人工智能司法適用中事實認定的雙重困境與紓解路徑

郭文靜

(中南財經政法大學 法學院，湖北 武漢 430073)

一、問題緣起：“案多人少”的現實沖突與人工智能的司法適用

“案多人少”的現實沖突，迫使民事訴訟法不斷尋求新的方式來提高訴訟糾紛解決的效率[1]。然而，制度的內生性改革對于緩解法官的審判壓力具有局限性，無法同時兼顧訴訟經濟和程序保障兩個目標。近年來，人工智能技術發展不斷沖擊著社會生活，國家也積極保障人工智能技術在司法中的適用，以期實現法律服務的現代化、科技化轉型。2016年，周強院長在第十二屆全國人大五次會議中提出司法改革與司法信息化并駕齊驅、雙管齊下的戰略，以減輕我國法院的審判壓力、保障訴訟法律服務的完善。2017年，最高人民法院印發《最高人民法院關于加快建設智慧法院的意見》，指引法院管理信息系統的智能平臺建設工作。2020年，最高人民法院頒布《關于深化司法責任制綜合配套改革的實施意見》，指示各高級人民法院依托智慧法院建設，大力推進轄區法院區塊鏈技術應用，積極探索法律人工智能的深度應用。此外，最高人民法院在其他諸多文件中也多次提到要加強大數據、區塊鏈、云計算、人工智能等技術在審判領域中的應用，為當事人提供訴訟便利。人工智能與司法裁判的融合是大勢所趨，依托人工智能替代法官的簡單勞動和重復勞動，可以緩解法官在審判中的壓力，也可以幫助當事人更好地觸達司法，獲得依據法律的實質正義[2]。

就事實認定領域而言，需要解決人工智能與民事事實認定融合的法律需求問題。具體而言，解決該項法律需求至少需要思考以下三個問題：第一，“自動售貨機式的AI法官”[3]是否可以成為現實，法律人工智能是否真的能夠替代法官進行事實認定。通過探究人工智能技術的原理“深度學習”，則可發現這一想象在目前的技術條件下基本不可能實現。第二，人工智能介入事實認定將會面臨何種困境，對于當事人提出的訴訟資料和證據資料，人工智能是否可以通過技術實現完全的理解和綜合地判定。從裁判資料和事實認定過程兩個方面，對比分析人工智能事實認定和法官事實認定過程，可發現人工智能介入事實認定領域的雙重困境。第三，人工智能的學習能力是否可以替代法官認定某些類型案件的事實。通過對案件事實的類型化分析，將人工智能適用于事實認定相對簡單的案件，從而實現人工智能替代法官進行事實認定。因此，本文立足于上述問題，通過解構事實認定的裁判資料來源和事實認定的方法，審慎地分析人工智能在民事事實認定中的適用，以尋求人工智能法律產品的功能指向，期待達成可以解決民事事實認定問題的司法智能系統。

二、問題根源：基于深度學習原理的人工智能司法適用具有機械性

人工智能輔助事實認定面臨困境的根源在于全球人工智能技術發展條件仍處于“弱人工智能”(1)強人工智能可以高度模仿人腦的神經認知規則，不需要人工標注的信息，可以自動對數據進行提煉、分析和分類，輸出數據分析的結果。弱人工智能的輸出結果取決于輸入信息的計算機指令，不僅無法超越人類智能，而且只是人類思維的復制。參見莫宏偉：《強人工智能與弱人工智能的倫理問題思考》，載《科學與社會》2018年第1期，第14-24頁。階段。因此，人工智能依然遵循深度學習的技術原理，在司法適用中有其固有的結構缺陷；同時，受深度學習原理的制約，人工智能在輸入語料、模型建構、信息輸出三個維度也都體現出了其適用的單調性、機械性。

(一)深度學習理論和生成式人工智能的適用缺陷

探究事實認定領域人工智能的司法適用，最重要的是厘定人工智能算法學習的理論本質。實際上，人工智能的算法學習包括傳統的算法學習、遷移學習、深度學習等不同算法，但深度學習是機器學習方法中最高效的算法。這是因為深度學習的算法模式主要是對數據的特征進行提取和處理，與人腦學習模式類同而又超出人腦的計算能力，可以替代人類進行大量的數據運算和信息處理?？傮w上，深度學習算法模式的具體內涵可概括為：機器模擬人腦的學習模式，從輸入端獲取輸入信息，在此基礎上構建不同類型的神經網絡模型，最后通過模型的建構和數據的運算完成輸出端的目標信息。

具體來說，深度學習的技術原理可以在三個維度上進行解讀：一是人工進行特征提取和標注，并輸入海量數據。在這一維度上，輸入數據的特征提取和標注須源自法學界的理論共識，并需要轉化成機器可理解的“0-1”知識圖譜[4]。二是神經網絡模型的建構和參數調試。在這一維度上，循環神經網絡模型的建構依賴編程技術以及計算機GPU處理器配置高、算力強的技術設備[5]。三是通過超級計算輸出運算的數據。在這一維度上，數據輸出的結果是否為真，需要通過顯著性檢驗方法，測試深度學習模型建構的合理程度[6]。當然，此項調參任務尚需法官、律師等的后驗判斷。由上觀之，輸入數據、神經網絡模型的建構、輸出數據三個層次上都需要人工參與。所謂人工智能，毋寧說有多大程度的智能表現就有多大程度的人工參與。

近來生成式人工智能引起學界的廣泛關注，但生成式人工智能與真正意義上的通用人工智能或強人工智能還有較大差距。與初代人工智能相較，生成式人工智能的優越性體現在以下三個方面：一是采取了上下文相關技術，實現了一詞多義的語義區分，人工智能在自然語言技術領域實現了語義理解能力的提升[7]；二是采取Transformer模型，人工智能的長文本生成能力得到大幅提升[8]；三是機器學習內容的來源開放。它的學習數據不只局限于計算機程序的直接指令，還可以從與使用者的互動和交流中學習新的知識。

不過，從生成式人工智能產品在我國的現實發展來看，其具體適用面臨三個問題：第一，ChatGPT是源自美國人工智能研究公司推出的生成式人工智能，其程序指令不是中立的意識形態和知識系統。實現我國生成式人工智能的應用和發展，還需要完成對上述Transformer模型的突破和發展。第二，生成式人工智能的技術原理仍然是深度學習，其互動式能力的提升源于計算機長文本生成能力的提高，但其對抽象知識的學習仍然局限于數理等自然科學領域，對于哲學、倫理等人文學科中抽象知識的學習能力尚有不足。第三，不能保證生成式人工智能在與使用者的互動中獲得的新知識是正確的，其可能在上下文相關的理解中獲取錯誤的知識。

(二)基于深度學習原理人工智能運用的機械性

深度學習的技術原理可以從輸入語料、神經網絡模型建構、輸出結果三個維度進行理解。相應地，人工智能適用的機械性也可從此三個維度進行進一步闡述。

從輸入語料的角度看，機器學習無法理解復雜的語言、語義，其學習模式與人類差距較大。首先，自然語言的表達常具有多種含義甚至歧義。人類可以通過復雜的推理和直覺對模糊的表達和碎片化的知識進行綜合地整理和判斷。但機器學習需要基于嚴格的形式邏輯，輸入邏輯單調的語詞。法律語言的適用尚常存在混亂，霍菲爾德對司法推理中所運用基本法律概念的歧義進行了批判，并對其具體內容進行了嚴格的界定[9]。在人工智能的司法適用中，機器學習還需要厘清生活語言中適用基本概念的含混問題和歧義問題。然而，生活語言的語義分析較之法律語言的語義分析更為靈活，現階段自然語言技術尚無法很好地解決某些特定生活語言的語義分析問題。其次，當事人辯論內容中自然語言的邏輯可能會出現前后矛盾的問題。法官可以基于審判經驗和法理邏輯進行綜合判斷，但人工智能卻只能對單一的目標函數尋求最優值，無法對多元的目標函數進行綜合地判斷。再次，語料輸入的前提應當是理論界不容爭議的普遍共識。理論界及實務界尚有爭議的情形及問題，人工智能無法替代人類作出更加明智的決策。這是因為深度學習原理的本質是復制人類的經驗和知識，而非對人類心智的超越。

從神經網絡模型建構的角度看，循環神經網絡模型是一個處理信息的中間處理器，它由無數的數據節點組成，不斷地進行運算。機器學習是對海量的數據進行分析輸出數據分析的結果，是一種歸納性的學習，需要人工提取“知識表達”的具體邏輯[10]。從事實認定的結構要素反向觀之，事實認定知識表達的邏輯與機器學習形式邏輯的特性不同。具體來說，事實認定的整個過程包括三個步驟：一是獲取當事人提出的訴訟資料和證據資料；二是法官通過自由心證，獲得對整個案件事實的內心確信；三是法官無法達成內心確信時適用證明責任這一事實認定的輔助方法。上述三個步驟中均體現了事實認定中知識表達的非單調性。首先，訴訟資料和證據資料的整理，并非簡單的線性邏輯，而是綜合的、整體的判斷。其次，法官自由心證需要利用法律推理、經驗法則等多元知識要素。再次，證明責任之適用則更是需要借助實定法規范(規范說)和利益衡量理論(反規范說)[11]。概而言之，人工智能在事實認定領域的司法適用面臨多重困境，神經網絡模型的建構是重點所在。

從人工智能輸出結果的角度看，神經網絡模型只能對于輸入語料按照具體指令輸出內容。換言之，人工智能只能基于海量數據作為學習基礎，在沒有海量數據的情形下，機器無法完成處理信息和預測信息的任務。例如，在小數據集合的特征提取和預測問題上，由于機器學習缺乏對抽象知識的學習能力，因而無法完成對小數據集合的信息預測。對此，有算法專家提出運用遷移學習法，旨在以較少的學習數據完成特征提取和信息預測，從而解決深度學習這一算法模式數據量需求高的弊端，但該算法模式尚在研究中[12]。因此，機器無法有效面對法律變更后事實構成要素的變化，由于缺乏抽象知識表示的算法[13]，在法官裁判案件數量亦較少的情形下，深度學習無法完成對新類型案件的事實認定工作。換言之，對于法律條文變化導致的事實判斷因素的改變，機器需要在法官判定相當數量的案件以及人工對事實判斷因素進行提取和標注后，再高效地完成輸出預測信息的任務。

三、雙重困境：機器學習機械性導致事實認定面臨的困境

理論上，民事事實認定主要通過事實認定的資料來源和事實認定的方法兩方面來獲得最終的事實認定結果。通過解構裁判資料和事實認定方法這兩個要素，可知機器學習的機械性導致了人工智能在事實認定領域的司法適用面臨雙重困境。

(一)一重困境：機器學習機械性與裁判資料獲取不足

全部的民事裁判資料，即法官心證形成事實認定的原因或資料，包括辯論全趣旨獲得的訴訟資料以及通過證人的證言內容、文書的記載內容等證據方法獲得的證據資料[14]。從裁判資料形成的角度來講，法官心證形成的結果可能會因弱人工智能的技術制約而產生預測結果的偏差。

1.受自然語言技術制約訴訟資料獲取不足。在民事裁判中，訴訟資料的獲取很大程度上來自當事人之間的辯論。除此之外，證據資料的獲取僅對要證事實問題的解決發揮功效。在辯論過程中，原告一方首先對案件事實進行權利主張，使用自然語言對提起訴訟的本案生活事實進行陳述；接著，當事人通過對事實爭點和法律爭點的辯論，依據請求原因、訴訟時效、事實抗辯等方法進行攻擊防御。這些程序展開的過程均是依靠當事人雙方自然語言的適用。

但人工智能針對自然語言的技術尚不成熟。其具體的工作機理可以大致理解為“自然語言——法律語言——計算機語言”三種語言之間的轉化[15]。三種語言之間的轉化需要高超的算法和程序，形成計算機的一種自動推理模型。法律人工智能工作涉及自然語言、法律語言和計算機語言三種語言之間的遞進和轉化。人工智能機器學習的語言技術相當復雜，因為語言不止承載了文字表面表達的含義，還包括了語詞、語義、語法[16]。為了促使數據信息的準確，需要人工提煉機器所能理解的關鍵信息，將書面語、口頭語進行信息提取整合進入機器學習的語料庫，并將該關鍵信息進行向量、矩陣、復合函數等的結構化表達，使得人工智能理解輸入的語料并進行信息的輸出。

若機器學習對于當事人辯論全趣旨的資料無法有效識別，就喪失了掌握事實認定方法的前提。人工智能應用于事實認定存在的主要問題可以具體闡述為三個方面。第一，從技術角度講，人工智能自然語言技術尚不成熟。因為人工智能語言技術仍不能做到對生活語言以及語言含括的邏輯思維進行迅速反應，更不能對當事人的權利主張作出合乎法律思維的語言回饋。換言之，人工智能對于證據信息繁雜的綜合判定，主張—抗辯—再抗辯—再再抗辯的辯論過程中及時反饋能力是不足的。第二，從語言精確度講，因缺乏律師強制代理制度而導致生活事實的陳述缺乏法律語言的精確性。由于我國法律職業發展的歷史特點，目前律師數量不能滿足法律服務市場的需求，民事案件中有很大部分案件無律師代理。因此，當事人在法庭中主張事實的語言不可避免地具有自然語言的屬性。自然語言的模糊性、靈活性與人工智能識別的機器語言具有鮮明的差異性。概括而言，律師強制代理制度的缺乏，一定程度上導致了人工智能法律產品無法有效地識別當事人提出的訴訟資料。第三，就人工智能的發展階段而言，人工智能對于法律知識的理解和轉化存在困境。目前，我國的人工智能技術尚不足以達到掌握邏輯思維和進行主觀性判斷的強人工智能階段，僅處于能夠深度學習、復制人類思維的弱人工智能階段。而且，復制人類思維也需要大量的關鍵信息提取和人工標注工作。因此，對于法律知識內含的法律邏輯和法律論證思維，弱人工智能尚無法完成高質量的認知和判斷。具體而言，在事實認定過程中，事實的層次是多維度的，法官應當根據當事人的實體請求權，分析當事人權利主張中涉及的要件事實、主要事實、間接事實、輔助事實。這需要機器對法律知識能夠熟練掌握并準確運用，但人工智能機器如何用函數表達上述抽象的法律概念，是深度學習亟需打破的算法困境。

綜上所述，受自然語言技術制約，人工智能對辯論全趣旨獲得的訴訟資料有所欠缺。一方面，由于自然語言欠缺精確性，人工智能在事實認定技術環節存在重要不足；另一方面，則是由于人工智能對法律知識的理解能力存在欠缺，人工智能對事實的認定尚不能完成法律意義上的解讀。

2.受自然語言技術、圖像識別技術制約證據資料獲取不足。依照當事人是否爭執，完整的本案事實可分為非爭執事實和爭執事實。非爭執事實和爭執事實在人工智能司法適用中事實認定的地位不同。非爭執事實通過辯論主義可以消解，即與上文自然語言技術的分析類似，下文不再進行重復論證。爭執事實(要證事實)則需要當事人主張不同的證據資料進行證明，需要法官通過證據資料進行綜合的判斷和考量，從而對待證事實形成內心確信。關于證據資料的獲取限度則涉及自然語言技術和圖像識別技術兩類。

為分析人工智能法律產品下證據資料可獲得限度的方便，采納按照證據共通點和差異性進行證據類型分類，即將證據類型分為實物證據、言辭證據和過程性證據三類(2)實物證據分為書證、物證、視聽資料、電子數據四種；過程性證據分為鑒定意見、勘驗筆錄兩種；言辭證據分為當事人陳述、證人證言兩種。參見王亞新、陳杭平、劉君博:《中國民事訴訟法重點講義》，高等教育出版社，2021年，第100頁。。由于采取線上虛擬法律空間，證據資料的信息載量必然因人工智能技術的發展現狀受到制約，其信息減損程度由高到低依次為：言詞證據、實物證據、過程性證據。

第一，證人證言、當事人陳述等言詞證據的信息可獲得性，如同上述辯論全趣旨提供的訴訟資料分析相同，均因為自然語言技術無法精確識別生活語言的內涵和邏輯而無法發揮應有的功能。

第二，實物證據由于其記載信息、形狀外觀等物理特性，同樣在人工智能法律產品服務中獲得的信息受到減損。因為在人工智能適用事實認定領域時，實際上是采虛擬空間中的識別，由于必須采取攝像、傳輸等網絡信息技術提交人工智能法律產品。盡管不存在自然語言技術領域的識別問題，但卻存在著攝像聚焦角度、清晰度分辨率等專業的技術問題，對于實物證據內含的信息識別和提取存在較大問題?？傮w來說，實物證據中涉及的實體識別技術：圖像識別技術，采用相似度算法，較之自然語言中的語義理解發展更為成熟[17]。

第三，過程性證據中的鑒定意見和勘驗筆錄也受到減損。因為鑒定意見和勘驗筆錄是交由專業的技術人員或法官進行證據證明事實的分析和論證，其證據信息可以表述為邏輯性強的算法學習可獲知的知識圖譜。較之言辭證據和實物證據，過程性證據因其專業性的表達、清晰的是非判斷，而較易被機器數據化表達和識別。因此，鑒定意見和勘驗筆錄的證據信息可獲得性最高。

(二)雙重困境：機器學習機械性與事實認定的結構性矛盾

一般而言，法官通過證據資料或經驗法則形成心證，完成對待證事實的內心確信，并在無法形成確定心證時采取證明責任的風險分配法則。因此，法律人工智能必須完成上述兩項事實認定的判斷任務：自由心證的形成以及證明責任的適用。

1.機器學習機械性與法官心證自由的沖突。從人工智能技術應用的現實角度看，要實現人工智能對事實認定的目標，至少需要通過四個步驟。第一，整理相關裁判文書，對陳舊紙質裁判文書進行電子化掃描以及網絡化傳輸。第二，提取事實認定材料中的關鍵信息，人工進行識別和標注。第三，剔除錯誤的判定結果、保留正確的判定結果。這是因為人工智能學習信息的能力很強，但重要的問題在于它既可以學習正確的知識，也可以學習錯誤的知識。因此，在人工智能判定事實的過程中應當重點關注不正確裁決的剔除。否則，基于學習樣本數量的有限性以及作為學習樣本的輸入信息之間沖突，可能會導致輸出的結果運算不正確。

概而言之，人工智能對事實認定的結果與法官心證之間既有聯系，也有沖突。二者聯系的基礎在于人工智能對事實的認定是基于法官對事實認定的經驗。因為深度學習原理下，人工智能的學習數據是源自法官依照自由心證制作的裁判文書；人工智能的運行模式是模擬和分解法官事實認定的思維結構；人工智能算法的調參和優化也需要法官作為法律專家進行專業地評斷。二者沖突的地方在于：從事實認定方法與人工智能認知邏輯比較而言，法官適用的事實認定方法與人工智能認知邏輯存在著結構性的矛盾。該矛盾在于人工智能在事實認定中的司法適用是對待證事實證明結果的認定，而無法完全復制法官進行事實認定過程中的思維結構。具體來說，其可從以下兩個角度進行闡述。

第一，由法官對事實認定的結構觀之，法官需要在當事人主張的生活事實中依據法律條文的解釋厘清主要事實，通過書證、物證、人證等不同證據方法獲得重要的證據資料，與案件裁判有重大影響的重要間接事實，與判斷證據是否真實相關的輔助事實。但人工智能對不同層次的事實認定存在困難。從法官認定事實的方法而言，是依據法官的自由心證。自由心證是基于對法定證據制度僵化適用的修正，外在上體現為法官的論證自由，但其內在也受法律準則、經驗法則、一般社會習慣等的制約[18]，法官應當根據內心的良知對案件事實進行認定。但人工智能對于這種內在制約的算法表達存在困難，算法無法表達這種高度抽象的知識和要素。

第二，由人工智能對事實認定的模型觀之，其對辯論材料的理解、證據證明的結果，均體現為神經網絡模型對數據的處理，而不是對法律準則、經驗法則、一般社會習慣等的學習。從人工智能事實認定的方法而言，人工智能對事實的認定重在輸出結果，而不是論證過程。因為人工智能只能對數據本身進行復制學習，而無法依據抽象的知識進行超出數據外的創造性認知。從事實認定的分層式論證而言，人工智能需要進一步改善事實認定的模型和算法。毋寧說這種對事實認定結果的判斷完全依賴于數據和模型，又重新落入了“人工智能法定證據”的窠臼，是一種新形式的法定證據主義。

2.機器學習機械性與證明責任適用的難題。除法官運用自由心證認定事實外，實際上，證明責任在結果意義上可以理解為法官在心證無法得到確信時判斷本案事實的一種輔助方法[19]。對于證據信息復雜的案件，法官需要通過訴訟指揮增進當事人對證據的提出和事實的主張，以明確案件的要件事實，確定要件事實的法律效果。一個案件的證據信息，包括間接證據和輔助證據等，證據與證據之間互相連接、互相印證，形成明確的法律事實。不過，當事人雙方竭盡全力提出所有的證據，法官依照經驗法則和典型事實仍對要件事實的認定陷入難以抉擇的困境時，則需要借助證明責任的適用進行不利法律后果的風險分配從而間接實現事實認定。

在一定程度上，可以說法官心證對基于證據證明和辯論全趣旨獲得確定心證的個體差異不大，尚能為機器學習提供標準統一的海量數據。但作為輔助事實認定方法的證明責任理論，由于其理論移植與本土的差異以及理論適用的復雜性，在裁判文書中法官應用較少，且較為混亂[20]。第一，適用證明責任理論裁判的文書數量較少，則機器可學習的樣本數量較少。如同上文所述，少量的樣本數據導致機器學習存在困境，無法進行數據的優化和精準地輸出。第二，適用證明責任理論的裁判文書存在認定結果相反的情形。在類案但非同案中，法官面對相同的要件事實無法獲知真偽時，可能由于對實體法所表達的證明責任規范理解差異而導致不同的結果責任分配，從而導致法官對相同事實認定的結果完全不同。如此，事實認定的矛盾和沖突會導致學習樣本的不同一。即使裁判文書數量增加的前提下，由于司法實踐中證明責任理論適用不一，機器學習樣本的信息存在沖突，輸入數據信息的標準不一，那么，機器學習生成的判決文本也會存有爭議。此種情形下，首要的問題不是人工智能如何精準地復制法官的裁判思維，而是裁判文書中法官的判定是否達到了統一。否則，由于訓練集樣本的輸出信息存在矛盾可能導致人工智能學習輸出內容的沖突。

由于證明責任理論在法律移植進程中未能完全吸收其理論本質以及我國追求法律真實的訴訟價值觀，該理論的適用在我國學理與實踐之間產生較大分離[21]。除此之外，我國計算機法學發展并不具有優勢地位。因此，理論與實踐的分離在橫跨了法官個體經驗差異的同時又增加了算法學習技術的優劣，兩個梯度的分離可能會導致理論與實踐產生難以逾越的鴻溝。

四、紓解之道：要素式審判方法的引入與層級式事實模型的建構

目前，人工智能在事實認定領域存在裁判資料獲取不充分和事實認定證明方法之雙重困境。就人工智能在事實認定方面的具體適用而言，首先，可以從司法實踐中簡易程序適用的要素式審判法開始，探索要素式審判對人工智能模型建構的功能；其次，可以通過對事實進行類型劃分，通過分解“三段論”論證結構形成新的“準三段論”論證模式，完成人工智能在事實認定領域的進階發展。

(一)借鑒要素式審判法提取主要事實

所謂要素式審判法，就是圍繞案件的基本要素進行庭審并制作裁判文書的一種略式審判方法[21]。具體而言，就是在審理民事案件的過程中，對一些能夠概括出固定案情要素的案件，進行要素提煉，并對雙方當事人就案件中各種要素是否存在爭議進行歸納。這種要素式審判在司法實踐中簡便易行，可以明顯提高法官審理案件的效率，促進糾紛的迅速解決。

實際上，要素式審判法是司法實踐中面對“案多人少”情形下提煉的法官智慧，通過對案件事實的要素式提取，從而簡化案件的事實認定過程。這種審理方式對事實進行了精確的細分，從而為人工智能認定事實提供了簡單的知識圖譜。人工智能的事實認定借鑒要素式審判法的前提是肯認人工智能發展的技術階段，并將人工智能事實認定的范圍限縮為“事實爭議不大、權利義務關系明確”的簡易案件。這是因為此類簡易案件的事實認定符合人工智能技術發展的現狀。

綜上，要素式審判法提煉了審理案件過程中法官需要識別的關鍵特征和信息提取，為人工智能司法裁判的知識圖譜提供了建構的基礎。在一般情況下，大多數簡易案件的庭審，都非常適合運用要素式審判法。根據《中華人民共和國民事訴訟法》第40條，簡易案件審理的形式化標準為“權利義務關系明確、案件事實爭議不大”，而且實踐中簡易案件占比高達80%[22]。可見，實踐中簡易案件要素式審判方法適用范圍較大，人工智能在民事案件中的適用范圍廣闊。借鑒要素式審判法，人工智能可以較好地完成民事事實認定的工作。

(二)通過層級式事實模型分層認定事實

簡易案件的事實認定模式較為簡單，人工智能借鑒要素式審判法可以較好地建構事實認定的模型。不過對于事實認定復雜的案件，事實認定的模型建構較為復雜，人工智能學習需要面對多元的目標和任務，這恰是人工智能無法克服的弱點。

從案件事實的復雜性程度來講，案件事實的層次可分為主要事實、間接事實、輔助事實等多個層次。有學者提出可以將事實的層級進行分類，采取選定特征事實的方法，相應地對法律權利義務產生、消滅、抗辯效力的規范層級進行分類，再將二者進行層級對應[23]。這種微觀的層級論證模式，拆分主要事實和法律適用的具體要素，形成了“T1→R1”的“準三段論”法律論證模型。該模型突破了簡單三段論中“大前提-小前提-結論”的論證結構，一定程度上實現了事實認定模型的多層級構筑。在此基礎上，“準三段論”法律模型利用形式邏輯模擬證據、事實的推理以及其他類型的推理，對智能輔助決策的模型建構具有突破性、啟發性的意義[24]。盡管該層級式事實模型的建構需要更為復雜的算法和模型，但該層級式模型無疑拓展了人工智能在事實認定領域的適用空間，為人工智能在事實認定領域中的司法適用指引了理論方向。

綜上而言，要素式審判法中的事實認定模型只能解決簡易案件的智能化認定，多層級的“準三段論”論證模型則為人工智能判定相對復雜的案件提供了可行的路徑。

五、結論

適用人工智能產品輔助事實認定工作可以為法官節省簡單勞動的時間，譬如書寫格式化的法庭記錄、法律文書。由于人工智能的科技屬性，很多文書錯誤可能會得到及時的糾正或者直接全部避免，文書的寫作格式也更加規范統一。在事實認定過程中，區分客觀化、標準化、流程化的案件審理類型與主觀性、靈活性、彈性空間較強的案件審理類型。將確定性的案件類型適當賦予人工智能負擔，減輕法官的審判壓力，將不確定性因素較強的案件類型仍然賦予法官進行判斷裁決，形成法官獨立審判與人工智能輔助參與審判的兩重審判格局。兩重審判格局的形成有助于促進社會糾紛解決的制度效率，保障司法的觸達和正義的分配，解決法院案多人少的矛盾。