"AI会不会取代法官"还停留在思想实验里的时候,有一个国家的法院系统已经把这个问题变成了随机对照实验。今年七月发布的一篇工作论文,自称是第一个评估生成式AI进入国家司法系统的大规模实地试验;十一月,又有一组德国实验回答了另一半问题:公众到底能不能接受法官用AI?把这两块证据,再加上模型自身能力的最新测量拼起来,会得到一幅比"支持"或"反对"都更具体的图。
## 一场覆盖半个司法系统的试验
先说那个实地试验。研究团队与巴基斯坦司法系统合作,为初审法院定制了一个生成式AI助手(JudgeGPT),然后把118家法院的1559名法官随机分成三组:第一组拿到AI,并接受针对这个工具用法设计的培训;第二组拿到AI,但只接受通用的科技与法律培训;第三组只接受通用培训,拿不到AI。这个设计把"给不给工具"和"教不教怎么用"拆成了两个独立的问题——试验在正式开跑前就注册了方案,也过了两家机构的伦理审查,联合国大会去年的文件里甚至点名提到过它。
结果分三层。**第一层是使用**:拿到AI加针对性培训的法官,更可能真正用起来、用得更频繁,而且能持续用下去;拿到AI但只上通用培训的那组,采用率、使用深度和持续性都明显跟不上。**第二层是产出**:行政记录显示,受处理法官比例更高的地区结案更多——在中位暴露水平(约两成法官拿到AI加针对性培训)的地区,相当于每年多结1,848件案子,比平均水平高出6.3%。**第三层是质量**,这也是最容易被质疑的地方:上诉率略有下降,基于两百多份判决书的文本分析也没有发现写作质量下滑的迹象,反而略有改善。
更有意思的是法官们实际拿AI干了什么。聊天记录显示,他们主要用它澄清法律概念、辅助起草文书——而针对性培训起了一个微妙的作用:它把使用推向"语言模型比较擅长"的任务,比如文本润色;同时推离开放式的法律问答——那类回答的核验成本要高得多。换句话说,培训教的不只是操作,是一种分工:容易验证的活儿交给AI,难以验证的判断留给自己。
这篇论文也自己划了边界:它还是工作论文,没有经过同行评审;试验覆盖的是巴基斯坦约一半的初审法官,且参与是自愿的,结论适用于这批参与者,不能直接外推到所有法院。
## 公众能接受法官用AI吗?
生产力的问题有了初步答案,合法性的问题呢?十一月四日,一家德国研究机构在研究博客上报道了一组实验:五项在线实验、2,515名德国成年人,读虚构刑事案件的庭审描述和判决,不同组读到的版本里,唯一的区别是法官在决策中纳入AI的程度——从纯人类法官,到AI只做案情摘要、法官审查后自己决定,到AI进一步提出判决建议、法官可以接受或拒绝并保留最终决定权,再到AI完全自动判决(这个变体目前并不现实,只是用来做对比)。
结果里藏着一个清晰的开关。五个实验里有四个,纯人类法官与"人机共创"两种变体在能力、善意、正直和判决接受度上的评分**大致相当**;只有一个实验里,法官可信度与判决接受度这两项评分随着AI参与加深而下降。但**AI全自动判决的变体,在所有维度上都显著更差**——被评为能力更弱、更不友善、更不讲原则,判决也更难被接受。还有一个细节:当AI单独做决定时,人们在情绪浓烈的欺诈案里比在技术性的税务案里更怀疑它的能力;而这种差异在人类法官或人机共创的情形下并不出现。
需要说明的是,这些实验用的是假想案件,而且被告已经认罪、争议主要在量刑——真实的对抗性定罪程序,公众的评价可能更苛刻。研究者自己的结论是:问题不在于"用不用AI",而在于**谁审查、谁说明理由、谁最终负责**。这与欧盟AI法案的立场一致:司法决策里的AI被列为高风险系统,明确要求人类监督,决定责任留在人类法官手里。
## 模型自己接得住判决吗?
公众的底线和监管的底线都指向同一个问题:如果哪天真的让模型参与判断本身,它接得住吗?两份新的测量各自划出了短板:哪些活儿模型还接不住,已经能具体说出来。
十一月挂上arXiv的一个中文判决生成基准,用3,462份真实判决书构建,覆盖民事、刑事、行政三类案件,把"生成一份合格判决"拆成13类诊断指标。结果是:刑事案件的说理和判项,模型做得相对好;民事和行政案件仍有实质性的困难;而且法律领域的专用模型对通用模型**没有一致的优势**——各有所长,没有谁全面胜出。
另一份证据来自今年AI、伦理与社会会议(AIES)上的同行评审论文:让26个大语言模型和人类被试分别回答25项法律中常见的"合理性"判断——就是法律里"一个合理的人会怎么做"那类标准。总体上看,模型的回答和人类大致同轨;但细看有三个让人不安的模式:模型的回答**更同质**(人类的答案有分歧,模型的挤在一起);偶尔会把本该随情境浮动的标准**当成一条固定规则**来执行;而且往往**更偏向政府和公司的立场**,答案更接近白人、男性、年长、高学历受访者的观点。作者自己提醒,这些只是初步信号,需要更系统的研究来确认或推翻。
## 我的判断
把四块证据拼起来,我的判断是:
第一,这是迄今公共部门AI最扎实的"正面"生产力证据之一——随机分组、预注册、行政记录而非自我报告,而且质量代理指标(上诉率、判决文本)没有恶化。但"没变差"是用代理指标衡量的,司法质量里最难量化的部分——说理是否让当事人信服——任何文本分析都测不到。工作论文的结论,该按工作论文的力度去信。
第二,真正的杠杆不是工具,是培训。同一个AI,配通用培训,用的人少、后劲不足;配针对性培训,持续使用且产出上升。更关键的是培训改变了"用AI做什么":把使用推向容易验证的任务,推离难以验证的任务。这不是一次软件采购的经验,是一次分工设计的经验——法院系统如此,别的机构大概也如此。
第三,公众对AI进法庭的态度,比"支持"或"反对"精细得多:法官主导、AI辅助,信任基本不掉;AI单独决定,信任明显滑坡。公众要的不是"没有AI",是一个**可以问责的人**。这与试验里法官的实际用法(澄清概念、辅助起草)恰好是同一个形态——生产力证据和合法性证据,罕见地指向了同一种部署方式。
第四,能力边界的两份测量提醒别走过头:判决书生成在民事、行政上还不行,让模型做"合理人"式判断又出现了同质化和立场偏斜的信号。AI进法庭,先干可验证的活儿;判断本身交给模型,证据和公众都还没准备好。
留给读者的问题:法官用AI辅助起草之后,判决书里该不该披露?如果一份由AI起草、法官签发的判决出了错,责任算谁的——法官、法院,还是工具的提供方?