生成式人工智能赋能智慧司法及相关思考

生成式人工智能发展脉络

• 生成式人工智能定义：学习数据如何生成（联合概率分布），能生成新样本，像画家一样创作。
• 发展历程：
  • GPT-1 (2018): 开启预训练范式，参数1.17亿，掌握基础语义规律，生成文本较机械。
  • GPT-2 (2019): 规模升级至15亿参数，展现零样本学习能力，生成文本连贯且富有创意。
  • GPT-3 (2020): 参数爆炸至1750亿，实现少样本学习，具有归纳、演绎逻辑推理能力，但存在“幻觉”问题。
  • ChatGPT (2022): 基于GPT-3.5，引入三阶段训练，成为写作助手、编程导师、多语言翻译工具。
  • GPT-4 (2023-2024): 参数规模达1.8万亿，采用混合专家(MoE)架构，支持多模态融合，能力跃迁至接近人类专家水平。
• GPT训练方法：
  • 自监督学习：完形填空形式下文字接龙，预测缺失单词。
  • 人教机学：提示学习和指令微调，让人工智能模型说人话、做人事。
  • 尝试与探索：人类反馈下强化学习，通过人类反馈减少无益、有害输出。
• 大模型扩展定律：随着模型规模、训练数据和计算资源的增加，模型性能会得到显著提升。
• DeepSeek发展：
  • DeepSeek LLM: 参数规模达670亿，具备强大的语言理解与生成能力。
  • DeepSeek-V2: 开源混合专家(MOE)模型，在长文本处理、复杂语义理解方面表现出色。
  • DeepSeek-V3: 总参数高达6710亿，采用创新的MoE架构和FP8混合精度训练，在长文本生成、代码理解和数学推理等任务中表现卓越。
  • DeepSeek-R1: 新一代推理模型，性能与OpenAI的o1正式版持平并开源，在数学、代码以及各种复杂逻辑推理任务上表现出色。
  • DeepSeekCoder: 首个开源代码大模型，支持多种编程语言，能有效助力代码生成、调试以及数据分析任务。
  • DeepSeekMath: 在数学推理任务上表现优秀。
  • DeepSeekVL2: 市面上唯一能同时兼顾多模态理解和文生图且保持高性能的模型。

生成式人工智能赋能智慧司法

• 当前司法审判问题：案多人少、简单案件花费大量精力、案件审理周期长、群众满意度不高、裁判标准难统一、同案同判缺标尺。
• 智慧司法智能审判系统框架：包括数据层、模型层、应用层。
• 自动生成判决：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：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。
• 小模型赋能智慧司法业务应用：争议焦点生成、裁判文书生成、生成法官话术、生成智能法官助理“小智”。
• 大模型引发范式革命：ChatGPT引发AI内容合成（AIGC）现象，推动人工智能能够为普通用户使用。
• 评估测试：
  • 评估的大模型：OpenAI o1、DeepSeek-R1及其他17个通用及相应的扩展大模型。
  • 评估结果：DeepSeek-R1展现了强大的中文法律推理能力，在多个任务上超过OpenAI-o1模型，但在法律多跳任务推理、法律判决预测、辩论挖掘等方面准确率还有待提升。
  • 错误分析：DeepSeek-R1在中英文法律任务中的错误分析揭示了几个关键不足：法律知识储备不足且滞后、法律问题理解能力有限、推理过程中存在事实性幻觉。
• 司法领域垂直大模型“智海-录问”：
  • 数据：中文司法知识数据40G、3189部法律、50504部法规。
  • 训练：指令微调数据140K条。
  • 知识库：《中华人民共和国刑法》《中华人民共和国民法典》等。
  • 架构：多轮指令-回答、法条库、类案库、逻辑学习、知识增强、司法解释、法律教材。
  • 开源：Github开源、阿里巴巴魔搭（ModelScope）社区开源和开放。
• 大小模型协同赋能智慧司法：大小模型协同，在司法判决预测辅助任务上取得进展。
• 智海-录问 2.0：意图识别与反问智能体学习、大小模型协同、端云协同学习。

生成式人工智能的不能

• 人工智能算法的局限性：特斯拉车毁人亡事件、谷歌公司的图像标注系统错误。
• 人工智能学习特点：数据驱动、关联学习、概率输出。
• 关联学习的来源：因果关系、混淆偏差、选择偏差（虚假关联）。
• 关联学习导致人工智能的不能：
  • 数据关联不可解释：例如，太阳镜销售量与冰激凌销售量相关，但并非因果关系。
  • 数据关联不可用于支撑决策：例如，小孩子的阅读能力与鞋尺寸有强的正相关，但人为改变鞋的尺寸不会提高阅读能力。
  • 数据关联不稳定：会随着时间、数据、环境等变化而变化。
  • 数据关联可能会带来不公平性问题：例如，肤色与犯罪率存在关联，但并非因果关系。
• 人类智能与机器智能的差异：人类大脑具有自学习、常识、直觉等能力，而机器智能目前主要依靠数据驱动和关联学习。
• 人类的作用：制造工具、利用工具、协调人与机器的关系，推动人工智能发展。