余盛峰:法律的“死亡”:人工智能时代的法律功能危机

选择字号:   本文共阅读 1066 次 更新时间:2018-04-14 15:45:15

进入专题: 人工智能   区块链   法律功能  

余盛峰  

  

   摘要:法律的核心功能是维护社会规范性期望的稳定,法律通过“深度不学习”的方式成功化约了社会复杂性。而在人工智能为代表的认知性技术兴起之后,学习能力的急速提高将深刻改变传统法律的特征,法律的计算化和社会科学转向是其典型表现。大数据、区块链、智能合约、模拟仿真等技术应用正在持续改变法律的功能形态,催生出“小法律”、“实验法”等新型学习性法律。从法律不学习到机器学习,将在法律空间、法律时间、财产形态、信用机制、法律自由、法律正义等各个方面产生深层效应。根本性的挑战,在于法律功能独特性的丧失。法律不学习被机器学习取代,规范性期望被认知性期望取代,法律被代码/算法取代,这也就是法律“死亡”的前景。

   关键词:人工智能  区块链  机器学习  智能合约 法律功能

  

一、法律的独特功能:深度不学习与规范性期望


   人工智能时代的法律,区别于以往,将发生何种意义的演变?在何种意义上,我们说法律可能面临“死亡”?本文试从一个核心概念入手,探讨法律的功能性变迁及其内在危机。

   这一核心概念即今天在人工智能领域至为流行的“深度学习”(Deep Learning)。[i]在此概念基础上,本文从功能性的角度,揭示了法律最为核心的特征,即“深度不学习”,也即通常而言的法律“规范性”。所谓规范性,乃对应于认知性和事实性的概念。[ii]简言之,当社会期望失落,当他人未能按照预期相应做出行动,没能按照法律规定执行的时候,法律一定要通过暴力威慑或制裁机制,强行维持其规范性权威,而绝不因为期望的失落,对期望中的规范性预期,做出认知性的实用调整。正如卢曼所言,法律的功能,既不是社会控制,也不是惩罚犯罪,法律最为核心的功能,乃是维护社会规范性期望的稳定。[iii]

   也就是说,法律和人工智能不同,它不能采取深度学习的态度,时刻根据外界信息、参数或标识的变化,灵活调整它的规范、原则和价值。朝令夕改,则无以措手足。法律最本质的特征,即“深度不学习”。这一核心特征的形成来自于法律所面临的先天悖论:法律必须对一系列不可决定的事务做出决断。[iv]正是矛盾无法解决,才需要法律给出终局判决。由于当事人无法通过武力、经济和伦理方式解决纠纷,法律才必须对不可决定的事情做出决断。在这个必须做出决断的时刻,法律最大的功能特征即体现为“不学习”:法律不再参照外界的各种地位、关系、信息、参数和数据进行反馈式调整,不会考虑当事人的情感或道德诉求,也不会参照当事双方的经济状况及其财政效果,更不会采取科学实验推理的方法模拟法律结果,而是必须“照章办事”,严格按照法律条文来断案。

   经典研究已揭示,在人类历史上,无论中西方文明,法律从早期的巫术、神判、占卜、决斗开始,实际都采取了此种深度不学习的功能态度。[v]“龟为卜,策为筮,卜筮者,先圣王之所以使民信时日、敬鬼神、畏法令也;所以使民决嫌疑、定犹与也”;[vi]“皋陶治狱,其罪疑者,令羊触之。有罪则触,无罪则不触”。[vii]西方法律史上,诸如热铁法、热水法、冷水法、吞食法、摸尸法、决斗法,更是不绝如缕。[viii]尤其在早期文明中,由于技术手段落后,法律不学习的“野蛮”特征就尤为突出,必要时就诉诸神秘的巫术、无常的命运或冷酷的暴力来形成法律裁断。即使到现代理性法时期,对于疑难案件,由于彻底还原事实真相或适用法律的困难,仍然需要法官的自由心证或陪审团裁决,需要在必要时采取不学习的态度,对案件做出终局裁决。

   由于社会的高度复杂化以及由此带来的大量疑难案件,无论采用金钱赎买的方式(比如欧洲中世纪早期的赎杀金制度),还是采取家族复仇和同态复仇,不仅社会成本和负外部性高企,而且还将陷入人人自危的丛林状态。[ix]至于非诉讼纠纷解决(ADR),除了成本因素,也需特定熟人社会或稳定社区的基础。在进入现代社会后,对于疑难案件,上述方式都难以可行。那么,是否可以采取“科学学习”的方法,也即认知性、实验性的方法?通过设置模拟性实验,提出新假说、新工具、新方法,来反馈式地调整假设,根据认知变化和实验结果,对于原先的期望做出调整,进而形成新的结论。如此行之,“学习成本”是极为惊人的,如此采纳科学学习的方法处理各种争端,势必陷入极大麻烦。社会矛盾的积累不容许如此从容的“学习”,不允许经由认知性过程,依赖认知工具的改进,通过实验模拟过程,一步步修正和论证,最终才做出“可证伪”的认知性科学结论。[x]更关键的是,休谟对认知和规范所作的经典区分,科学学习揭示的“是什么”(is),无法推出社会规范意义的“应当是什么”(ought)。[xi]

   法律过程因此是一种深度不学习的制度安排,是高度反认知性的规范化操作技艺。如果每一次沟通都需要通过“学习”来验证各种身份、事实、时间和权利状态,社会沟通势必遭到阻碍。因此,必须借助类似法律这样的“不学习”机制,通过各类第三方法律机构的认证、判决和裁断,来保障社会沟通进程的顺畅。这与人工智能“深度学习”所代表的认知性操作技术,正好形成了鲜明对比。法律不学习的根本目的,正是为了化约社会的高度复杂性,从规范化的角度将学习带来的没有止境的认知链条暂时切断。在人类社会演化中,经常需要切断这一认知性和共识性的链条。如果一切社会沟通都需要通过学习达成共识,将成为阻碍社会演化的沉重负担。古代社会的共识形成具有便利条件,而当发展到高度复杂和分化的现代社会,共识成本已不可同日而语。

   所以,众多法律制度发展都是用来斩断此种社会沟通的共识需求。例如,法律上的所有权制度(ownership),其实就是对财产占有在所有主体之间所需达成共识的一种切断。[xii]所有权设置之后,所有权人无需再和所有非所有人一一谈判来达成产权共识。法律所有权切断了此种共识获取的必要,直接赋予财产在规范上的法律效力。国家暴力威慑确立了所有权的权威,中断了社会共识通过认知性学习持续获取的必要,赋予了财产具有规范性权益的共识。所有权制度只是其中一例,除此之外,包括法定物权、合伙、法人、契约、侵权、犯罪、知识产权等各种法律类型,都在特定领域承担了此种切断共识获取的功能。这使高度复杂的社会沟通避开了进行持续认知性学习的必要。[xiii]

   只有通过法律不学习才能有效化约社会复杂性。而为了适应社会的高度复杂性,也需要增强法律系统自身的复杂性。必须通过法律自身的高度复杂性,才能化约社会的高度复杂性。法律通过内部学习的方式,维持了它以不学习方式化约社会复杂性的规范化功能。这事实上正是当代法律大爆炸的根本原因。尤其是现代法律,必须通过内部的深度学习来维持其对社会深度不学习的功能方式。概而言之,法律乃是一门同时结合了内部学习和对社会不学习来维护规范性期望的特殊技艺。

   人类法律起源于古老的占卜活动,占卜产生了最早的文字,随之产生了吉/凶这样的源初代码。[xiv]实际上,吉/凶就是规范性的二元代码。对占卜人提出的任何疑问,卜辞直接就给出吉/凶的决断,这种决断是反认知性的,没有任何“科学性”可言。占卜所实现的,因此也就是一种法律的功能。当有疑难案件需要占卜,卜辞直接就会给出“法律”上的决断,吉/凶即为合法/非法。实际上,一直到今天,法律这种不学习的类占卜术的规范性特征都没有被根本改变。法律一直是通过对社会不学习的功能方法,来维护社会的规范性期望稳定,从而实现其特殊的功能。

  

二、智能机器社会的崛起:小法律、实验法、区块链和智能合约

  

   但是,在人工智能带来的机器学习潮流之下,当法律遭遇代码和算法,当法律代码化,当代码法律化,当代码逐步接管法律,当法律由于机器学习带来的学习能力的急剧提升和学习成本的急速下降,其独特功能就遭遇到了深刻挑战。

   我们通常所谓的机器学习的要义是:对于某类任务T和性能度量P,在T上以P衡量的性能随着经验E而自我完善。[xv]简言之,机器学习实际上是一种从随机数据中提取模式的方式(extract patterns from data),与规范性方法不同,它是一种建立于学习性、描述性和统计学基础上的定量方法。它的机理在于将新增加的信息和之前形成的记忆不停进行综合,从动态的随机数据中临时建立相关性的模式,进而做出当下的判断。这种学习过程需要通过感知不断收集新的信息,同时经由记忆的储存调用历史信息,最后基于当前状态对未来做出预测并行动,从而改变现有系统的运行。也就是说,机器学习是一种自我适应和自我改进的反馈机制,它以当前的运行作为下一步指令的基础,根据实际的状态而不是规范的预期作为策略选择的依据。这就与法律不学习形成了鲜明对比。因为,法律不学习始终是以一整套固定的符号系统来维持规范性期望为目标。如果说机器学习是一种基于统计学的随机性控制,那么法律不学习则是致力于逻辑确定性的反认知性技艺。

   法律不学习是因为世界的高度复杂性,它必须借助不学习的规范化机制来化约这种复杂性;而机器学习则预设了世界的离散性(discreteness),它假定世界可以被一种数学机制来完全化约。正如著名的丘奇-图灵论题(Church-Turing Thesis)就宣称所有足够强的计算装置都可以相互模拟,正是在这个意义上,法律系统也认为可以被机器学习所模拟。[xvi]

   李晟博士对机器学习给传统法律实践带来的影响做出了深入的说明,他指出,在智能机器的法律学习中,每一个当事人数据的输入,都不再是孤立的数据,而是会成为机器学习的内容,并发展出处理未来数据的方法。在法律活动的参与者与提供法律服务的人工智能之间,因而就会形成密切的互动。当事人获得人工智能依据数据输出的反馈,做出自己的行动决策,而决策本身也形成新的数据供人工智能进一步学习。[xvii]这就深刻改变了传统法律的运作特征,因为,传统法律的不学习是通过规范性预期的稳定来实现法律的功能,它在意识形态上建立了对这种法律规范性封闭运作的信心,因此只需在“合法/非法”这样一组二元代码中执行法律的运作,并有意与日常经验和实践反馈拉开距离。而机器学习的逻辑则与之不同,它会通过各种大数据、身份虚拟账户、评分系统、智能算法的技术装置帮助,形成对法律主体持续追踪认知、认证、评价、识别和反馈的学习性网络。[xviii]正是由此,各种控制论、系统论、信息论、演化论、博弈论、概率学、复杂性思想和统计学方法正在不断侵入法律领域。

也就是说,随着智能机器社会的崛起,人类法律正出现一个从牛顿式的大定律-小数据向默顿式的大数据-小定律模式演变的趋势,正在从UDC(不定性、多样性、复杂性,Uncertainty,Diversity,Complexity)的社会向AFC(灵捷、聚焦、收敛,Agility,Focus,Convergence)的方向演化。[xix]也就是说,传统的法律不学习实际是基于牛顿的经典力学模式,它根据统一化的“大法律”来整齐划一地规范各种“小事件”,它需要通过不学习人为地简化和收敛各种复杂场景,化约社会沟通复杂的事物、社会和时间维度,以更好实现韦伯有关法律成为自动贩卖机的理想。而智能化的机器学习则开始从海量的“大数据”中根据特定的场景、语境和实用的需要,随机提取特定的“小法律”来形成对行为的反馈机制。在这种情形下,(点击此处阅读下一页)

    进入专题: 人工智能   区块链   法律功能  

本文责编:陈冬冬
发信站:爱思想(http://www.aisixiang.com),栏目:天益学术 > 法学 > 理论法学
本文链接:http://www.aisixiang.com/data/109455.html
文章来源:《华东政法大学学报》2018年第2期

0 推荐

在方框中输入电子邮件地址,多个邮件之间用半角逗号(,)分隔。

爱思想(aisixiang.com)网站为公益纯学术网站,旨在推动学术繁荣、塑造社会精神。
凡本网首发及经作者授权但非首发的所有作品,版权归作者本人所有。网络转载请注明作者、出处并保持完整,纸媒转载请经本网或作者本人书面授权。
凡本网注明“来源:XXX(非爱思想网)”的作品,均转载自其它媒体,转载目的在于分享信息、助推思想传播,并不代表本网赞同其观点和对其真实性负责。若作者或版权人不愿被使用,请来函指出,本网即予改正。
Powered by aisixiang.com Copyright © 2018 by aisixiang.com All Rights Reserved 爱思想 京ICP备12007865号 京公网安备11010602120014号.
易康网