华宇元典法律人工智能研究院编著的《让法律人读懂人工智能（精）》梳理了与法律行业密切相关的专项技术，从法律人的角度出发，对这些技术要素重新做出解读，形成了一套法律人可感、可知的人工智能技术底层知识架构，同时也展现了过去几年智能技术与法律行业的融合应用实践，构建了一幅多维度的探索图景；既集合和尝试回答法律人对人工智能争议热门的问题，也邀请了对这个领域的探索家与关注者分享了他们的洞见及展望。

第一章
智知：突破法律人的“认知障碍”
看上去很美的“智能”，可能不是人工智能！
与法律人相关的人工智能是什么？
法律知识图谱的概念与建构
机器学习的“黑盒”是什么？
人工智能进击法律的三条路径
人工智能的双面历程
AlphaZero横空出世，距离横扫法律界还有多久
人工智能系统的法理学思考
AI时代数据之争，我们需要什么样的“数据权”？
数据法视角下“个人信息”的概念剖析
第二章
践行：AI与法律行业融合的实践展现
法律人？工程师？法律 人工智能靠谁连接？
法律智能产品经理之我见
大数据如何助力司法改革科学决策
大数据时代下，如何进行司法行政信息化建设
智慧法检：法律大数据为法检行业升级赋能
民商事案件智能辅助办案系统的研发路径
律师端决策辅助的应用
大数据下法律实证研究的可能创新与传统依赖
生活在算法之下：AI算法的歧视与反歧视
人工智能在公开的裁判文书中能够挖掘出什么？
数据时代的数据合规最佳实践
人工智能的“黑箱”真的“黑”吗？
延伸阅读：吉林电子法院迈向智慧法院的探索实践
延伸阅读：四川智慧法院建设实践
延伸阅读：深度解读《检察大数据行动指南（2017~2020年）》
第三章
趋势：未来“人工智能 法律”的发展方向
法律人为什么要拥抱人工智能？
与AI共处，法律人职业能力向何处迁徙？
在AI时代，法律人需要学编程吗？
人工智能，你可能还不“懂”法律人
数据竞争与司法裁判
用问答系统代替人工做法律咨询，距离我们还有多远？
机器人能代替法官吗？
人工智能的法官职业之路
人工智能全面进军法律界？先做好这三件事！
纽约律师眼中的人工智能：到底砸谁的饭碗？
智能时代的数字正义理论
打破人工智能算法黑箱
是技术驯化了我们，还是我们驯服了技术?
后记

我曾在2013 年对学生的毕业致词里引用辛波丝
卡的话："We're extremely fortunate not to
know precisely the kind ofworld we live in.
"（我们何其幸运，无法确知，自己生活在什么样的
世界）。
今天，这句话或许可略做修改：我们何其幸运
，无法确知，自己将生活在什么样的世界。
无法确知，无法预知，是因高速发展的科技正
在重塑我们身边的点点滴滴，且它的速度没有减缓
的趋势；幸运，是因这意味着未来充满更多新鲜的
可能性，更多此刻我们无法想象的便利和惊喜，当
然，也会有更多挑战。挑战对于法律人来说是值得
期许的，随着新的事物而来的总是新的规则，若世
上永远是一成不变的纠纷，法律人恐怕会渐无立足
之地，新，恰是法律人的饭碗，以及存在意义。
当下，人工智能便是这"新"的代表。人工智能
会不会取代法律人？如果不会，它又能为我们做些
什么？想起围棋界被AlphaGo 支配的恐惧，法律人
也会惴惴不安，然而低头望着累累卷宗，又会叹息
人工智能为何还不能拍马赶来积极分忧解难。事实
上，这个神秘存在正在日渐耳聪目明，而法律人对
它尚知之甚少。
你的问题，这本书可能并不能允诺给你确切无
疑的答案，但它汇集了法律人工智能这条道路上早
早出发的探索者，以及对此感兴趣的思索者。他们
为你展开的是人工智能触达法律界时，站在边界上
的人们的思考图景和实践路径。他们叙述的不是终
点的灿烂华美，而是站在起点上，张望着无法确知
的未来世界，如何绘制抵达，或者准确地说，出发
的路线。
人类并不是第一次遇到来自技术的挑战。读完
这本书，你大概也会赞同这样一个说法--每一个法
律人不应当去考虑技术是否会替代我，而应当去考
虑当我拿起这个武器，如何去捍卫我所守持的正义
的天平。
林维
中国社会科学院大学副校长。

华宇元典法律人工智能研究院编著的《让法律人读懂人工智能(精)》从智知、践行、趋势三个方面用38篇文章反映了法律人与科技人的知识碰撞，系统展现法律人工智能的真实当下和可能未来。本书希望让法律人在这里读懂人工智能，为法律人进入这个陌生领域尽力提供一些实在的帮助。

北京华宇软件股份有限公司(以下简称华宇)创
立于2001年6月18日。一路走来的华宇以“持续创新
、成就客户”为使命，以“助力客户共建智慧美好
的社会”为愿景，致力于成为值得信赖的智慧信息
服务专家。十余年来，在法律科技、食品安全与市
场监管、教育信息化、安全可靠、数据智能等领域
，华宇都留下了坚实的脚印。
2016年7月25日，北京华宇元典信息服务有限公
司(以下简称元典)成立了。作为华宇的子公司，诞
生在7月的元典被用户和合作者们亲切地称为“小狮
子”，以华宇在法律科技领域多年的积累为根基，
“小狮子”踏上了法律人工智能的征途。
近两年，法律人都能感受到人工智能的热度。
作为这条道路上的探索者，我们却深知人工智能在
法律领域扎实落地，为法律人带来切实辅助所要克
服的重重困难，因此，有了这本书，希望能够为探
索这个领域、想要了解这个领域的人们，提供多一
些支持。
这本书整理了近年来与法律人工智能相关的一
些有价值的观点与讨论，因篇幅所限，一定还有不
少珠玉之作未能一一收录，有最新的业界成果未能
充分展示。我们的初次出版尝试尽管有法律出版社
尽心尽力的襄助，但由于我们自身的知识、能力限
制，也必定存在许多不完美。不过，我们希望能够
把这件事继续下去，定期总结、梳理、分析，像技
术一样不断进化，像产品一样不断升级，为业界输
出更好的成果。
如果您希望就本书的某个观点、话题进行更深
一步的讨论，反馈您对于本书、对于法律人工智能
的看法和建议，或是获取关于这个领域的更多更新
资讯，欢迎关注“元典法律智能”微信公众号。
华宇元典法律人工智能研究院

AI law will be a new kind of law.
——凯文·凯利 著名畅销书作家、科技思想家
读完这本书，你大概也会赞同这样一个说法—
—每一个法律人不应当去考虑技术是否会替代我，
而应当去考虑当我拿起这个武器，如何去捍卫我所
守持的正义的天平。
——林 维 中国社会科学院大学副校长
司法领域一直是智能信息处理研究的主战场。
近年来，随着我国司法信息化进程的稳步推进，知
识工程、自然语言处理、信息检索与推荐等人工智
能基础研究中积累的强大势能在司法领域孕育出越
来越多的应用技术突破，本书记录了包括华宇元典
在内的国内司法领域人工智能研究者的进步足迹，
也提供了一批人工智能在社会治理领域发挥重要作
用的优秀范例。
——刘奕群 清华大学计算机科学与技术系党委
书记、清华大学计算机科学与技术系副教授
我们当前整体处于弱人工智能的发展阶段，法
律领域人工智能的发展水平又要低于医疗、金融、
自动驾驶等领域，正在探索之中，还要投入更多努
力。我们期待出现更多扎实的探讨，有更多专业的
人才投身其中，这本书将是一个开始。
江 溯 北京大学法学院副教授、博士生导师
——北京大学法律人工智能实验室/研究中心副
主任
人工智能确实能对未来法院与法官的工作产生
实质影响。但是，它在司法领域的“落地”是一个
循序渐进的过程，要仰仗法律界和科技界合力攻关
，而非整日臆想机器人“造反”。这本书是一个引
子，希望由此带动业界更多相关人才脚踏实地的研
究、诚恳深入的探讨，帮助我们走得更远。
——何 帆 司法改革工作者、清华大学法学院
访问教授
从信息化迈入人工智能是人类社会发展的大趋
势，任何行业都无法逃避，法律人概莫能外。对此
，检察机关是在主动拥抱这一趋势，由于职业的关
系我也有幸参与其中，牵头起草了《检察大数据行
动指南（2017-2020）》。本书汇集了法律人工智能
行业精英近年来的所思所想，既是法律人认知人工
智能的科普读物，保证让法律人读得懂；也为技术
专家提供了一种法律思维，使工程师也有所启发。
事实上本书的多位作者本身就兼具了法律和科技研
发的双重职业背景。本书就是架设在法律与人工智
能两个领域的一道“金桥”。因此，我推荐这两个
领域的有识之士都可以读读这本书。
——赵志刚 最高人民检察院检察技术信息研究
中心主任

希尔勒创造了“中文房间”思想实验来反驳电脑和其他人工智能能够真正思考的观点。房间里的人不会说中文，他不能够用中文思考。但因为他拥有某些特定的工具，他甚至可以让以中文为母语的人以为他能流利地说中文。希尔勒认为电脑就是这样工作的。它们无法真正地理解接收到的信息，但它们可以运行一个程序，处理信息，然后给出一个智能的印象，但机器并不真的具有智能。
有意思的在于，希尔勒虽然用这个例子来反驳图灵的机器主义学派，但现在红极一时的声学模型(语音识别技术的基础)、图像模型(图像识别技术的基础)、分词检索(搜索引擎的基础技术)在原理上却与“中文房间”实验有颇多相通之处，而语音识别和图像识别被广泛认为是人工智能的基础技术，被称为“感知”技术，与“认知”“判断”构成人工智能的三个阶段。
所谓“感知”，举例来说就像人类的五感，视觉、听觉、嗅觉、味觉乃至触觉等，帮助我们更好地观察世界与感知万物。比如，图像识别模仿了人类的视觉能力，语音识别模仿了人类的听觉能力等。但无论是从数据科学还是智能科学的角度看，这些技术都属于“数据收集”阶段，即将格式多样的数据收集、汇聚，继而服务于后续的“认知”阶段。
目前的许多大型实验室都将核心技术团队投入到“认知”技术的开发上，典型代表是IBM的Watson团队和近两年红极一时的“AlphaGO”。早在2003年Watson就在智力问答比赛中打败了人类冠军，A1phaG0和其他竞技类人工智能能够各领风骚也不仅仅是基于上述介绍的感知技术，而是基于对感知收集的数据进行了深度学习，达到了“认知”的程度，并在“认知”的基础上，进行了简单的“判断”。
可以说，“认知”技术是贯穿整个人工智能研发的核心技术，良好的认知能够基于感知数据，对问题进行“思考”并作出判断。目前的知识图谱技术、无监督学习技术都是服务于机器“认知”能力的提升。而认知的基础，则是希望机器能够具备基础的人类“常识”。
事实上，现代越来越多的人工智能专家，认为机器智能与人类智能的最大区别在于是否具备“常识”。
具有常识的机器智能能够在感知的基础上进行“认知”，从而为“判断”奠定基础。否则机器就只是更快的扫描仪、更好的录音机，而不被认为是具有“智能”的。
为什么“常识”这么重要呢?我们来举两个简单例子。
假如我现在准备出去旅行，我问我妈该穿多少衣服。我妈回答我：“能穿多少穿多少。”这个时候，应该怎么理解这句话呢?如果是在冬天，妈妈的话应该理解为：能穿“多少”穿“多少”；如果是在夏天，妈妈的话则应该理解为：能穿多“少”穿多“少”。也就是说，如果要相对准确地理解这句话，机器需要具有“冬冷夏热”的基本常识。假如考虑到冬天北方的暖气和夏天有些地方过于凉爽的空调，在不同的常识基础上对这句话的理解是多变的。
P14-15