[41]参见韩大元主编：《公法的制度变迁》，北京大学出版社2009年版，第59页。

然而，自进入20世纪以后，意图解释屡次受到学者和法官攻讦，以至于在与其他解释理论的竞争中不断退却。立法意图虽然是偏重主观心理的概念，但却可以经由相对客观化的解释技术予以辨别。

究竟应该以谁的意图为准，又是什么样的意图，是主观意图还是客观意图，是一个人的意图还是少数人的意图，是实际的、具体的意图，还是假设的、抽象的意图？对这些问题的不同回答，决定了法官在探究立法意图的过程中可能会参考完全不同的资料(sources)，既包括文本内部的资料，也包括文本外部的资料。(四)立法意图中的司法裁量 或许对于特定事项而言，立法者可能没有具体的、实际的意图，因此法官需要做的是去讨论立法者所持有的概括意图或者语义意图，或者进行想象性重构。国内相关研究也承认这一点。当然，正如本文对意图解释的分析试图表明的，虽然在一些案件中立法意图能够帮助法官寻找到恰当的答案，但是这一概念的方法论运作依然存在着诸多值得进一步予以探讨的问题，因此立法意图绝非法律解释的终焉之地。埃斯克利奇教授在《动态法律解释》中坚持这一立场，(70)他提到了同性恋入境的法律解释难题。

例如，明示其一视为排除其余这条解释准则系指，立法者若在制定法条文中以明确列举的方式说明了具体适用情形，则其他未明确列举的情形视为排除。当然，从比较法的意义上来说，制定法作为一种法律渊源的地位，以及相应的制定法解释技术与风格，在这两个国家中是有差异的。[35] D.A. Waterman and M. Peterson, Models of Legal Decision Making, Report R-22727-ICJ, Rand Corporation, Institute for Civil Justice, 1981, and their Evaluating Civil Claims: An Expert Systems Approach, Expert Systems Vol.1 No.1 (1984), pp. 65–76. See also D. A. Waterman, J. Paul and M.Peterson, Expert Systems for Legal Decision Making, Expert Systems Vol.3 No.4 (1986) pp. 212–226. 关于其他国家动向的概述以及日本的成果，参阅吉野一「法適用過程における推論へのコンピュータの応用」『法とコンピュータ』第３号（1984年）77-99頁、吉野一（編著）『法律エキスパートシステムの基礎』（東京：ぎょうせい、1986年）。

早在14世纪初叶，西班牙哲学家卢勒（Raimundus Lullus, 1235-1315）就构想了一种逻辑机器，由五个可以围绕同一轴心旋转的圆盘构成，每个圆盘包含九个基本概念或问题，通过机械操作各个圆盘得出互相交错的不同组合方式来进行自动化的推理和判断[10]。在这里，e 表示实效性的比率，s 表示作为前提的状况，b是在状况s中行为g （s→g）发生的频度，c→r 是非g（越轨行为ģ）和r 出现的频度。计算机科学要求的是对数据或信息进行精确的处理，但机器学习却要求统计思维，使人工智能系统可以进行概率计算，这意味着使推理和判断的自动化本身也能自动化。甚至可以说近年来中国的司法改革以及法律服务的跨越式发展是由大数据驱动的。

2017年7月，国务院发布《新一代人工智能发展规划》，指出制定人工智能发展的伦理规范是促进人工智能发展的重要保证措施，将构建泛在、安全、高效的智能化基础设施体系等作为重点任务，明确提出人工智能治理三步走战略目标：到2020年部分领域的人工智能伦理规范和政策法规初步建立。[4] 舒国滢《法学的知识谱系》（前引），参阅226页以下。

参考专家排名、信任评级、搜索引擎结果排序等确定价值权重的算法，我们也不妨通过西塞罗-舒托卢克式的论题目录（法律价值群）中不同论题（主张）之间的连线关系、各种一般条款（例如后法废除前法）或原则（例如诚信原则）在法律议论和司法文书中的不同引用频度、价值命题在法律知识网络中的中心性指标等等，形成一套对法律价值进行排序的程序，输入电脑信息系统[38]。根据上述分析，图尔敏描绘了一个比较复杂的论证模型： 与上述论证模型相比较，图尔敏认为形式逻辑的论证模型实际上只采取了单一的概念区别，即前提与结论的区别，导致推理具有过分的雷同性，而无法正确地推敲实际的议论。从计算法学的角度来观察网络空间，图谱是不可或缺的、最基础的数学模型，距离矩阵则是最常见的演算方法，借助马尔科夫链过程模型还可以进行统计学上的概率计算、推测不同因素结合关系的倾向性、进而在贝叶斯理论框架下通过蒙特卡洛模拟的方法来实施法律风险管理。总之，随着法与人工智能的快速发展和迭代，原先未曾实现计算机化的深层法律推理活动——例如经验归纳、数据学习、假说生成、类推适用、模糊推理、关系结构型思考、规范和权利的创造等等——也都可以渐次纳入人工智能的范围内进行研究和应用算法的开发，真正达到智慧法院建设的目标。

对于数据和算法的安全性要对利用者和利益相关者履行充分说明的义务。[40] たとえば、加賀山茂、松浦好治（編）『法情報学――ネットワーク時代の法学入門』（東京：有斐閣、1999年）。在逻辑演算的数据空间，没有严密描述的算法就无法开始动作，但也要通过模糊计算等方法把复杂性、盖然性纳入人工智能系统的研发。由此可见，法律信息学的目标是在收集、储存、分析数据的基础上进行应用，以改进法律运行的机制、提高辩护和审判的效率、实现社会正义。

在他的法学博士论文《论组合术》中，莱布尼茨把几何学图形以及组合算数应用到法律现象，把法学理解为一门由简单术语构成的复杂化组合技艺。把科学实验方法应用于个人或群体行为及其动机的研究（例如刺激-反应式的行为实验和定量分析），就形成了法与行为科学、法心理学以及与法律有关的认知科学等专业领域。

在他看来，关于规范产生效力的逻辑关系不妨归纳为如下公式： 公式左边意味着状况s 中的行为g 对属于对立阶级A的人们具有约束力（V），作为分母的÷是包括经济基础和上层建筑在内的社会关系整体，公式右边意味着属于阶级A的成员或者在状况s中采取行为g，或者在采取非g的行为而成为越轨者Ac，结果接受制裁性反应（r）。人工智能的研发必须始终慎重对待生命伦理，不得毁损人性的价值，并且要确保算法公正。

迄今中国已经涌现了一些关于计算法学的研究和教育活动[24]，但不得不承认这些努力仍然处于初级阶段，还需要进行更有组织的、更体系化的理论建构以及技术实践，还需要法学界与计算机学界乃至相关的科技企业进一步加强交流与合作。（4）优先保护人的安全。进入二十世纪后，美国在作为科学的法学口号鼓舞下，采取经验科学的方法研究法律现象的学术活动蔚然成风。[18] Rudolf von Jhering, Scherz und Ernst in der Jurisprudenz, Darmstadt: Wissenschaftliche Buchgesellschaft, 1964, S.274，引自ルードルフ•フォン•イェーリング『法律学における冗談と真面目』（眞田芳憲、矢澤久純訳、東京：中央大学出版部、2009年）307頁。图尔敏认为，在法律议论中对数据的要求是明示的，而对保证的要求是默示的。（6）在数据收集和计算过程中要切实维护隐私权。

因此，计算法学要突破发展的上述瓶颈，必须在算法、特别是机器学习算法不断生成和进化的新型生态系统中寻找质变的契机，进而把法律与社会带进AIoT网络共生的混沌、数字形态多样性的爆发以及代码框架不断创新和进化的智能寒武纪。欧美的产业界也在2016年9月缔结关于人工智能的伙伴关系，发表了关于确保社会责任、采取防护措施等信条。

[5] See Paul Foriers Chaïm Perelman, Natural Law and Natural Rights, in Philip P. Wiener (Editor in Chief) Dictionary of the History of Ideas: Studies of Selected Pivotal Ideas, New York: Charles Scribners Sons, 1973，引自野嶌一郎（訳）「自然法と自然権」『ヒストリー•オヴ•アイディア叢書１６――法•契約•権力』（東京：平凡社、1987年）22頁。以统计学与运筹学的发达为背景，在计算机技术的推动下，基于判例分析的计量法律学（Jurimetrics，也译作判例法理学或司法统计学）在1940年代末出现[30]，从1960年代初开始获得广泛承认[31]。

（8）保障客户进行选择的自由。（9）确保问责机制的有效运行，关键在于有效防止算法的黑箱化。

参阅王金祥法律信息学研究概述《法律文献信息与研究》1995年第2期1-3页、7页，雄明辉从法律计量学到法律信息学——法律人工智能70年（1949-2019）《自然辩证法通讯》2020年第6期1-9页。[47] 松田雄馬『人工知能の哲学――生命から紐解く知能の謎』（東京：東海大学出版部、2017年）、とりわけ14-25頁、82-86頁を参照。根据美国嘎特纳（Gartner）咨询公司市场分析师道格•莱尼（Doug Laney）在2001年给出的著名定义，所谓大数据，是以数量大、种类多、速度快为基本特征[42]。[24] 初步的研究成果和教材可以举出张妮、蒲亦非《计算法学导论》（成都：四川大学出版社，2015年）。

这意味着计算法学还有一个伦理之维，即具有超越性的第五维度，我们必须认真对待。#04 数字化信息通信技术与计算法学 基于图灵（Alan M. Turing, 1912-1954）提出的关于智能机器的数理逻辑模型，世界第一台庞然大物的通用计算机ENIAC（Electronic Numerical Integrator and Computer）终于在1946年情人节诞生于美国宾夕法尼亚大学。

中国的民事审判高度重视并广泛应用公平责任原则，在比较过失的基础上让当事人适当分担责任或损失，其结果也的确很像该书图1.5所描述的那样（下图所示）。[52] Richard H. Thaler and Cass R. Sunstein, Nudge: Improving Decisions About Health, Wealth, and Happiness, New Haven: Yale University Press, 2008. Cf. Will Leggett, The Politics of Behaviour Change: Nudge, Neoliberalism and the State, Policy Politics Vol.42 No.1 (2014) pp.3-19. [53] ペレルマン『法律家の論理――新しいレトリック』（江口三角訳、東京：木鐸社、1986年）15頁。

例如现实主义法学的代表弗兰克（Jerome Frank，1889-1957）就认为实验的方法在法律领域特别有用，因为法律实务就是调整人际关系和解决人际纠纷的一连串的实验或者探险[15]。尽管图尔敏论证模型由主张或结论、要件事实、论据、证明、反驳这五个因素以及可靠性的强度变量构成，比形式逻辑的论证方式更能反映法律议论复杂性，也更有利于法律推理的计算机化作业，但是，涉及价值的辩证推理以及对不同价值取向进行排序和判断的可撤销性推理等仍然构成智慧司法以及智慧法律服务的巨大障碍。

与此相关的还有作为概率分析图解方法的决策树预测框架似曾相识燕归来，让我们联想起传统法律推理的二叉树形图[29]。[9] Hans Kelsen, Reine Rechtslehre, 1934, S.64, 引自ハンスケルゼン『純粋法学』（横田喜三郎訳、東京：岩波書店、1935年）104-105頁。[25] Sir William Petty, The Petty Papers: Some Unpublished Writings of Sir William Petty, London: Constable Co., 1927, Vol. I, p.197, no.17 and no.18. [26] Ian Hacking, The Taming of Chance, Cambridge: Cambridge University Press, 1990, 引自イアン•ハックング『偶然を飼いならす』（石原英樹、重田園江訳、東京：木鐸社、1999年）138頁。主要举措是由其他人工智能系统进行监视和警告，实现技术与技术之间分立和制衡的结构。

他认为法律的理由论证其实是以某个主张及其潜在的反驳意见为前提的，在遭遇异议时主张者必须对自己的论点进行正当化，举出作为根据的事实。随着计算机科学和技术的飞速发展，数据空间中人工智能系统之间的互动和机器学习算法的迭代正在不断导致网络结构的自生变异、带来混沌以及脱轨和失控风险，为此需要不断改进代码架构以及法律规制方式，尤其是开发更好的学习算法以及类脑计算系统。

[11] 详见边沁《道德与立法原理导论》（时殷弘译，北京：商务出版社，2011年）87页以下。早期的耶林（Rudolf von Jhering, 1818-1892）也是概念法学的提倡者，他把法律的概念体系想象为化学元素表，可以按照逻辑进行排列、配对、合并以及重组，在这个意义上他认为概念具有孕育和创新的功能，可以赋予法律条文以生生不息的活力。

但是，在复杂的人际关系和具体语境中对不同的利益和主张进行评价、选择，势必凸显社会价值的复数性和相互冲突，需要进行价值取向的排序和取舍。应用程序编程接口以及协议的公开。