苏宇：法律推理的革命

全文转载于《法律科学（西北政法大学学报）》2026年第5期

作者单位：苏宇，中国人民公安大学法学院教授，博士生导师

【摘要】：大型语言模型在理论上能够覆盖人类的法律推理模式。首先，传统法律推理模式可以被基于纤维丛范式的数理过程有效覆盖；其次，具备足够规模和训练数据基础、经过充分训练的大模型，可以有效地习得法律推理所需结构群的信息；最后，大模型习得的信息，可以通过“预测下一词元”的方式输出为有意义的法律推理结果。结构表征能力、度量承载能力、全局逼近能力共同构成了大型语言模型实现法律推理的数理基础。设计和训练良好的大模型较之人类具备全局性视野、客观性约束、较强可调节性三重特殊优势，但也存在模型幻觉、整体对齐、人类主体性滑坡等重大挑战。必须建构和发展合理的人机协同法律推理模式，确保人类在人机协同推理中的校验、权衡、决断等关键操作和主体性地位。

【关键词】：法律推理；语义流形；人工智能；人机协同

引言

法律推理在法学理论和法律实践中长期发挥着“中流砥柱”的作用，在法律方法论研究中可谓长盛不衰。“我们要想了解法律在具体情况下的规定，有且仅有一个工具可以利用，即法律推理。”千百年来，人类已经发展出精巧繁复的法律推理路径与方法，将自三段论直至现代道义逻辑和模态逻辑的方法融入法律推理架构，形成了逻辑严密的法律推理体系。然而，在由人类理性构筑的法律推理体系之外，另一条法律推理道路早已悄然开启。早在17世纪，莱布尼茨就曾研究过几何学模式的法律思维，力求从某些法律要素开始通过科学方法推导出法律体系，甚至试图引入“组合计算”而使法律推理中包含公式。此种努力在此后的数百年间陆续有学者尝试采用，但很难为主流法学研究关注和应用。尽管自莱布尼茨以降直至20世纪末的专家系统都在追求法律推理的计算化，但技术的局限仍使人类以外的法律推理举步维艰。即便是在深度学习算法兴起以后，学界总体上仍倾向于否定人工智能的法律推理能力。学者们普遍认为法律推理在性质上具有可废止性，[3]但由于废止理由中总是存在未经标注的隐性例外，导致传统人工智能法律推理呈现出明显的局限性，导致论者断言并不存在一种独特的“法律推理的人工智能模式”。[4]有论者从多方面否定了机器的法律推理能力，包括但不限于作出开放式决策和前瞻性决策、构建叙事、理解隐喻等。[5]法律推理中的证据评价、利益权衡、后果取向等活动过于模糊和主观，很难用形式化的方法来描述，[6]导致否定人工智能法律推理能力的倾向深入人心。不过，也有学者敏锐地意识到计算机进行独立法律推理的可能性。例如，美国学者孙斯坦早已提出，尽管计算机程序还不能进行类比推理，但是不能就此得出本质上评价性论证独属于人类的范围或者计算机程序不能独立地进行法律推理的结论。[7]这一论断在当时似乎被认为过于乐观，并未得到积极回应。生成式人工智能的兴起大幅改变了这一图景。大语言模型已经广泛应用于法律实践，且实际上能够生成法律推理的内容。[8]法学界也意识到了大模型与法律人的推理方式存在根本区别。[9]大模型是否实质上进行了法律推理？有代表性观点认为，大模型法律推理显然不是法律人的逻辑推理，本质上是一种“统计推断”式的推论，只能复现语料中已有的语言模式，却难以像法律人那样识别和处理法律条文背后的立法目的、政策取向和价值冲突。[10]这一见解当然具有直观上的合理性，然而却过于粗略地处理了大模型的复杂训练和计算过程。细究大模型的“推论”过程，可发现这是一场“法律推理的革命”。对这一问题的深入回答不仅是对法律推理中人机关系的再思考，而且可引发学界对人工智能时代法律方法乃至法学理论知识体系革新的省思。本文认为，人类需要放下对法律人工智能的“傲慢与偏见”，承认人工智能的法律推理能力，从而深入探求确保人类主体地位和良好人机协同的新型法律方法及其实现机制，在人工智能法律实践中守护人本主义的“核心阵地”。

一、大型语言模型实现法律推理的理论可能性

大型语言模型具备实施法律推理的能力，并由以下原理保证：首先，传统法律推理模式可以为基于纤维丛范式的数理过程有效覆盖；其次，具备足够规模和训练数据基础、经过充分训练的大模型，可以有效地习得法律推理所需结构群的信息；最后，大模型习得的信息，可以通过“预测下一词元”（next-token prediction，简称NTP）的方式输出有意义的推理结果。此种推理机制未必完美，但却能覆盖和吸收人类的法律推理机制。

（一）纤维丛范式对传统法律推理模式的覆盖

传统法律推理模式建立于三段论和道义逻辑体系。在最简洁的情形中，完全的法条呈现为这样一种“确定法效果的三段论法”：（1）大前提——假设任何一个案件事实实现了法律规定的构成要件T，则应赋予其法效果R；（2）小前提——特定案件事实S实现了T，即S为T的一个“事例”；（3）结论——对S应赋予法效果R。[11]其中，大前提的取得依赖于法律解释，小前提的取得依靠“涵摄”或“归属”。[12]严格意义上的法律推理，还需要在一定程度上运用道义逻辑，因为法律规范广泛使用了道义动词（如应当、允许、禁止等）。当然，实际的法律推理过程极为复杂，为建构一个包含所有基本法律推理模式的完整体系，有学者主张用“推导”指称所有的法律推理模式，并将推导划分为“演绎”和“探究”，继而将探究划分为外推和内推；外推包含了“比推”和“弱推”，后者包含归纳推理和诱导推论；内推包含了“说推”和“良推”，后者包含“殊推”和“遍推”。[14]这一“叠床架屋”式的法律推理体系包含了没有确定答案的各种开放型推理，容纳了各式各样的价值判断与利益权衡过程。价值判断与利益权衡的存在使得法律推理无法呈现为一种机械性操作，基于法的实践理性要求，法律推理需受到一定程度上的客观性约束。[15]具体的客观性约束究竟指向何种体系，学者们则众说纷纭。无论此种“客观性约束”在理论上被如何构造，只要其约束的内容可以通过语言表达而不沦为某种神秘主义修辞，就可以被视为一种在语义空间上定义的、对投影和截面等基础操作构成有效限定的约束，从而可为商运算范式刻画。在商运算范式中，“总空间”是作为推理起点的所有可能语义状态的集合；“结构群”是指由法律规范体系所界定的一类等价变换操作的集合，其元素代表在法律评价上被视为等价的语义变换；“商空间”则是经由上述等价关系对总空间进行规范约简后形成的法律评价，其中的每一个元素均对应一种离散的、确定的法律评价结果，“纤维”意指位于商空间某一特定法律评价之上的原像集合，由所有在法律上被评价为等价的具体情境构成，展现评价结论所覆盖的丰富现实样态。这种商运算范式已为类似领域的研究揭示。新近研究表明，视觉理解的前提是，存在一种隐含纤维丛结构的“视觉的语义语言”：总空间由所有图像观测组成，结构群刻画视角、光照、遮挡等语义不变的扰动；基空间则是离散的语义命名。[16]例如对正方形的所有图像观测构成总空间，所有不会改变观测结果的变换构成了无关扰动的结构群，而商空间中的投影点正是视觉上的正方形概念。同理，法律的语义空间也呈现为一种纤维丛结构，所有可以有效影响法律推理的局部约束都可以被视为作用于商映射的结构群。这一模式可以推广到对法律概念和命题的认知。简单法律推理可被概括为确定结构群并向商空间投影的过程，投影的结果不只是单个概念，也包括具有规范意义的命题。

上述商运算图式，虽然构建了推理的基础拓扑框架，但却将价值判断隐含在结构群的构造中，并将推理简化为一个固定的投影映射。这种图式略显粗糙，还存在一种更精准且能完全涵盖上述基础图式的理解：法律推理并不只是从总空间到商空间的静态投影，经常包含在纤维丛结构中进行的双向交互过程，实现“目光在规范与事实之间的往返流转”。相关研究表明，这种双向交互在法律推理中普遍存在，纤维丛为建模此类多对多映射提供了数学框架，不仅能清晰地分辨基空间与纤维上的变化，而且其局部平凡化（local trivialization）的结构结合条件向量，可使在特定邻域学习并处理双向映射成为可能。[17]双向映射为推理提供了更广的自由度：一方面，商映射将总空间中的纤维元素投影至基空间，形成命题的等价分类与归约；另一方面，截面提升（section lifting）从基空间中的等价类反向选取特定的纤维元素，完成命题的实例化构造与展开。[18]从而为比推、殊推等需要双向交互的推理奠定基础。

前述纤维丛范式理论上不仅可覆盖传统“三段论”，而且包含语义空间中的各种客观性约束。传统三段论被重构为一种在纤维丛结构上的拓扑操作：大前提界定了商映射的等价关系；小前提对应总空间中的特定纤维元素；结论则是该纤维在商空间中的像，三段论的推理链条由此被表达为纤维丛中的投影操作。不过，面对法律推理中复杂的“推导”与“探究”体系，此种局部投影操作远不足以涵盖全局性、跨部门的法律推理需求。相关研究指出，许多空间虽然在局部看似具备乘积结构，却因全局存在的“扭转”等特殊构造而无法被视作简单的乘积空间，这意味着仅靠静态的投影操作难以捕捉全局的一致性。[19]由于商计算操作本质上是局部的，现实中的规范空间实则是不同法律部门、不同释义学领域的纤维丛复合而成的复杂对象，这就需要通过更丰富的工具承载指引全局推理的法释义学框架。就纤维丛本身而言，度规与联络可承载法价值秩序的核心功能：度规在不同局部施加影响以改变隐空间中的距离和比值（如实质正义在弱势群体方向加权以改写隐空间的局部几何）；还可以在隐空间中量化事实状态与概念核心的距离，从而为在连续流形上划定临界阈值和经由商映射实现坍缩奠定基础；联络则确保法的安定性价值，促使推理路径在规范空间内移动时保持某一方向的自治；转移函数与黏合规则可以在局部邻域之间建立等价与连接关系，处理部门法内部的规范衔接与转换。当然，纤维丛本身还不足以解决某些带有复杂拓扑结构的推理问题，层级化的犯罪构成，民法、行政法和刑法的衔接等情形已超出纤维丛范式，而需要法律推理在某种释义学所要求的拓扑结构中建立有序联结。这些联结机制在实践中通常表现为大模型可处理的工作流和链图，其为不同商运算提供了推理拓扑结构，控制推理步骤的顺序、条件与分支，实现纤维丛计算的有序联结。此种以纤维丛运算为内核、可由大模型执行的“流形计算+推理拓扑”的复合结构，在计算层面足以承载完整的全局性法律推理能力，而使奥地利学者塔麦洛等所界定的各种推理方式及其组合能够被充分整合进纤维丛范式。本质上，纤维丛的内在弹性，包括局部平凡化、纤维间的可转移性以及度规和联络结构的可引入性，能充分支撑演绎、类比、归纳与价值权衡等法律推理核心形态，满足推理的可检验性与客观性约束要求，而其连续的几何范式则提供了系统的度量基础，使之适配法律可计算性目标，从根本上支撑了大模型时代法律人工智能的兴起。

（二）大型语言模型训练过程对纤维丛信息的吸纳

大型语言模型能够处理复杂的语义过程。研究表明，最能解释人类大脑表征几何和处理活动的技术构型，正是基于海量数据训练的大型语言模型[20]。然而，单有相似性和现实表现是不足的，还必须在理论上证明符合一定条件的大模型具备从有效学习到法律推理所需语义相关结构群乃至纤维丛信息的能力。

1.参数空间的几何承载能力

大型语言模型的张量空间具备足够的结构和度量条件以承载纤维丛信息及其运算过程。标准多头注意力层内在地包含着由查询/键通道的基变换、值通道的基变换以及头排列所构成的最大规范对称性，这就意味着存在大量不同的参数配置对应相同的推理功能（即不改变模型输出的基变换）。这种参数冗余性在数学上恰好能构成主纤维丛的纤维：[21]规范群的自由作用将功能等价的参数点组织成轨道（纤维），而商空间则对应功能上互不相同的法律推理模型集合。通过这一几何框架，变换器架构的优化过程就可以从高维、冗余的参数空间映射到低维、本质的商空间。[22]训练者可以迫使模型梯度下降仅沿改变推理功能的方向更新权重，从而将区分本质差异与余扰动的结构约束内化为模型的表征能力。

结构的有效容纳为模型学习法律推理带来了便利，而度量的充分承载则为模型实施法律推理提供了关键保障。新近研究表明，大型语言模型在参数空间一般层上可被理解为具备主纤维丛结构，具备规范群与商空间的内在几何。为了在此架构上建立非退化的连续度量，可引入埃雷斯曼联络所定义的水平/垂直分解，促使原本退化的经验费舍尔度量在水平子空间上恢复正定性，从而在商空间上诱导出可计算的黎曼几何[23]。此种分解在模型的优化动力学中隐含地对应于损失函数梯度在参数空间中的有效方向。在训练过程中，梯度下降沿水平子空间移动（对应推理功能的实质变更），忽略了垂直方向的余扰动（对应不改变输出的参数变动）；这种优化约束一旦内化为模型权重，即转化为语义空间中对法律评价等价的识别能力。这种分解机制或类似机制经由训练过程的内化，可转化为语义空间中的法律评价区分能力，为法律推理提供关键的连续度量基础；模型可以在连续的法律概念空间中计算距离、进行插值，也可以按照传统符号逻辑在离散概念间跳跃。在过参数化网络中，这一度量足以支撑法律推理的各种离散或连续的思维变体，而并不必然需要训练数据中存在类似模式。

不仅如此，在一般层之外，参数空间会按轨道类型（orbit type）发生层化（stratify），即存在稳定子群非平凡的奇异层（singular strata）。[24]这就为法律推理中解决常规案件与疑难案件的区分奠定了几何基础：当模型遇到训练分布外的罕见法律情境时，规范将进行对称性扩张（需要引入新的对称性或等价标准），而经过良好训练的模型可以由此进入不同的几何层。这就解释了为何大型语言模型能够区分常规适用与疑难论证，并可针对例外情形触发更具反思性的推理路径。此种处理超常规复杂性的特殊结构与前述度量基础相结合，为大型语言模型实施高度复杂的法律推理构筑了性能基座。

2.张量空间的语义表征能力

大型语言模型的高维参数空间与隐藏激活空间构成张量空间。在参数空间有效处理纤维丛结构复杂度的范围内，张量空间具备对相应语义结构的学习和表征能力。在法律推理中，“主要的困难是来自语言这种表达手段的性质，以及（针对特定事实而拟订的）规整与（大多数被规定的）案件事实的流动性之间无可避免的分歧”。[25]这一困难能被张量空间的表征能力克服。

第一，大模型能习得语义表征的内在几何结构。在认知心理学中，概念被假定为欧几里得空间中的点，这一见解已有人类判断实验佐证。问题是，欧几里得空间是全局线性空间，而词向量通常存在于高维流形中，其分布具有高度非线性特征，这意味着从词向量中挖掘概念需要恢复其潜在的欧几里得度量，而大模型所运用的词嵌入与流形学习分别利用其现计数与高维特征来恢复欧几里得度量，从而重建符合人类认知几何的潜在空间结构。[26]这一度量恢复范式在认知心理学中找到了深层依据：人类概念系统本身呈现凸区域（convex regions）的几何结构，自然语言中的概念本质上是跨多个认知领域的凸区域复合体，[27]法律概念正是这种多领域复合的典型，其语义往往同时涉及物理空间、社会关系及规范评价等维度。人类对词语的高效学习，依赖通过沃罗诺伊（Voronoi）镶嵌（Voronoi tessellation）从少量范例构建这些凸边界、并实现向新情境泛化的几何学习机制。[28]对于机器学习而言，恢复欧氏度量可以支撑此类凸区域结构的生成，从而学习到有效的语义表征。研究表明，高阶语义信息在已训练大模型的隐藏表征中一致地驻留于低维线性子空间，形成跨领域可区分的紧致（凸）区域。[29]由此，大型语言模型在高维张量空间中实质上复现了这一认知过程，其将离散的法律案例和法律知识映射为隐空间中的不同紧致凸簇（convex clusters），这些簇在拓扑结构上契合人类概念系统中的凸区域特征。不同维度子空间可分别编码法律概念在各认知领域的投影，而通过跨域关联形成的张量积结构（或其他几何结构），则对应法律概念在总空间中的纤维丛构造。这就使得纤维丛范式下的法律推理不仅具备数学基础，而且契合人类心智认识概念的几何原理。

第二，大模型能够编码语义的逻辑关系与结构关联。逻辑、层级、递归等结构在向量表征中体现为特定的线性子空间或流形分布。神经网络通过训练参数的动态变化学会编码目标领域的概念及其关系，能够习得逻辑、列表、树状结构、层级、数字、量词和递归等结构，而不需要预先具备这些能力。[30]由此，大型语言模型完全能够学习和表达法律概念间的结构关系。在此基础上，大模型在不同训练范式下还能分别习得纤维丛范式所要求的结构群变换与商空间坍缩操作。例如，自监督对比学习通过保持语义不变性，使模型隐式学习到语义流形上的保结构映射与纤维内部拓扑结构，为结构群操作提供几何基础；而带有标签约束的监督学习或监督对比学习则经由“神经坍缩”（neural collapse）机制，将同一法律评价下的案件表征压缩至低维子空间的紧致凸簇中心；不同评价类别之间形成最大等角分离，从而完成从连续语义流形到离散商空间的坍缩与投影，实现商映射所要求的等价类别分。[31]大型语言模型通过不同的训练和学习方式，能分别习得上述连续拓扑保持与离散语义坍缩的进程，从而为法律推理提供完整的纤维丛几何实现机制。[32]

第三，对于语义本身，张量空间还有较符号系统更强的表征泛化能力。本质上，纤维丛范式和人类对语义的认知模式存在几何层面的结构一致性：属于同一类别的刺激在神经反应空间中会形成一个簇；通过降维，这个簇在低维的概念空间中依然聚集在一起，原型（概念之内核）就是这个簇的中心点，它是高维数据在低维空间中聚集的自然结果。[33]此种距离关系和处理过程十分复杂的聚类难以被符号系统所表征，但却完全可以为维度足够大的语言模型所学习。如前所述，高阶语义信息在大型语言模型的隐藏表征中一致地驻留于低维线性子空间，关键是其内在维度远低于模型完整维度。当表征压缩至低维子空间时，不同语义域的簇在剩余维度上趋于近乎正交，从而支持简单线性分类器实现完美分离。[34]在高维张量空间中，语义聚类本质上构成了对表征空间的一种等价划分：属于同一法律评价的所有案件表征构成等价类，不同等价类即商空间中的不同点。此时，高维张量空间可被视为具有纤维丛结构：总空间为原始表征空间，基空间（商空间）为法律评价集合，纤维为同一评价下的案件变体集合，结构群则刻画事实表述差异所对应的对称变换。降维过程本质上在几何层面实现了商运算机制：冗余维度（不影响法律评价的变动方向）被约束于纤维垂直方向，保留维度足以区分结构群作用下的不同轨道（纤维）。这一学习过程的理想范式可以被概括为解耦表征学习，即将数据中信息丰富的不同变化因素分离开来，使得表征中的单一维度对应真实数据中的单一潜在因子，而在有监督学习或适当归纳偏置的情况下，此种学习是完全可以实现的。[35]足够强的表征解耦合组合诱导可以使模型并不必然需要“见过”某种特定模式才能复现此种模式。质言之，在适当的损失函数、训练过程和训练数据支撑下，张量空间的表征泛化能力足以构筑大模型法律推理的几何底座。

3.训练过程的逼近能力

训练过程能够使大型语言模型真正形成推理能力，这一能力的最终成型是由大型语言模型的逼近能力保证的。柯尔莫哥洛夫—阿诺德表示定理（Kolmogorov-Arnold Representation Theorem）表明多元连续的复合函数可以被表示为单元连续函数的有限复合；沿着这一定理所揭示的方向，深度神经网络等“黑箱型算法”采取堆叠单元连续函数的方式逼近目标函数，获得“万有逼近”（universal approximation）能力。[36]大型语言模型同样具备此种能力。只要法律推理存在客观性约束，并且这一作用于结构群和联络的客观性约束可以被函子化，无论其模糊性如何、是否可以被人类已有的数学结构发现和表达，在映射良定义条件下，理论上客观性约束都可以被大型语言模型实现分步骤的“万有逼近”。模型运行的概率性本质并不必然造成推理结果的错误。基于合理的训练过程，这一逼近的效果允许存在数值上的统计涨落，只要最终表征落在目标纤维的充分小邻域内，即可视为有效的法律推理输出。因此，尽管“大模型并不是在进行严格意义上的逻辑推理”，而是实施“概率意义上的语言预测”，[37]通过合理的结构设计和训练过程，也可以实现推理结论的正确性。本质上，以任意精度的连续实体逼近离散的语义对象，完全可以实现从“近似”到“正确”的飞跃。上述逼近能力之所以能在高维参数空间中有效收敛，关键在于监督学习过程本质上是在纤维丛结构上的局部几何学习。基于纤维丛理论，监督学习任务的数据分布可被理解为一种空间分解结构：输入数据所在空间充当总空间，输出标签空间作为基空间，而对应于特定标签的所有输入变体构成该标签上的纤维。尽管数据分布的全局结构未必能分解为基空间与纤维的直积，但在基空间的每个充分小的邻域内，总可以通过保持分布的同胚映射，将该邻域与纤维空间的乘积同构地映射到相应的原像集合。在法律推理中，事实与规范之间的复杂对应关系，可在纤维丛框架下被严格刻画为局部邻域内的可逆乘积分解；这种局部可逆的几何结构为监督学习提供了逐邻域拟合映射的基础，使其能够结合一定技术工具，通过局部学习实现对复杂法律推理函数的全局逼近。

度量承载能力、结构表征能力、全局逼近能力共同构成了大型语言模型实现法律推理的数理基础，大型语言模型理论上已具备完整实现法律推理核心过程的数学保证。

（三）“预测下一词元”过程对纤维丛信息的表达

大型语言模型的基本运作模式是以自回归的形式连续进行NTP操作。这种运作模式因带有或然性特征而常被法律职业共同体质疑；NTP本质上依赖的是概率运算而非逻辑推理，不能胜任确定性推理和裁判的要求。然而，NTP训练过程能够隐式学习底层语义流形的纤维丛结构和结构群信息，并形成有效推理路径。

第一，大模型通过对法律文本的自回归生成训练，足以在隐空间中重建法律概念的体系坐标与规范命题间的意义脉络。模型逐词元预测的过程，实质上是在重构法律人在语义层面的思维推进路径，从而习得支撑法律推理的完整语义几何。这种重构建基于如下机理：实践中真实运行的法律推理过程在海量文本中留下可统计的规律性痕迹，NTP通过学习文本中词语的局部搭配规律，隐式地对词语共现矩阵进行奇异值分解，使学习到的词嵌入与上下文嵌入收敛至该矩阵的主成分方向，从而在离散的一维序列统计中重建潜在语义概念的层级化几何结构。依据拓扑语言学框架，文本序列中词元的共现模式本身即蕴含了重建高维语义几何的全部结构信息，这种基于离散共现的拓扑与通过自回归训练获得的连续向量空间嵌入流形之间存在自然对应关系。由此，NTP训练过程通过损失函数的梯度惩罚机制，迫使模型在每一预测步骤中同步对齐词汇搭配、概念关联、论证逻辑等不同抽象层级的潜在意义分布；任何偏离训练数据中语义推进路径的预测都将承受不同程度的误差惩罚，经由反向传播实现的逐层校准与多层次叠加，使局部共现统计收敛为对法律思维推进路径的全局性拓扑逼近。

第二，NTP机制通过输出前的最终层（logit层）输出的概率分布采样，而该层本身包含了足够丰富的信息。语义的特征以方向（directions）的形式线性地存在于激活空间中。对于训练后的模型，语义的可分性能力随着层数加深而提升。在最终层，不同领域的语义信息被旋转和提炼，形成了线性且近乎正交的子空间和可验证的线性表征结构。这种表征结构通过最终层对候选词元概率分布的显式化表达，使模型基于学习到的语义几何生成符合法律推理要求的符号序列。对这一机制的理解还存在更深层的能量景观视角。NTP机制通过局部负对数概率编码了法律语义空间中的能量梯度。研究证明，自回归模型严格等价于能量模型：全局能量被分解为局部负对数概率的累积，局部能量增量通过软贝尔曼方程（Soft Bellman Equation）重构了序列级的全局能量函数，该方程要求每一推理步骤不仅评估当前词元的即时能量，更需累加评估所有未来法律后果的期望能量，从而使自回归采样等价于在离散语义流形上进行带前瞻性的能量最小化路径规划[44]。由此，法律推理的纤维丛结构即被纳入能量景观的几何拓扑框架，NTP的逐词元预测过程，实质上是在特定规范语境内，遵循能量最小化原则构造合法推理路径，确保最终生成的法律论证落在目标能量盆地的充分小邻域内。这就使得NTP并非简单的统计猜测，而是在纤维丛结构的能量景观中寻找符合客观性约束的最优路径，隐含了对整个能量景观的全局观察与结构化考量。由此，对于离散语义空间中具有客观性约束的法律推理而言，其完整路径即可通过NTP的局部能量梯度优化过程被系统地学习和实现。

总而言之，理论上，大型语言模型完全可以学习并实现法律推理。依托高维连续隐空间中进行离散采样的数理形式，大型语言模型有能力适应处理离散语义空间的复杂性，掌握规范世界的能量景观并承担法律推理的任务。

二、大型语言模型实施法律推理的优势与挑战

既然大型语言模型拥有学习和实现法律推理的能力，而且有强大的训练数据与推理算力支持，理论上，大型语言模型实施法律推理就有特殊优势，这些优势还将随人工智能的发展不断扩大。

（一）大型语言模型实施法律推理的特殊优势

1.全局性视野

大型语言模型的法律推理是在整个能量景观上进行的推理。logits流包含的局部能量通过软贝尔曼方程递归地编码了完整的规范语义信息，这就使得模型推理并不只是着眼于局部，而是从理论上包含了整个法律体系的规范视野。人类法律工作者的规范视野多少会存在欠缺，罕有精通各个部门法、通晓所有法条及其相互关系的法律专家，但大型语言模型可以在全局训练数据的基础上在隐空间中构筑整个规范能量景观，进而在全局性视野中完成法律推理；连接不同局部平凡化领域的迁移函数、度规和联络保证了全局视野。不仅如此，大型语言模型还可以通过检索增强生成等技术连接可动态更新的知识库，确保模型掌握的知识始终保持时效性和准确性，并分担模型部分存储和检索功能，使模型专注于核心的语义理解、推理和生成任务[45]。相关研究甚至表明，过参数化神经网络损失景观中的全局最小值（最优解集）并非离散孤立，而是借由神经元置换对称性相互连接，形成由多个仿射子空间拼接而成的连续低损失流形，优化轨迹可在近乎零损失的子空间之间自由穿行[46]。这种“不同最优解之间不存在不可逾越障碍”的几何特性，表明上述商映射所覆盖的不同法律评价立场并非被高损失隔断的离散“盆地”，而是可以经由连续“谷道”平滑过渡的连通区域，从而形成贯通整个法释义学场域的底层图式。这一优势有利于为人类法律工作者提供全局“导航”，克服部门法专家训练基础单一或失衡的局限。

2.客观性约束

大型语言模型在实施法律推理时更有可能比人类法律工作者遵守推理的客观性约束。法律现实主义早已揭示法律推理过程的主观性和随意性。“法律推理者在采用推理及其形式过程中，往往不是依据充分的逻辑和心理学知识得出结论，相反是以直觉或常识性的方式。”[47]有批判性观点主张：“法官对案件做出一个直觉或情感的反应，然后构建一套法律命题，这些命题在他的判决中没有起到任何作用，但却使直觉的结果合法化。”[48]大型语言模型在实施法律推理的过程中，可以系统地遵循预设的客观性约束。鉴于模型输出一致性技术已经初步获得了实质性突破，[49]大型语言模型在法律推理时实现“同案同判”的可能性在理论上可以得到必要的基础保障，更天然地具备“保证可普遍化”的“形式正义的规则和形式”[50]之基础。大型语言模型所遵循的客观性约束还可以实现复杂的线性或非线性叠加，并且此种叠加的影响理论上可以通过稀疏电路、电路追踪、稀疏自编码器等持续发展的技术得以观察和检验。相比之下，人类所进行的法律推理往往难以清晰地表述各种客观性约束的叠加模式和结构，以至于逻辑在法律推理中有没有实际作用、到底有什么用至今都仍在讨论之中。[51]这对于日益复杂的现代法治体系和公平正义需求而言，显然不足敷用。

3.可精细调节

对于大型语言模型而言，各项客观性约束不仅在理论上可被观察和衡量，而且可以通过各种技术机制实现精细调节。这些技术机制包括基于可验证奖励信号的强化学习（将与同类案件的符合度、逻辑一致性等客观标准转化为可量化的优化目标）、过程奖励模型（对法律推理按步骤赋分并筛选最优路径）、约束解码（通过硬性文法约束确保逻辑一致性和结构完备性）、激活置信度评估（量化特定神经元的激活强度以客观识别潜在偏离）以及门控旁路机制（基于可设定的阈值判定进行推理路径的动态切换与纠偏）等，实现客观性约束从训练到生成全流程的可观察与可调节。由此，大型语言模型能够以多种次序和结构实现客观性约束的叠加，精细地处理传统推理范式面临的“目光的往返流转”之类的模糊地带问题。法律推理在处理疑难案件、进行法律解释和价值权衡时，往往需要深入语义流形的更复杂层面，进行更为灵活和弹性的计算，例如在语义流形上进行非线性插值、改变语义纤维的黏合规则等。这些操作远非稀疏的传统符号逻辑所能涵盖，也将真正超越在许多具体场景中粒度过粗、内涵模糊的传统法律推理方法。法律人工智能的工程实践还致力于开发能够进一步精确调节语义流形上几何变换的工具，使大模型能够在保持法律体系客观性约束的前提下，灵活适应不断演化的法治需求，最终建立全面覆盖乃至超越传统的法律推理新范式。

（二）大型语言模型实施法律推理的深层挑战

大型语言模型实施法律推理面临的挑战，已被众多研究者关注和揭示。[52]然而，依据前述分析，诸如对逻辑性的学习、对多元观点的权衡、对价值问题的判断等，都不是大模型实施法律推理的真正深层挑战。从数理层面看，最棘手的挑战，存在于模型幻觉、对齐适应和人类主体性滑坡三个方面，这也是人机协同法律推理模式需解决的关键问题。

1.模型幻觉

模型出现错误认知、生成虚假信息等情形有时亦被称为“模型幻觉”，幻觉类型包括实体错误、关系错误、不完整、过时、过度断言和不可验证等多种情形，成因十分广泛。[53]真正的模型幻觉并非“大模型无法学习所有可计算的函数”，[54]本质上往往属于“误判边界”，例如插值穿越流形分支的边界、判断越出能量景观中正确的吸引子边界、从训练数据中未学习到完整的结构群信息而未能形成正确的轨道边界等，与能否以无限精度复刻某种人为构造的怪物函数并无关联。这些幻觉在法律层面主要体现在不同的构成要件或法律类型之间产生逻辑跳跃、将不可通约的规范范畴错误地视为可过渡的连续区间、因训练数据缺陷而误判法律评价的类别边界，等等。上述问题虽可通过采用检索增强生成等技术而在一定程度上得到控制，但目前仍无法从根本上解决，[55]大语言模型完成的法律推理结果仍然需要人类的审查、校核和反思。对于法律推理而言，法向量方向上的脆弱性尤其需要人类的关注。神经网络在高维参数空间中实际上维持着有意义的低维结构，许多问题的解集构成高维空间中的低维流形。[56]一项研究表明，数据集中在低维非线性流形，且深层网络能将数据映射到近似平坦的流形上；模型的最优解会将每个类别的表达压缩到低维子空间上，实现类条件流形的“压平”。[57]类似地，法律规范命题、法律概念以及相关的案例事实所构成的语义空间，实际上落在一个低维“薄流形”上，这往往意味着法律推理模型法向量方向上的天然脆弱性，比较容易遭受干扰和对抗攻击，即面对与案件本质无关的冗余信息干扰时，容易产生判断失误。对抗攻击的本质在于利用数据环境维度远高于其内在维度的薄流形特性，通过微小扰动将样本从低维数据子流形推至邻近的高维连续对抗子空间，使该样本偏离原始数据分布但仍保持与正常样本的邻近性，从而引致模型误判。[58]尽管模型加固技术可以很大程度上强化模型的抗干扰性，依然需要从人类视角判断模型是否发生了误判，防范和降低模型幻觉的危害。

2.整体对齐

模型推理需要和人类在某一历史时空中的理想推理结果保持对齐。在前述技术原理的支持下，“只要历史司法数据中隐含着价值判断，一个得到了正确训练的人工智能当然可以将价值判断编入神经网络，以提升辅助决策的正确率”。[59]法律推理的对齐需要构建层次化的法律知识结构。[60]然而，整体对齐目标的实现不可避免地面临“和谁对齐”及“如何保持整体对齐”的问题。有观点主张，大模型对齐的指标设计应以“法律底线+价值追求”的方式确定“最低限度的人工智能伦理”，通过“提取公认图”的方式确定基本伦理准则。[61]然而，如果人们对法律底线本身的理解存在分歧和冲突时应如何处理？如果难以提取“公认图”或“公认图”的有效信息颗粒度不足，又应如何解决？人类本身的法学知识及理论还存在大量的分歧和冲突，模型对齐也可能面临困惑：刑法学的理解应当对齐“四要件”还是“三阶层”？对诉讼标的之认识应采取实体法说、诉讼法说还是新实体法说？这些问题并不只涉及价值对齐问题，也涉及法释义学运用的技艺问题。整体对齐是非常棘手的问题。规范空间在粘合过程中存在“奇点”问题，即在纤维丛范式中，不同法律领域的局部平凡化通过迁移函数粘合为全局流形时，并非总能实现光滑过渡。规范体系的剧烈转折处或规范冲突的特殊情形中，往往存在难以通过常规几何操作消除的“尖点”或“裂隙”。这些宽泛意义上的“奇点”对应着法律推理中的流形分布外疑难案件或释义学体系断裂处，导致模型几何不变量发生了突变，推理结果具有高度的不可预测性与非连续性。模型基于统计规律和连续几何假设的训练机制，倾向于在性质良好的流形区域寻找最优路径，可能因无法捕捉拓扑结构的突变而产生严重幻觉，或错误地将不可通约的价值冲突强行做平滑处理，引致局部范围内模型推理失败的风险。

3.人类主体性滑坡

模型推理可能从能力依赖和程序约束两个层面导致人类主体性的滑坡。理论上，模型推理可能具备前述三重关键优势，导致其有可能在某些方面优于人类的法律推理，使管理者乃至执法人员、司法人员本身有可能日益趋向于依赖模型的推理或建议。在生成式人工智能大规模兴起之前，类似的技术依赖就已经广泛存在。[62]一旦模型的推理能力在实质上超越了普通法律工作者的推理能力，此种依赖可能会逐步加深。在类案类别等目标指引下，法官可能并不愿意牺牲效率、提供理由并接受审查以推翻机器形成的司法决策。[63]对司法人工智能场景中技术依赖以及人类主体性地位滑坡的担忧，早已在许多研究中被提及。[64]更加深刻也更足忧虑的问题是可能存在一种多主体“协同”的加速进程：管理者要求执法、司法工作人员参考模型推理结果；律师或法务工作者以模型推理结果加强法律攻防能力；当事人、利害关系人及舆论利用模型推理结果批评人类推理结果，几个方向的协力促使人类的法律推理向模型推理结果加速趋近。执法和司法人员往往承受处理疑难复杂案件的“能力压”、面对大量工作任务的“效率压”和面对外界质疑与舆论攻击的“风险压”。在这三重压力面前，只要模型推理能力在某些方面显著超越人类的推理能力，司法从业者利用模型辅助工作到依赖模型工作的一线之隔就很容易被跨越。而诸如默认以模型推理结果为准、超越模型推理结果须说明理由并承担额外风险等制度约束就可能被强化，导致人类的主体性地位被人工智能全方位侵蚀，放大了模型隐含的偏见与错误全方位渗透的系统性风险。不仅如此，模型推理需要处理对齐过程中的前述种种分歧，这些分歧背后的支持与反对力量经常还存在着动态演化的消长态势。让模型来处理这些分歧，不啻令模型扮演法律实践中的“政治家”角色。“谁夺取天空的闪电，谁就能发出新的雷霆；谁夺取神的天空，谁就能创造新的世界。”[65]人类在此若不亲自解决“谁解释”“谁裁断”的关键问题，就难以使法律实践牢固立足于人类实践理性和主体地位的基石之上，从而使模型实际上至少在局部窃取了原本属于人类的治理权限。

上述三重挑战都要求人类必须以合理而有效的方式守护法律推理。人类法律工作者必须以合适的角色嵌入模型推理的过程，形成“人在回路”的人机协同法律推理，面向张量空间实现这场“法律推理的革命”。

三、迈向人机协同法律推理：人类的角色与法律制度的保障

智慧司法的塑造和发展前景是走向人机协同，而人机协同的关键在于法律人工智能系统应作为人类的辅助，而非取代人类作出法律决策。[66]在大模型的法律推理能力日益超越人类推理能力的可预见前景中，探寻一条为人类社会认可的“人机协同法律推理”之路，对于未来司法实践乃至整个法治实施体系的良好运转至关重要。人机协同法律推理需要通过“校验”“权衡”与“决断”三类关键操作，全方位回应上述三重挑战。

（一）校验：人在回路的基础保障

校验即验证模型推理过程和结果的可靠性与准确性。人类的校验应当主要针对模型幻觉问题。对于公权力主体的决定而言，法律过程往往要求其说明事实根据、规范依据和裁量理据并一定程度上对其进行探索和审查；[67]相应地，人类主体也应对模型推理进行事实校验、规范校验、裁量校验。依据判断与裁量二分法，裁量校验还可以划分为判断依据校验和裁量理据校验。每一种校验都有其理论上的侧重点。例如，事实校验需特别警惕基于高维余维度侧向干扰（例如事实陈述或合同条款中包含有与定性无关的罕见语句）而产生的“语义漂移”；规范检验重在核查援引规范的准确性和投影的精确性，尤其是投影结果有无因幻觉而错误归类；裁量校验重在核查模型推理是否充分考虑了法定的裁量依据和特殊裁量因素（如刑事政策）。所有校验过程都可以通过在模型推理过程中设置系列校验点的方式进行，由模型协助法律工作者精细、系统地完成校验。为提升人机协同推理的效率，法律领域模型的部署者、使用者也可以同步安装和运用辅助性的校验工具，或使之以技能（skills）或插件的方式与法律推理模型连接。例如，针对模型推理结果所运用的法律规范和所参考的案例，校验工具或相关系统可以逐处显示其原文及链接（如发现多个链接间存在不一致还可以自动产生提示和说明），提升校验效率。所有校验操作都可以在系统中留痕，便于追溯有关人员是否滥用校权限而故意作出明显错误的修改。

（二）权衡：人类价值观的实时表达

人机协同法律推理的价值权衡过程亦需要人类的守护。法律实施过程是由大量人类法律工作者具体推进的，不同人员可能有不同的“前理解”，影响对法律规范的具体阐释与运用。[68]这样一种结构具有丰富的弹性和活力，是法治得以在实施中发展的重要前提。尽管不同见解可能形成法治实践的局部分歧，但有些分歧对于充满活力和多元性的社会而言未必是坏事。人类法治的发展历史表明，司法实践中一些少数见解可能包含着重要的真知灼见，在未来有可能发展为多数乃至主流认识。[69]重要的认知分歧还可以通过政法系统的解释、指引、指导、培训、协调、监督等工作获得动态协调。模型推理如果过度强调客观性和一致性约束，反而可能削弱了分歧的作用和意义，不利于多元社会中法秩序的动态演化发展。因此，人类法律工作者应当在“前置权衡”和“后置权衡”两个方面参与模型推理的价值权衡过程：一方面，法律人工智能模型建设需要人类法律工作者的全面参与，确保“人在回路”的原则贯通人机协作的全链条，使模型能够从预训练阶段开始就尽可能吸纳与现代法治理念和社会主义核心价值观相符的各种见解，为隐空间探寻合理的“反思性平衡”奠定基础。另一方面，执法和司法人员应当审视模型推理的价值前见、价值判断与释义学路径选择，并有机会坚持自身的判断。对于应用领域模型辅助执法、司法活动的，相关法律规范应预设相应的人工更正程序和条件，同时要避免为异议的提出设计过重的说理负担。法律工作者只要认为模型推理在价值上显著偏离了自身的认知，即可提出异议并记录在案，视具体程序规定自行更正或请求集体审议更正模型的推理结果。

（三）决断：人类主体性的关键保障

要充分实现人的主体性，必须由人类主体在人机协同法律推理中作出关键的决断。部分法律推理过程中实质性地包含了一定程度的决断，包括政治性的决断。其中，两类决断是确保人类主体性的关键。第一类决断可被称为“奇点决断”。模型推理天然地可处理性质良好的纤维丛及数据流形，而规范空间中的奇点——无论是法律规范的冲突抑或释义学体系的裂隙，更适宜也应当由人类作出决断。理论上，模型可以通过“爆破”（blowingup）和“层化”之类的方式，通过引入额外的价值考量，在高维空间中展开“奇点”而解决黏合或转移问题，但这种操作在机器学习中相当依赖司法先例且不稳定；更何况，此类问题的解决本质上需要法律续造，即填补法律漏洞，解决法律“违反计划的不圆满性”。[70]模型可以提供辅助性的认知，但最终的决断权应当专属于人类自身。“当制定法或习惯法的逻辑和目的的‘扩张力’，不足以发现和证立被寻找的决定时”，[71]应交由人类进行填补和决断。第二类决断可被称为“政治决断”。一些案件具有广泛或深远的社会影响乃至潜在的政治影响，此类案件的法律推理往往包含重大价值冲突下的价值决断，而决断则带有政治色彩。2025年《中共中央关于加强新时代审判工作的意见》强调“坚决贯彻党中央关于审判工作的方针政策和决策部署”“确保党的理论和路线方针政策、国家法律在审判工作中得到正确、有效执行”。面对“政治决断”问题，大型语言模型即便已经学习了相关的政治知识和信息，也不适宜于作出此种决断。这不仅因为模型并未真正背负政治责任，也因为“人天然是政治的动物”（亚里士多德语），而政治决断从根本上彰显了人的主体性地位。整体上，如果人机协同法律推理是未来法律适用模式的大势所趋，人类在其中的校验、权衡与决断就是必须被保护的“核心阵地”，相关制度将成为守护人类主体性地位的基石。

结语

大型语言模型切入法律推理领域必将掀起一场“法律推理的革命”。这种在隐空间中完成的推理可以在电路追踪或稀疏自编码器里面被部分看见，在参数轨道的层化过程中留下痕迹，被构造的思维链局部显示，从而达成一定程度的人类可理解性，但它终究藏身于高维张量空间和极其复杂的计算过程，而以一种全新的形态运行和发展。古往今来的法理学家，都难以想象人类在法律推理方面能拥有如此强大的伙伴，也难以预想维护法律推理的公正会面临如此刁钻的考验。时至今日，智慧司法乃至“智慧法治”的进程已势不可挡，法律工作者必须迎接模型法律推理的挑战，多重校验、前置权衡、后置权衡、奇点决断、政治决断等构建人机协同法律推理模式，不仅可使法律推理过程更为公正、严谨，而且可促成人类向规范空间的更深层次、更广视野的省思与探求，助力人类的法律思考突破自身的天然局限。

凡本网站标明“来源：XXX（非吉林大学司法数据应用研究中心网）”的作品，均转载自其他媒体，转载的目的在于分享信息、助推学术交流，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，请联系本网，本网即予删除。