阶段解决了旧问题，也暴露了新挑战，如从追求可解释性到应对黑箱，再到强调可溯源与可问责。
蔡建军提出，判断一项法律工作是否适合交由AI处理，标准在于“知识是否充分、结果能否验证”。AI将替代重复性任务，但无法替代人的价值判断。在冲突理由间做出取舍，依据的是价值观，这是机器无法逾越的界限。
结语
技术不断迭代，但对理由可信度的要求始终未变。核心不在于AI能做什么，而在于如何让AI的输出值得信赖。