近年来，人工智能高速迭代发展，给各个行业带来翻天覆地的变化。2019年1月召开的中央政法工作会议强调，要推动大数据、人工智能等科技创新成果同司法工作深度融合。在这个背景下，检察工作要建设和运用大数据法律监督模型，借助数字技术、人工智能推动检察工作向纵深发展。
我的发言大体分为四个方面：第一，人工智能给司法工作带来的冲击，以及它在司法领域的应用；第二，人工智能辅助检察监督可能形成的新抓手，监督工作呈现新面向；第三，人工智能在刑事司法中的能力边界与风险；第四，人工智能时代如何改进检察教育培训，进一步提升检察官的专业化水平。
我想表达的核心意思有两个方面：一方面，人工智能技术必须用好；另一方面，在相当长时期内，人工智能未必能够替代高水平司法人员的专业判断。因此，既要推进人工智能技术应用，也要持续提高检察官的解释能力、论证能力和专业化水平。只有把人的司法能力、监督能力与人工智能技术的发展结合起来，法律监督工作才能迈上新的台阶。
一、人工智能对司法工作的冲击及其应用
我们每天的日常生活已经离不开人工智能和算法，可以说生活在算法包围之中。出门打车，平台在计算；到商场购物或者网上下单，相关数据也在被持续记录和分析。有资料显示，商场可以根据购物记录推测消费者所处的人生阶段，继而持续推送母婴用品、儿童教育培训等信息。人工智能可以长期伴随一个人的成长，并通过数据不断提高对个体的识别和预测能力。
机器掌握的知识越来越多。在不少案件中，人工智能已经能够辅助司法人员分析事实、检索规范、生成裁判文书或者抗诉文书的初稿。可以说，人工智能对知识生产方式的改变已经非常直接。
在这样的背景下，司法人员的独特贡献究竟体现在哪里？掌握刑法方法还有没有必要？刑法适用，特别是刑事检察和刑事监督，如何用好大数据、人工智能，又如何坚持法律方法论？这些问题都值得认真思考。法律监督活动高度复杂，如何把海量司法数据转化为检察机关联系群众、服务大局、维护司法公正的有效支撑，已经成为提升检察监督效能的现实课题。
（一）侦查、审判和检察领域的应用
先看侦查领域。大数据早已广泛用于经济犯罪侦查，虚开增值税专用发票、逃税、操纵证券市场等案件，往往需要依靠海量交易数据发现异常。传统刑事案件同样如此。例如，交通事故“碰瓷”案件中，单独看每一次事故，行为人可能都尽量把事故操作做得看似正常；但把一系列事故、人员、车辆、时间和地点数据组合起来，就可能发现异常模式。
人工智能使侦查机关能够运用算法建立模型，预测犯罪活动，锁定犯罪空间和相关主体，评估风险。刑事司法中的算法治理由此创造了新的预测知识和预测治理技术。
再看审判领域。就我的观察而言，公检法三机关中，法院对大数据和人工智能的应用推进得相对较快。最高人民法院持续推动智慧法院建设，各地法院也开展了大量实践。以深圳法院的一些探索为例，人工智能可以覆盖审判全流程，在开庭前辅助阅卷，归纳争议焦点，呈现审判要点，规范裁判思路，统一裁判尺度，解决法官办案中的痛点、难点。
人工智能还可以从海量电子卷宗和类案裁判中提炼规则，提高办案效率，并生成裁判文书说理部分的初稿，再由法官修改完善。司法是公认的高风险、高利害领域，但从法院的实践来看，司法人工智能已经探索出较为清晰的应用路径。它所使用的也不完全是开放式通用大模型，而是基于法院案件数据进行专门训练和学习，因而能够在一定程度上减少通用大模型的“幻觉”问题，提高专业化程度。
检察机关也已经开展了很多探索，包括类案检索、量刑建议辅助、案件信息提取和大语言模型应用等。有的系统能够生成相对合理的量刑区间，供检察官判断；北京等地在数字检察、智慧检控方面的探索也值得肯定。未来，检察机关还需要进一步跟上技术发展，建设能够辅助研判案件、整理证据变化、归纳争议焦点的系统，使司法判断更加精准。
（二）人工智能司法应用的积极功能
借助人工智能开展法律监督具有明显的正面社会功能。第一，提高效率。人工智能能够处理、分析海量数据，发现仅凭人类个体理性难以识别的关联和模式。第二，促进公正。算法在适当设计和正确使用的前提下，可以减少部分由人的偏见、经验局限和主观随意性造成的差异。第三，提高安全性和安全感。人工智能能够帮助预测风险，并使检察机关通过办案更有效地参与社会治理。
因此，对人工智能在司法领域的积极探索，应当给予充分肯定。问题不在于用不用，而在于用在什么环节、以什么方式使用，以及如何确保人始终掌握最终的判断权和责任。
二、人工智能辅助检察监督的新面向
人工智能辅助检察监督，大体可以处理两个层面的问题。第一个层面是以数据筛查、比对和计算为主的问题，这类问题人工智能通常能够较好解决。第二个层面则不仅涉及计算，还涉及法律判断、利益权衡和规范推理，也可以说是涉及“算计”的领域。检察监督案件，特别是抗诉案件，往往具有较高难度，因此需要把机器的计算能力与人的判断能力结合起来。
（一）以数据计算强化监督线索发现
近年来，“两高”工作报告多次提到检察机关运用大数据开展立案监督。例如，通过分析车辆加油频次、油量、交易主体和开票情况，可以发现异常线索，进而监督相关增值税犯罪案件的立案。类似做法的关键，在于把分散、孤立的数据转化为可供法律监督使用的异常指标。
人工智能还可以用于发现虚假诉讼、清理长期积压案件和“挂案”。有的案件立案后长期不侦结、不撤案，靠传统人工排查很难全面发现；通过跨部门数据比对，则可以及时识别异常状态。
涉案财物的查封、扣押、冻结和处置，同样是人工智能可以发挥作用的领域。特别是涉及民营企业的大额财物，更需要把查封依据、财物范围、保管状态、处置进度等信息查清楚。公安机关的涉案财物系统如果能够与检察机关的监督系统有效衔接，检察机关就可以及时掌握情况，发现超范围、超期限或者处置不当等问题。很多司法难题，未来都可以借助人工智能形成更加有效的监督。
（二）以智能辅助提高疑难案件监督能力
有些案件比单纯的数据计算复杂得多。例如，有的案件一审法院以贪污罪定罪，二审因检察机关抗诉改为受贿罪，之后又因申诉、再审发生新的定性变化。这样的案件争议大、法律关系复杂，需要对事实、证据、规范和裁判理由进行系统分析，单靠模式匹配是不够的。
缓刑、假释适用是否妥当，也是检察监督中的重要问题。对行为人未来危险性的评估，需要综合大量信息。美国较早就使用大数据风险评估工具辅助决定羁押、缓刑等问题，而我们目前仍较多依赖司法人员的经验和直觉。有时是否对被告人适用缓刑或假释，检察机关与法院难以达成一致，也与缺乏稳定、可验证的评估基础有关。未来，人工智能可以提供辅助，但最终判断仍必须由司法人员作出。
对检察机关而言，最困难的监督方式之一是抗诉。刑事抗诉难，民事抗诉往往更难，因为人民法院在相关领域具有较强专业性，检察机关发现裁判问题并不容易。人工智能至少可以在三个方面提供帮助：一是提高类案和规范检索效率；二是发现审判程序和裁判结果的异常，例如，同一案件历经多次审理、后判不断改变前判；三是辅助生成抗诉理由和抗诉文书初稿，帮助检察官梳理争点、组织论证。
法院可以用人工智能生成判决书初稿，检察机关当然也可以用它生成抗诉书初稿。关键是必须明确：法律文书初稿只是辅助材料，不能替代检察官对事实、证据和法律的独立审查，更不能把机器输出直接转化为司法结论。
三、人工智能辅助检察监督的限度与风险
即使是机器学习算法，无论自身如何训练、如何迭代，也很难完全替代顶尖法律人的交叉思考和价值判断。人工智能用于检察监督必然存在限度，检察官能力培养和专业化建设因此永无止境。检察官学院承担的队伍培养任务，不会因为人工智能发展而减轻，反而会更加重要。
我们在大学教学中也经常思考：人工智能如此发达，大学存在的必要性是什么？教师在课堂上传授知识还有什么意义？但只要反复观察人工智能的运行机理和它对复杂问题的判断，就会发现它仍然难以达到真正高水平法律人的能力。提高检察官专业化水平，对提升法律监督质效仍然具有决定性意义。我们必须坚持“人是万物的尺度”。
（一）算法不能替代价值判断
有人工智能研究者曾指出，人类正站在智能发展重大突破的悬崖边上，甚至可能孕育出超级智能的人工生命体。但在这个时刻，我们面临的最重要问题并不是纯粹的科学问题，而是价值问题：人类的目标究竟是什么？这不是关于真理的技术判断，而是关于价值观的选择。
算法的主要目标通常是提高效率，但人的关怀、个案正义以及社会利益的综合衡量，不能完全还原为计算。司法人工智能的决策和系统建设往往自上而下推进，可能缺乏充分的公众监督和基层参与；算法设计及其后续自主学习还可能形成“黑箱”，使人难以解释、控制其结论；过度依赖算法，也可能压缩法官、检察官的自由裁量空间。
因此，算法既是社会治理的工具，也是社会治理的对象。司法人工智能在提供便利的同时，也会带来新的风险，必须被规范、监督和问责。
其他领域也存在同样的问题。例如，“金税四期”能够依靠数据和算法准确发现纳税异常，提示某个主体可能存在欠税；但未及时缴税的行为是否构成欺诈或者逃税，仍然需要税务人员结合法律规范和具体事实作出判断。机器擅长发现异常，却不能当然完成规范评价。
（二）算法应用面临正当程序和偏见风险
司法算法尤其容易受到关注，因为它直接涉及社会正义和个人权利。美国较早使用算法评估再犯风险，辅助决定是否羁押、是否适用缓刑。2016年的美国威斯康星州“州诉卢米斯案”（State v. Loomis）中，法院在量刑时参考了COMPAS风险评估结果。被告人提出，该系统的源代码属于商业秘密，自己无法观察和质疑其运作过程；同时，系统将性别等因素纳入评估，可能形成偏见。威斯康星州最高法院最终没有支持其上诉理由，但该案集中暴露了算法应用在可解释性、质证权和公平性方面的问题。
无论如何，算法都会面临问责、正当程序、平等保护、隐私保护和透明度等方面的挑战。这要求算法开发和司法应用必须保持审慎，开发者和使用者都应尽到合理注意义务。
（三）刑事司法数据可能固化既有偏差
刑事司法领域还存在一个特殊问题：机器学习所依赖的历史数据，本身未必充分、均衡和正确。第一，我国刑事司法数据库中的无罪判决样本较少。以维权后索要高额赔偿被认定为敲诈勒索、组织和领导黑社会性质组织犯罪，以及所谓“远洋捕捞”涉及民营企业家的案件为例，数据库中能够供机器学习的无罪样本十分有限。机器在此基础上训练，很容易输出倾向有罪的结论。
第二，正当防卫、紧急避险在以往司法实践中被认定得较少，故意伤害罪等有罪案件则相对较多。虽然近年来在“两高”尤其是最高人民检察院推动下，正当防卫的认定明显增加，但机器学习往往覆盖更长时间的历史数据，最终可能对正当防卫的认定采取过度保守的立场。
第三，长期以来，在很多案件中，法院的量刑总体偏重。机器学习既有裁判后，通常就会给出偏重的量刑建议；但在贯彻宽严相济刑事政策、重罪案件占比下降的背景下，司法人员的量刑观念应当随社会形势和刑事政策发生变化。历史数据不能自动代表今天最适当的裁判尺度。
因此，司法人工智能尤其是刑事司法人工智能输出的结论，必须被打上问号，由司法人员进行再次审查和独立判断。检察机关在决定是否抗诉、如何提出抗诉理由时，更要保持警醒，不能把算法输出当作当然正确或者唯一正确的答案。
四、人工智能时代检察教育培训的转型
今年是国家检察官学院成立35周年。我多次到学院授课，学院主办的刊物也多次发表我的论文，我对学院有特殊感情。在这里，我作为学院的“兼职教员”，想结合大学法学教育的体会，就人工智能时代如何培养检察官、提升法律监督水平，谈几点建议。
（一）从知识灌输转向问题导向
人工智能的发展对传统教学和培训造成了巨大冲击。如果课堂仍然只是重复刑法基本原理、基本原则、基本概念和犯罪论体系，而且讲授内容与教材完全一致，这样的教学就缺乏意义，也缺乏灵魂。大学课堂对此感受非常直接：学生带着电脑来上课，教师如果只是照本宣科，学生很难保持注意力。
这并不是说基本原理不重要，而是说课堂不能停留在复述教材。人工智能时代的大学教育和检察培训，应当讲授大数据运用的专门知识，讲清楚司法人工智能能够做什么、不能做什么，有什么优势、存在哪些不足；尤其要让学员了解大模型编造案例、虚构法条、产生“幻觉”的风险，以及如何核验和纠正。
（二）从静态课程转向动态实战
培训教育应当用人工智能辅助教学，但课堂要少一些可以直接从书本获得的一般知识，多讲观点形成的过程、论证方式和反对意见。培训的价值，不只是让学员记住一个结论，而是让学员理解为什么得出这个结论、还有哪些不同方案、不同理论之间如何展开争论。
学校和学院应当成为学员交流、提问和提高实际能力的场所，而不是教师单向灌输、满堂讲授的场所。应增加换位思考训练，组织检察官、法官、律师之间的交流和辩论，使学员能够站在不同诉讼角色和不同制度立场上分析同一问题。
同时，学院还应当创造学员与法学家面对面讨论的机会，让学员了解一个研究问题如何形成、写作任务如何展开、论证背后有哪些考虑。今后，如果我有幸再来检察官学院授课，我可以直接和学员讨论问题，少讲抽象的原理、原则，围绕问题展开讨论，推动培训从静态课程向动态实战转变。
（三）培养超越人工智能的司法能力
学员应当带着问题参与培训，在学习兴趣小组和交流团队中形成归属感。学习不能只是在文献中寻找既有知识，还要在与他人的交流中观察不同的思考方式，并把这种交流延续到培训结束之后。
检察教育培训要着力培养学员的应变能力、说明能力和论证能力。检察官不仅要能够得出结论，还要理解不同理论争议，能够完整展示自己分析事实、解释规范和权衡价值的过程。只有这样，才能真正体现接受专业培训之后超越人工智能的能力。
总之，人工智能要积极使用，但不能迷信；检察官的主体地位必须坚持，专业能力必须持续提升。把人工智能的计算优势与检察官的法律判断、价值判断和责任担当结合起来，才能真正推动检察监督能力的提升，助推检察官高质效办好每一个司法案件。
我的发言就到这里，谢谢各位！
周光权，清华大学法学院教授，第十四届全国人大常委会委员、宪法和法律委员会副主任委员。
