浙江大学-生成式人工智能赋能智慧司法及相关思考

1.生成式人工智能发展脉络

什么是人工智能？

人工智能（Artificial Intelligence）：是以机器为载体所展示出来的人类智能，亦称为机器智能（Machine Intelligence）• 让机器模拟人类在视觉、听觉、语言和行为等方面的某些功能。

什么是生成式模型？

生成式模型

 学习“数据如何生成的”（联合概率分布） • 目标：学习数据背后的“完整故事”，包括数据的分 布规律，甚至能自己“编故事”（生成新样本）。 • 像什么：一个画家，不仅会判断“这是猫还是狗”， 还能亲手画出一只猫或狗。 • 怎么做：先分别学习猫和狗的特征（比如猫的尖耳朵、 狗的尾巴形状），然后建模它们的整体分布规律。

判别式模型

学习“如何区分数据”（条件概率或决策边界）• 目标：直接找到“区分猫狗的关键线索”，不关心数据本身如何生成。• 像什么：一个侦探，专注研究“猫和狗有什么不同”，快速抓住关键证据。• 怎么做：直接学习猫狗之间的“分界线”，不关心猫狗各自长什么样。

区分芒果和榴莲： 生成式模型：研究芒果的颜色、形状、气味，以及榴莲的尖刺、气味，甚至能“合成”一个虚拟的芒果。判别式模型：直接记住“有尖刺的是榴莲，黄色椭圆形的是芒果”，遇到水果时快速对比。

生成式人工智能技术，是指具有文本、图片、音频、视频等内容生成能力的模型及相关技术。

生成式人工智能的到来

生成式人工智能的典型代表：ChatGPT nChatGPT：大数据+超算力，现象级AI应用引发范式革命。

GPT-1（2018）：开启预训练范式。核心突破：基于Transformer解码器架构，采用“无监督预训练+任务微调”的训练模式，参数1.17亿。 • 任务微调指在预训练模型的基础上，使用特定任务的数据继续训练，来优化其在目标任务上的性能。通俗来说，就是给一个“什么都会一点但不精通的通才”做专项特训。 • 能力特点：掌握基础语义规律，但生成文本较机械，像刚学会造句的小学生。

GPT-2（2019）：展现零样本学习能力。规模升级：参数增至15亿，训练数据扩展至40GB网页文本。• 技术亮点：证明了无需任务微调即可完成翻译、摘要等任务，生成文本连贯且富有创意，如撰写短篇小说。 • 社会争议：因可能生成虚假信息，OpenAI一度限制其开源。

GPT-3（2020）：参数爆炸与少样本学习。参数跃迁：1750亿参数创纪录，训练数据涵盖45TB互联网内容。• 能力质变： a. 少样本学习：对于一个全新的任务，只需要给其提供1-5个示范案例，AI就能根据原有知识，迅速掌握全新的技能任务 b. 通用性突破：具有卓越的语言理解能力，和一定的归纳、演绎逻辑推理能力。 • 局限性：存在“幻觉”问题，可能编造看似合理但错误的内容。

ChatGPT（2022）：对话式AI的里程碑。技术革新：基于GPT-3.5，引入三阶段训练： a. 海量文本预训练：构建语言知识库； b. 人工标注示范：学习对话礼仪与安全准则； c. 人类反馈强化学习：通过人类反馈减少无益、有害输出。• 应用爆发：成为写作助手、编程导师、多语言翻译工具。

GPT-4（2023-2024）：多模态与系统化思维。架构升级：参数规模上，1.8万亿参数，采用混合专家（MoE）架构提升效率；多模态融合上，支持图像输入与文本生成，如解析医学影像生成诊断报告 。 • 能力跃迁：GPT-4在美国法考、GRE、SAT等排名提升至人类考生前10%水平；在法律、医疗等垂直领域表现接近人类专家。

2.生成式人工智能赋能智慧司法

本院认为自动生成

问题：给定原告诉请和事实描述, 目标是生成法官对原告述请支持与否的文本描述 (判决及其理由) n 挑战：数据混淆偏差，因为原告只在胜诉率高时下才起诉，导致超过76%的民间借贷案件的原告诉请是被支持的n 想法：引入因果反事实模型，解决数据驱动所导致的混淆偏差。

基于法律知识的可解释性判决

问题：给定原告诉请和事实描述, 目标是预测法官对原告诉请支持与否n 挑战：数据驱动+知识指导，如何让模型学习法律判案知识n 想法：使用一阶谓词逻辑对法律知识进行编码，并将一阶谓词逻辑表达式转化为可微的、端到端训练的神经网络组成部分。

3.生成式人工智能的不能

在保持连贯的上下文语境中，对若干个单词进行有意义线性组合，从而连缀成一个会意句子；在保持合理的空间布局下，对众多图像小块进行有意义结构组合，拼合为一幅精彩图像；在保持一致的连续时空内，对一系列时空子块进行有意义时空组合，从而拼接成一段动感视频。