從決定論到概率論：重構(gòu)人工智能時(shí)代的醫(yī)療損害因果關(guān)系

中圖分類號(hào)：D923；D922.16文獻(xiàn)識(shí)別碼：A文章編號(hào)：1004-342（2025）05-116-13

引言

診療人工智能正在引發(fā)醫(yī)療損害責(zé)任體系的結(jié)構(gòu)性變革。當(dāng)算法黑箱、自主優(yōu)化與人機(jī)共治成為臨床決策的新常態(tài)，傳統(tǒng)侵權(quán)法賴以運(yùn)作的因果關(guān)系認(rèn)定機(jī)制正面臨前所未有的挑戰(zhàn)。在“醫(yī)生一人工智能系統(tǒng)一患者”的三方結(jié)構(gòu)中，技術(shù)復(fù)雜性使事實(shí)因果關(guān)系難以追溯，多因交織使法律因果關(guān)系標(biāo)準(zhǔn)失靈。①尤其當(dāng)人工智能系統(tǒng)在不取代醫(yī)生的前提下深度影響診斷過程，傳統(tǒng)的過錯(cuò)標(biāo)準(zhǔn)、近因規(guī)則與線性因果邏輯已無(wú)法有效回應(yīng)這種新型行為模式。 ①

面對(duì)這一困境，我國(guó)學(xué)界在以下幾個(gè)方面作出了回應(yīng)。在責(zé)任認(rèn)定層面，有學(xué)者主張以“理性算法”標(biāo)準(zhǔn)破解設(shè)計(jì)缺陷認(rèn)定難題②，或通過過錯(cuò)與因果推定緩解患者舉證困難③；另有研究指出，在AI輔助診療結(jié)構(gòu)中，醫(yī)生雖未被替代，卻因算法深度嵌入判斷過程而陷人“再判斷義務(wù)”困境，導(dǎo)致傳統(tǒng)過錯(cuò)標(biāo)準(zhǔn)與因果推理路徑難以適用。在制度設(shè)計(jì)層面，研究者提出構(gòu)建AI產(chǎn)品責(zé)任與醫(yī)療過失責(zé)任的差異化適用框架，并強(qiáng)化特殊告知義務(wù)以重構(gòu)責(zé)任邊界；在監(jiān)管機(jī)制層面，則有觀點(diǎn)倡導(dǎo)構(gòu)建全生命周期監(jiān)管體系，或引入真實(shí)世界研究以緩解算法不可解釋性。然而，這些努力雖各有洞見，尚未系統(tǒng)回應(yīng)AI決策機(jī)制中概率性與復(fù)雜因果網(wǎng)絡(luò)特征對(duì)責(zé)任認(rèn)定路徑所構(gòu)成的“結(jié)構(gòu)性失能”

問題。相比之下，國(guó)際法學(xué)界已開始系統(tǒng)探索概率因果理論在醫(yī)療人工智能責(zé)任認(rèn)定中的應(yīng)用。Halpern與Pearl開創(chuàng)性地提出“結(jié)構(gòu)性因果模型“，以反事實(shí)推理與干預(yù)邏輯建構(gòu)多因推演機(jī)制；Price等人將該模型引人醫(yī)療AI語(yǔ)境，結(jié)合貝葉斯因果圖與統(tǒng)計(jì)學(xué)習(xí)理論，為法院提供可量化的因果推定方法③；Azariah與Reynolds更進(jìn)一步主張采納“理由概率”取代傳統(tǒng)事實(shí)因果推理，并構(gòu)建相應(yīng)的舉證責(zé)任分配機(jī)制。這些理論探索不僅為中國(guó)法學(xué)界提供了因果認(rèn)定方法論上的新工具，也啟示法律規(guī)范應(yīng)從決定論模式走向適應(yīng)人工智能特征的概率邏輯范式。

在此啟發(fā)下，本文嘗試構(gòu)建以“概率增益”為核心的診療人工智能醫(yī)療損害因果關(guān)系認(rèn)定路徑。通過構(gòu)建表面原因判定、聯(lián)合因果認(rèn)定、虛假原因辨析與因果鏈重構(gòu)四重規(guī)則體系，并結(jié)合我國(guó)司法解釋實(shí)踐形成“兩階判斷法”，在回應(yīng)“技術(shù)不可解釋性”與“責(zé)任不可歸屬性”的難題中，為智能時(shí)代下的醫(yī)療侵權(quán)責(zé)任認(rèn)定提供一套理論自洽、制度可行的中國(guó)方案。

一、診療人工智能醫(yī)療損害責(zé)任認(rèn)定中的因果關(guān)系迷思

診療人工智能正在引發(fā)一場(chǎng)醫(yī)療實(shí)踐的認(rèn)識(shí)論革命：從確定性診斷到概率性推理，從透明決策到算法黑箱，從靜態(tài)知識(shí)到動(dòng)態(tài)演化，從人類經(jīng)驗(yàn)到機(jī)器智能。這場(chǎng)革命直擊侵權(quán)法的理論內(nèi)核：在一個(gè)由不確定性和復(fù)雜性主導(dǎo)的醫(yī)療世界里，建立在牛頓決定論之上的因果關(guān)系理論是否還能承擔(dān)起定分止?fàn)帯⒈Ｗo(hù)生命的神圣使命？傳統(tǒng)醫(yī)療損害責(zé)任認(rèn)定依托四大因果關(guān)系理論，它們?cè)?jīng)構(gòu)筑了一個(gè)邏輯自洽的責(zé)任分配體系。然而在人工智能的沖擊下，這個(gè)體系正在分崩離析。

其一，“若無(wú)則不”規(guī)則源于條件理論，是最基本的因果關(guān)系判斷方法。該規(guī)則認(rèn)為，若某一行為的不存在將導(dǎo)致?lián)p害結(jié)果不發(fā)生，則該行為與損害結(jié)果之間存在因果關(guān)系。例如，在“余恩惠、李贊、李芊訴重慶西南醫(yī)院醫(yī)療損害責(zé)任糾紛案”中，法院判定盡管患者死亡主要源于其個(gè)人體質(zhì)和所患疾病，但醫(yī)院的過錯(cuò)行為若不存在，也不會(huì)引發(fā)患者的死亡，故認(rèn)定二者存在一定的因果關(guān)系①。“若無(wú)則不”規(guī)則作為因果關(guān)系判斷的邏輯原點(diǎn)，其生命力在于簡(jiǎn)潔明快的二分法：有此必有彼，無(wú)此必?zé)o彼。但當(dāng)診療AI輸出“惡性腫瘤概率 82.7% ”時(shí)，這種非黑即白的判斷框架瞬間崩塌。更深層的顛覆在于，AI重新定義了醫(yī)療認(rèn)知本身一從“癥狀 A 疾病B”的線性推理，蛻變?yōu)椤岸嗄B(tài)數(shù)據(jù) $$ 概率空間 $$ 風(fēng)險(xiǎn)矩陣”的高維決策②。在這個(gè)新世界里，尋找單一的“必要條件”不僅是緣木求魚，更是對(duì)復(fù)雜性的傲慢否認(rèn)。每一個(gè)診斷都是千萬(wàn)個(gè)變量在概率空間中的量子疊加，試圖用經(jīng)典的反事實(shí)推理來(lái)還原這種疊加態(tài)，如同用牛頓力學(xué)解釋量子糾纏。

其二，近因原則試圖在眾多事實(shí)原因中篩選出法律上應(yīng)當(dāng)承擔(dān)責(zé)任的直接原因。該原則要求損害結(jié)果與行為之間存在直接且緊密的聯(lián)系。例如，甲將乙打傷，但乙在送醫(yī)途中遭遇車禍死亡。盡管甲的行為與乙的死亡之間存在事實(shí)上的因果鏈條，但法律上僅認(rèn)定車禍與死亡之間存在因果關(guān)系。近因原則試圖在因果的迷宮中標(biāo)定最短路徑，這種空間隱喻預(yù)設(shè)了因果過程的可分解性。然而，深度學(xué)習(xí)的“黑箱”不是不愿打開，而是原理上無(wú)法打開。當(dāng)一個(gè)包含1.75億參數(shù)的神經(jīng)網(wǎng)絡(luò)做出診斷時(shí)，其決策是所有參數(shù)在高維空間中的整體涌現(xiàn)。這不是一般意義上的復(fù)雜，而是一種復(fù)雜性一一整體不等于部分之和，功能不能還原為結(jié)構(gòu)。即使最先進(jìn)的可解釋AI技術(shù)，如SHAP、LIME，也只能提供統(tǒng)計(jì)相關(guān)性的可視化，而非因果必然性的證明。法律孜孜以求的最直接原因，在算法世界里是一個(gè)沒有所指的空洞能指。這暴露出近因原則的認(rèn)識(shí)論天真：它假設(shè)世界是透明的、可分解的，而AI展示的卻是一個(gè)晦暗的、整體性的認(rèn)知圖景。

其三，可預(yù)見性標(biāo)準(zhǔn)作為因果關(guān)系認(rèn)定的關(guān)鍵環(huán)節(jié)，旨在評(píng)估行為人對(duì)其行為與損害結(jié)果間因果鏈條的合理預(yù)見能力①。這一準(zhǔn)則以客觀化的理性人為參照，融合行為人的專業(yè)背景，考量其對(duì)潛在因果關(guān)系的認(rèn)知深度。例如，在判斷外科醫(yī)生是否應(yīng)對(duì)術(shù)后并發(fā)癥負(fù)責(zé)時(shí)，法院會(huì)考慮基于當(dāng)前醫(yī)學(xué)水平，一個(gè)合理的外科醫(yī)生是否能預(yù)見所采用的手術(shù)方式與患者特定體質(zhì)之間的相互作用可能引發(fā)該并發(fā)癥。若答案是肯定的，法院就會(huì)認(rèn)定醫(yī)生的行為與損害結(jié)果之間存在因果關(guān)系。這一標(biāo)準(zhǔn)的合理性建立在行為與后果的穩(wěn)定映射之上。但AI的本質(zhì)恰恰是動(dòng)態(tài)演化一不是簡(jiǎn)單的參數(shù)調(diào)整，而是認(rèn)知模式的持續(xù)重構(gòu)。當(dāng)系統(tǒng)通過聯(lián)邦學(xué)習(xí)每天更新數(shù)千次，當(dāng)模型規(guī)模突破臨界點(diǎn)后涌現(xiàn)出設(shè)計(jì)者從未預(yù)料的能力，“預(yù)見”的時(shí)間錨點(diǎn)在哪里？更致命的是，AI的“突現(xiàn)行為”不是偶然，而是復(fù)雜系統(tǒng)的本質(zhì)特征。正如混沌理論揭示的蝴蝶效應(yīng)，微小的初始差異可能導(dǎo)致截然不同的系統(tǒng)行為。要求設(shè)計(jì)者預(yù)見所有可能的突現(xiàn)，等同于要求拉普拉斯妖的存在。可預(yù)見性標(biāo)準(zhǔn)不是需要修正，而是其哲學(xué)前提（即時(shí)間的線性和未來(lái)的可控性）已經(jīng)破產(chǎn)。

其四。相當(dāng)因果關(guān)系理論試圖在條件理論的寬泛性和近因原則的局限性之間尋求平衡。該理論強(qiáng)調(diào)，唯有那些依據(jù)經(jīng)驗(yàn)法則通常足以引起特定損害結(jié)果的條件，方可被認(rèn)定為法律上的原因②。例如在“博利托案”中，英國(guó)法院不僅考慮了醫(yī)生未及時(shí)到場(chǎng)的事實(shí)，還推測(cè)即便醫(yī)生到場(chǎng)，是否會(huì)采取插管等措施，以及這種決定是否符合“負(fù)責(zé)任的醫(yī)療從業(yè)者的標(biāo)準(zhǔn)做法”。③這一判斷過程要求權(quán)衡特定情境下的專業(yè)標(biāo)準(zhǔn)和合理性，體現(xiàn)出法律對(duì)經(jīng)驗(yàn)世界的信賴。但AI的革命性恰恰在于超越經(jīng)驗(yàn)、創(chuàng)造新知。當(dāng)AI通過視網(wǎng)膜照片預(yù)測(cè)心血管風(fēng)險(xiǎn)，當(dāng)它在肺部CT中發(fā)現(xiàn)人類從未注意的癌癥標(biāo)志物，經(jīng)驗(yàn)還有什么意義？AI不是在既有的認(rèn)知框架內(nèi)做得更好，而是在創(chuàng)造全新的認(rèn)知維度。它揭示的不是經(jīng)驗(yàn)的延伸，而是經(jīng)驗(yàn)的局限。在這種認(rèn)知模式面前，相當(dāng)因果關(guān)系理論賴以存在的一般性和通常性都成了過時(shí)的神話。法官依據(jù)什么經(jīng)驗(yàn)來(lái)判斷一個(gè)超越所有人類經(jīng)驗(yàn)的診斷行為？這不是標(biāo)準(zhǔn)需要更新，而是標(biāo)準(zhǔn)本身失去了存在的基礎(chǔ)。

這場(chǎng)理論危機(jī)的根源，不僅在于人工智能技術(shù)的復(fù)雜性本身，更在于人們對(duì)于因果性、責(zé)任與歸屬的思維方式，仍被禁錮在工業(yè)時(shí)代的線性邏輯與決定論預(yù)設(shè)之中。當(dāng)醫(yī)療實(shí)踐演變?yōu)橐粋€(gè)“數(shù)據(jù)一算法一預(yù)測(cè)一反饋一演化”的復(fù)雜系統(tǒng)，傳統(tǒng)法律所依賴的因果模型是否仍具備解釋力？面對(duì)這一挑戰(zhàn)，人們亟需重新審視：在一個(gè)概率主導(dǎo)、涌現(xiàn)為常態(tài)、未來(lái)無(wú)法徹底預(yù)見的世界里，法律將如何重構(gòu)其歸責(zé)邏輯，進(jìn)而回應(yīng)生命權(quán)保障的終極使命？

二、因果關(guān)系的概率轉(zhuǎn)向：人工智能醫(yī)療損害認(rèn)定的理論革新

盡管人工智能系統(tǒng)的技術(shù)特征加劇了因果判斷的不確定性，但這并不意味著因果性本身已不復(fù)存在。真正的問題在于，法律仍習(xí)慣以決定論的全有或全無(wú)框架來(lái)處理一個(gè)本質(zhì)上概率性的現(xiàn)實(shí)世界。在診療人工智能引發(fā)的糾紛案件中，法官往往面臨困境：要么放棄因果推斷，要么執(zhí)拗地套用已失效的傳統(tǒng)模式。這種認(rèn)識(shí)錯(cuò)位不僅造成司法事實(shí)認(rèn)定的邏輯僵局，也動(dòng)搖了責(zé)任歸屬的制度基礎(chǔ)。唯有推動(dòng)因果關(guān)系理論從決定論走向概率論，才能在不確定性時(shí)代中重建司法合理性。

（一）朝向概率性思維的因果關(guān)系范式嬉變

決定論因果觀統(tǒng)治法律思維已逾三百年。從亞里士多德的四因說到牛頓力學(xué)的機(jī)械宇宙觀，因果關(guān)系被理解為必然的、普遍的、可預(yù)測(cè)的鐵律。這種思想通過啟蒙運(yùn)動(dòng)和法典化運(yùn)動(dòng)深深嵌入現(xiàn)代法律體系，“若無(wú)則不”規(guī)則即是其在司法實(shí)踐中的典型體現(xiàn)。

然而，20世紀(jì)的科學(xué)革命徹底動(dòng)搖了決定論的根基。量子力學(xué)揭示了自然界的內(nèi)在不確定性：海森堡的測(cè)不準(zhǔn)原理表明，人們無(wú)法同時(shí)精確知道粒子的位置和動(dòng)量①；波恩的概率解釋則揭示出微觀事件只能用概率描述②。這不是認(rèn)識(shí)能力的局限，而是世界的本質(zhì)屬性。正如英國(guó)哲學(xué)家休謨?cè)缫讯床斓模蚬厝恍钥赡苤皇侨祟愃季S的習(xí)慣性建構(gòu)③。在這一背景下，概率因果關(guān)系理論誕生了。美國(guó)哲學(xué)家蘇佩斯提出，既然人們無(wú)法掌握所有影響因素，就應(yīng)該用概率語(yǔ)言重新定義因果關(guān)系。這一理論將因果關(guān)系從“全有或全無(wú)”的二元對(duì)立，轉(zhuǎn)變?yōu)閇0，1]區(qū)間內(nèi)的連續(xù)譜系。珀?duì)柕囊蚬麍D模型、貝葉斯網(wǎng)絡(luò)方法等進(jìn)一步豐富了概率因果理論的工具箱。

法律實(shí)踐已經(jīng)開始擁抱這種轉(zhuǎn)變。在有毒物質(zhì)致害案件中，法院采納統(tǒng)計(jì)性流行病學(xué)證據(jù)的做法，實(shí)質(zhì)上承認(rèn)了因果關(guān)系的概率性本質(zhì)②。在環(huán)境侵權(quán)、藥品致害等領(lǐng)域，法院越來(lái)越多地接受統(tǒng)計(jì)學(xué)證據(jù)和流行病學(xué)研究。隨著人工智能等新興技術(shù)的勃興，概率思維在法律因果關(guān)系認(rèn)定中的重要性愈發(fā)凸顯。歐盟責(zé)任與新技術(shù)專家組的前瞻性報(bào)告更是明確倡導(dǎo)，在處理人工智能相關(guān)案件時(shí)，應(yīng)當(dāng)從決定論范式向概率論方法轉(zhuǎn)向①。在諸多概率因果理論路徑中，基于條件概率的方法因其直觀性和可操作性，最適合司法實(shí)踐的需要。它既能量化因果強(qiáng)度，又能容納不確定性，為處理人工智能時(shí)代的復(fù)雜因果關(guān)系提供了有力工具。通過概率思維，法律得以在確定性與不確定性之間找到新的平衡點(diǎn)，既維護(hù)了因果關(guān)系認(rèn)定的科學(xué)性，又保持了必要的靈活性。

通過從條件路徑引入概率因果關(guān)系，能更好地捕捉現(xiàn)實(shí)世界中的灰色地帶和微妙變化，為診療人工智能等新興技術(shù)帶來(lái)的法律挑戰(zhàn)提供了更為精準(zhǔn)和有力的分析工具，為破解診療人工智能醫(yī)療損害賠償中的因果關(guān)系迷思提供最為切實(shí)可行的理論支撐

（二）概率因果關(guān)系的理論構(gòu)建：法律因果關(guān)系認(rèn)定規(guī)則的革新

基于這一突破性視角，可以構(gòu)建一個(gè)由判定表面原因的基礎(chǔ)規(guī)則、認(rèn)定聯(lián)合因果的進(jìn)階規(guī)則、辨析虛假原因的精微規(guī)則、重構(gòu)因果鏈條的幕隔規(guī)則四個(gè)核心規(guī)則組成的因果關(guān)系認(rèn)定框架：

1.判定表面原因的基礎(chǔ)規(guī)則

在概率因果關(guān)系理論的框架下，表面原因的判定規(guī)則占據(jù)核心地位。它主要是通過事件發(fā)生的概率來(lái)判定因果關(guān)系。具體如何判定？假設(shè)P（A）是指事件A在t時(shí)刻發(fā)生的概率。相應(yīng)地， P（B_t） 則為事件B在一個(gè)更早的時(shí)刻t'發(fā)生的概率。再假設(shè) P（A_t|B_t） 是指當(dāng)事件B在一個(gè)更早的時(shí)刻t發(fā)生的時(shí)候，事件A在某個(gè)稍晚時(shí)刻t發(fā)生的概率。根據(jù)蘇佩斯的說法，當(dāng)且僅當(dāng)下列條件發(fā)生的時(shí)候，在時(shí)刻t發(fā)生的事件B構(gòu)成在時(shí)刻t發(fā)生的事件A的表面原因：

（i）t^′

（ii）P（B_t）gt;0;

（iii）P（A_t|B_t）gt;P（A_t）.Q

可見，在構(gòu)成At表面原因的基本條件中，事件B在時(shí)刻t的發(fā)生雖然沒有必然導(dǎo)致事件A在t時(shí)刻發(fā)生，但是其確實(shí)增加了A在t時(shí)刻發(fā)生的概率。因此，在沒有其他事件干擾，導(dǎo)致人們能“解除 P（B_t） 與P（A）之間概率性聯(lián)結(jié)的條件下，③可以將 P（B_t） 視為P（A的表面原因。

2.認(rèn)定聯(lián)合因果的進(jìn)階規(guī)則

在復(fù)雜的因果網(wǎng)絡(luò)中，單一的表面原因往往無(wú)法完全解釋結(jié)果事件的發(fā)生。為此，概率因果關(guān)系理論進(jìn)一步發(fā)展出了認(rèn)定聯(lián)合因果的方法。這一方法主要關(guān)注多個(gè)原因事件如何共同影響結(jié)果事件的發(fā)生概率。假設(shè)事件A為結(jié)果事件，事件B和C為可能的原因事件，且t\" ′

聯(lián)合因果關(guān)系的認(rèn)定基于以下條件：

（i） P（B_t\"）gt;0 且 P（C_f）gt;0 （ii） （ii） P（A_t|B_t，∧C_t）gt;P（A_t|C_t） （iv） P（A_t|B_t，Λ_Λ?_t）gt;P（A_t）

其中， P（A_t|B_t\"∧C_t\"） 表示在事件B和C分別在時(shí)刻t\"和t'發(fā)生的條件下，事件A在時(shí)刻t發(fā)生的概率①

這組條件揭示了聯(lián)合因果關(guān)系的本質(zhì)特征。首先，條件（i）確保了原因事件的實(shí)際發(fā)生可能性。條件（ii）和 （iii）表明，兩個(gè)原因事件的聯(lián)合作用比任一單獨(dú)事件對(duì)結(jié)果事件的影響更大。最后，條件（iv）保證了聯(lián)合原因確實(shí)增加了結(jié)果事件發(fā)生的整體概率。值得注意的是，聯(lián)合因果并不意味著原因事件間的簡(jiǎn)單疊加。事實(shí)上，原因事件之間可能存在復(fù)雜的交互作用。例如，可能存在協(xié)同效應(yīng)（synergy），即 P（A_t|B_t，∧C_t） gt;P（A_t|B_t^*）+P（A_t|C_t）?P（A_t） ，表明聯(lián)合作用產(chǎn)生了超出單獨(dú)作用之和的效果②。在實(shí)際應(yīng)用中，認(rèn)定聯(lián)合因果的方法為我們提供了一個(gè)更為全面的視角來(lái)分析復(fù)雜系統(tǒng)中的因果關(guān)系。這在診療人工智能等領(lǐng)域尤為重要，因?yàn)樵谶@些領(lǐng)域中，結(jié)果往往是多種因素共同作用的產(chǎn)物。然而，也應(yīng)當(dāng)認(rèn)識(shí)到，隨著考慮因素的增多，因果關(guān)系的判定也變得更為復(fù)雜，這就要求人們?cè)趯?shí)踐中更加謹(jǐn)慎地應(yīng)用這一方法。

3.辨析虛假原因的精微規(guī)則

概率因果關(guān)系理論不僅能識(shí)別表面原因和聯(lián)合因果，還具有辨析中間環(huán)節(jié)虛假原因的精微規(guī)則。這一規(guī)則在前述時(shí)間序列假設(shè)的基礎(chǔ)上，進(jìn)一步細(xì)化了概率關(guān)系的分析。假設(shè)t\" ′t\" 指在時(shí)刻t\"發(fā)生事件C的概率。 P（A_t|C_t\"） 表示在時(shí)刻t\"發(fā)生事件C，繼而在后續(xù)時(shí)刻t發(fā)生事件A的條件概率。P（A_t|B_t∧C_t\"） 則表示在時(shí)刻t\"發(fā)生事件C，隨后在時(shí)刻t'發(fā)生事件B，最終在t時(shí)刻發(fā)生事件A的條件概率。

根據(jù)這一理論，當(dāng)且僅當(dāng)滿足下列條件時(shí)，可以判定 B_t^′ 是 A_t 的虛假原因：

（i） P（B_fC_f\"）gt;0 （ii） P（A_t|B_t∧C_t\"）=P（A_t|C_t\"）; （20 （iii）

條件（i）確保了事件B和C共同發(fā)生的可能性，為后續(xù)分析奠定基礎(chǔ)。條件（ii）揭示了關(guān)鍵特征：雖然 B_t， 可能獨(dú)立導(dǎo)致 A_t 發(fā)生，但由于先發(fā)生的事件 C_t 已經(jīng)能夠獨(dú)立導(dǎo)致A_t 的發(fā)生，其概率為 P（A_t|C_t\"） ，發(fā)生， B_f^′ 與 C_t\" 的相繼發(fā)生并未增加這一概率。條件（iii）則排除了Bt'獨(dú)自導(dǎo)致At發(fā)生的概率高于 B_t， 和 C_r\" 聯(lián)合導(dǎo)致 A_t 發(fā)生概率的可能性。在滿足這些條件的情況下，可以斷定：一個(gè)在前的事件 C_t\" 遮蔽了在后的 B_t， ，使后者從因果關(guān)系鏈條中被排除出去。

4.重構(gòu)因果鏈條的幕隔規(guī)則

在概率因果關(guān)系理論的發(fā)展過程中，德國(guó)哲學(xué)家漢斯·賴興巴赫對(duì)因果關(guān)系的概率論譜系做出了重要貢獻(xiàn)，其中尤以“幕隔規(guī)則”（screening-off rule）最為著稱③。這一規(guī)則精妙地解決了復(fù)雜因果網(wǎng)絡(luò)中的中介效應(yīng)問題，為理解和分析多重因果關(guān)系提供了有力工具。

幕隔規(guī)則的核心在于判斷處于中間狀態(tài)的事件是否能夠阻斷先前事件與最終結(jié)果之間的因果聯(lián)系。具體而言，需考慮三個(gè)時(shí)間上先后發(fā)生的事件： C_t\"，B_t\" 和 A_t， 。要構(gòu)成幕隔效應(yīng)，首要前提是 C_t\" 與 ΔB_t^′ 都必須是 A_t 的表面原因，即同時(shí)滿足：

在此基礎(chǔ)上，若同時(shí)滿足以下兩個(gè)條件，則可斷定 B_f^′ 幕隔了 C_t\" 與 A_t 之間的因果關(guān)系：

（i） （ii）

這兩個(gè)條件蘊(yùn)含了深刻的哲學(xué)洞見。條件i表明，在 ΔB_t 發(fā)生的情況下， C_t\" 的發(fā)生與否不會(huì)影響 A_t 的概率。條件（ii）則指出，即使在 B_t， 未發(fā)生的情況下， C_t\" 對(duì) A_t 的影響也被完全消除。這兩個(gè)條件的共同作用，使得B_t. 成為了連接 C_t\" 和At的唯一橋梁，從而有效地阻斷了 C_t\" 對(duì) A_t 的直接因果影響①。這在滿足幕隔條件的情況下，可以斷定：盡管 C_t\" 表面上看似是 A_t 的原因，但實(shí)際上它并非真正的原因，其影響完全被中間事件 B_t^′ 所吸收和轉(zhuǎn)化。

這四大規(guī)則不是孤立存在的，而是相互補(bǔ)充、層層深入的有機(jī)整體。更重要的是，它們精準(zhǔn)回應(yīng)了診療人工智能的四大技術(shù)特征帶來(lái)的因果認(rèn)定難題。針對(duì)深度學(xué)習(xí)的不可解釋性導(dǎo)致近因無(wú)法追溯，表面原因判定規(guī)則巧妙繞過算法黑箱，通過輸入輸出的概率關(guān)聯(lián)實(shí)現(xiàn)“不開箱驗(yàn)因”；針對(duì)多因素交織的蓋然復(fù)雜性使“若無(wú)則不”規(guī)則失效，聯(lián)合因果認(rèn)定規(guī)則通過條件概率分析，將單一必要條件判斷轉(zhuǎn)化為多元貢獻(xiàn)度的精確量化；針對(duì)系統(tǒng)持續(xù)學(xué)習(xí)的動(dòng)態(tài)優(yōu)化性顛覆可預(yù)見性標(biāo)準(zhǔn)，虛假原因辨析規(guī)則以動(dòng)態(tài)概率比較識(shí)別正常演化與異常偏離，將不可預(yù)見轉(zhuǎn)化為可辨識(shí)；針對(duì)算法的決策自主性超越經(jīng)驗(yàn)認(rèn)知，原因幕隔規(guī)則以數(shù)學(xué)精確性取代經(jīng)驗(yàn)?zāi)：裕谌藱C(jī)協(xié)作中準(zhǔn)確定位決策邊界和責(zé)任主體。這一理論體系不是對(duì)傳統(tǒng)理論的簡(jiǎn)單替代，而是在新的科學(xué)基礎(chǔ)上的范式革新一一以概率思維超越?jīng)Q定論桎梏，為司法實(shí)踐提供了與人工智能時(shí)代相匹配的分析工具，使法律得以在算法主導(dǎo)的醫(yī)療實(shí)踐中繼續(xù)履行定分止?fàn)帯⒈Ｗo(hù)生命的神圣使命。

三、基于概率因果關(guān)系理論的人工智能醫(yī)療損害因果鏈分析

概率因果關(guān)系理論為解析診療人工智能醫(yī)療損害責(zé)任提供了新視角。雖然此類案件中可能涉及多方主體，包括醫(yī)務(wù)人員、算法設(shè)計(jì)者、生產(chǎn)者、批準(zhǔn)機(jī)構(gòu)及銷售者②，但本研究聚焦于最具代表性的兩類主體：醫(yī)務(wù)人員和設(shè)計(jì)者－人工智能系統(tǒng)體。通過探討這兩類主體與損害結(jié)果間可能存在的因果關(guān)系類型譜系，旨在構(gòu)建一個(gè)廣泛適用的概率因果分析模型。

（一）單一主體因果鏈的概率追溯：醫(yī)務(wù)人員過錯(cuò)的原因認(rèn)定

在診療人工智能輔助下的醫(yī)療損害責(zé)任認(rèn)定中，單一主體責(zé)任的因果關(guān)系判定首先聚焦于醫(yī)務(wù)人員的行為標(biāo)準(zhǔn)。根據(jù)國(guó)際司法實(shí)踐，侵權(quán)行為法在界定責(zé)任主體時(shí)，優(yōu)先考慮醫(yī)療照護(hù)標(biāo)準(zhǔn)，其次才是因果關(guān)系。只有在醫(yī)務(wù)人員未達(dá)到相關(guān)診療標(biāo)準(zhǔn)的前提下，法院才會(huì)進(jìn)一步探究診療過失與損害間的因果聯(lián)系。為適應(yīng)人工智能時(shí)代的挑戰(zhàn)，有學(xué)者建議用“合理醫(yī)生標(biāo)準(zhǔn)”取代現(xiàn)行的“當(dāng)時(shí)醫(yī)療水平標(biāo)準(zhǔn)”，以促使醫(yī)生在使用人工智能時(shí)更審慎地權(quán)衡風(fēng)險(xiǎn)與收益①。在舉證責(zé)任方面，雖不宜盲目適用舉證責(zé)任倒置，但考慮到信息不對(duì)稱，可適當(dāng)減輕患者的舉證負(fù)擔(dān)。基于概率因果關(guān)系理論，只要患者能提供證據(jù)證明存在醫(yī)務(wù)人員過錯(cuò)導(dǎo)致?lián)p害的合理懷疑，即可將醫(yī)務(wù)人員的過錯(cuò)視為損害發(fā)生的表面原因，隨后由醫(yī)務(wù)人員舉證證明自身行為符合合理醫(yī)生標(biāo)準(zhǔn)。

在確立醫(yī)務(wù)人員過錯(cuò)的基礎(chǔ)上，因果關(guān)系的認(rèn)定還需考慮醫(yī)務(wù)人員與人工智能系統(tǒng)的互動(dòng)。若醫(yī)務(wù)人員拒絕系統(tǒng)的診療建議而獨(dú)立做出錯(cuò)誤決策，則因果鏈不會(huì)延伸至人工智能系統(tǒng)及其設(shè)計(jì)者。相反，若醫(yī)生遵循了系統(tǒng)建議，且系統(tǒng)建議合理，即便醫(yī)務(wù)人員未盡到全部注意義務(wù)，也難以認(rèn)定其與患者損害間存在直接因果關(guān)系。若系統(tǒng)建議錯(cuò)誤，且醫(yī)務(wù)人員未盡合理醫(yī)生的審慎義務(wù)，則需進(jìn)一步分析。此時(shí)如果存在一個(gè)更合理的診療方案能降低患者損害概率，則可推斷系統(tǒng)的錯(cuò)誤建議增加了患者損害概率，從而將“設(shè)計(jì)者－人工智能體”的聯(lián)合體納入可能的責(zé)任主體范疇。

然而，即便初步認(rèn)定“設(shè)計(jì)者－人工智能體”的聯(lián)合體與患者損害間存在表面因果關(guān)系，仍須警惕幕隔效應(yīng)。如果醫(yī)務(wù)人員的過錯(cuò)程度達(dá)到了足以構(gòu)成對(duì)系統(tǒng)錯(cuò)誤建議的幕隔，則系統(tǒng)錯(cuò)誤不應(yīng)被視為損害的真正原因。判斷的關(guān)鍵在于：假設(shè)沒有人工智能系統(tǒng)的輔助建議，醫(yī)務(wù)人員是否仍會(huì)做出相似的錯(cuò)誤判斷，導(dǎo)致相近概率的患者損害。若醫(yī)生的錯(cuò)誤認(rèn)知足以導(dǎo)致誤診，無(wú)論有無(wú)系統(tǒng)錯(cuò)誤建議都會(huì)造成類似的損害，則醫(yī)生的過錯(cuò)會(huì)幕隔系統(tǒng)在因果鏈中的作用。實(shí)踐中，可通過考察醫(yī)務(wù)人員過錯(cuò)的程度、類型以及當(dāng)前醫(yī)學(xué)水平下正確診斷的難易程度等因素，來(lái)判斷是否存在幕隔效應(yīng)。歐盟責(zé)任與新技術(shù)專家組提出的概率閾值法（如50% ）為此類判斷提供了參考②，但在適用時(shí)需考慮診療人工智能的輔助性質(zhì)，確保人工智能的錯(cuò)誤建議不會(huì)反向幕隔醫(yī)務(wù)人員的過錯(cuò)。

（二）多主體交互的因果網(wǎng)絡(luò)構(gòu)建：設(shè)計(jì)者－人工智能體的原因追溯

在多主體交互的醫(yī)療損害情境中，因果關(guān)系的認(rèn)定還需要考慮人工智能系統(tǒng)的影響，從而將因果追溯延伸至設(shè)計(jì)者－人工智能系統(tǒng)體。雖然醫(yī)務(wù)人員作為診療方案的主導(dǎo)決策者，其過錯(cuò)通常被推定為造成患者損害的主要原因，但當(dāng)人工智能系統(tǒng)輸出錯(cuò)誤診療方案時(shí)，因果鏈條必然延伸。在這種情況下，設(shè)計(jì)缺陷作為導(dǎo)致系統(tǒng)生成錯(cuò)誤診療方案的潛在原因，其認(rèn)定面臨特殊挑戰(zhàn)。由于消費(fèi)者對(duì)系統(tǒng)設(shè)計(jì)缺乏了解，難以形成合理期待①；患者方面也難以提出更優(yōu)的風(fēng)險(xiǎn)效用替代設(shè)計(jì)。傳統(tǒng)產(chǎn)品責(zé)任中的消費(fèi)者期待和風(fēng)險(xiǎn)效用檢驗(yàn)標(biāo)準(zhǔn)顯得力不從心。鑒于設(shè)計(jì)缺陷本質(zhì)上蘊(yùn)含設(shè)計(jì)者過失因素②，在滿足相關(guān)技術(shù)標(biāo)準(zhǔn)的前提下，設(shè)計(jì)者疏忽成為最可能的過錯(cuò)形式。當(dāng)前司法實(shí)踐主要以“對(duì)可能風(fēng)險(xiǎn)的合理預(yù)期”作為判斷設(shè)計(jì)者疏忽的標(biāo)準(zhǔn)③。若設(shè)計(jì)者在構(gòu)建算法基礎(chǔ)邏輯時(shí)未能避免本應(yīng)合理預(yù)計(jì)的風(fēng)險(xiǎn)，則可能構(gòu)成過失，進(jìn)而導(dǎo)致系統(tǒng)生成錯(cuò)誤診療方案。

人工智能系統(tǒng)自主學(xué)習(xí)過程中的錯(cuò)誤認(rèn)知，作為導(dǎo)致系統(tǒng)生成錯(cuò)誤診療方案的另一個(gè)重要原因，在因果鏈分析中占據(jù)了一個(gè)獨(dú)特而復(fù)雜的位置。盡管診療人工智能目前僅被視為輔助性工具④，不具備獨(dú)立法律人格，但這并不意味著可以忽視其在因果鏈中的作用。如果人工智能自主學(xué)習(xí)過程中的錯(cuò)誤認(rèn)知與設(shè)計(jì)者的疏忽共同導(dǎo)致了系統(tǒng)生成錯(cuò)誤診療方案，那么僅將責(zé)任歸咎于設(shè)計(jì)者不僅有失公平，也可能阻礙人工智能產(chǎn)品的創(chuàng)新發(fā)展。因此，在追溯系統(tǒng)生成錯(cuò)誤診療方案原因時(shí)，仍應(yīng)考察人工智能系統(tǒng)自主學(xué)習(xí)、內(nèi)部調(diào)制所扮演的角色。

在推斷系統(tǒng)錯(cuò)誤結(jié)果與設(shè)計(jì)者－人工智能體間的因果關(guān)系時(shí)，應(yīng)用概率性因果關(guān)系理論需考慮該情境的特殊性，尤其是量化各因素貢獻(xiàn)度方面。假設(shè) A_t 表示系統(tǒng)生成錯(cuò)誤診療方案， B_t， 表示人工智能的自主學(xué)習(xí)和內(nèi)部調(diào)制， C_t^′′ 表示設(shè)計(jì)者的疏忽。在這種情況下，判斷 C_f， 與 B_t， 是否構(gòu)成 A_t 的聯(lián)合原因時(shí)，應(yīng)特別關(guān)注以下方面：（1）設(shè)計(jì)者疏忽對(duì)錯(cuò)誤診療方案生成概率的影響： P（A_t|C_t，∧B_t，） - ；（2）人工智能自主學(xué)習(xí)對(duì)錯(cuò)誤診療方案生成概率的影響： P（A_t|C_t，∧B_t^′） （2號(hào)1 這兩個(gè)概率差異不僅反映了各因素的獨(dú)立貢獻(xiàn)，還體現(xiàn)了它們之間可能存在的交互作用。如果第一個(gè)差值遠(yuǎn)大于第二個(gè)，這可能表明設(shè)計(jì)者的疏忽在因果鏈中扮演著更為關(guān)鍵的角色。而如果第二個(gè)差值更大，則可能意味著系統(tǒng)的自主學(xué)習(xí)過程在錯(cuò)誤診療方案的生成中起著決定性作用此外，還需考慮 P（A_t|C_t，∧B_t，） 與P（A）的比較。如果 P（A_t|C_t，∧B_t，）gt;gt;P（A_t） ，這強(qiáng)烈暗示了設(shè)計(jì)者疏忽和人工智能自主學(xué)習(xí)的共同作用顯著增加了系統(tǒng)生成錯(cuò)誤診療方案的風(fēng)險(xiǎn)。

為精確界定真實(shí)的因果關(guān)系，需要在前述分析的基礎(chǔ)上進(jìn)一步審視設(shè)計(jì)者－人工智能體作為表面原因的可靠性，特別是通過排除虛假原因來(lái)確保責(zé)任歸屬的準(zhǔn)確性。在這個(gè)過程中，需要考慮以下概率關(guān)系：首先，假設(shè)人工智能自主學(xué)習(xí)導(dǎo)致系統(tǒng)錯(cuò)誤的概率不超過聯(lián)合作用的概率： ≥P（A_t|B_t，） ；其次，考察設(shè)計(jì)者疏忽是否對(duì)錯(cuò)誤概率起決定性作用： P（A_t|B_t，ΛC_t^′）= P（A_t|C_t^′） 。如果這兩個(gè)條件同時(shí)滿足，可以推斷人工智能的自主學(xué)習(xí)和內(nèi)部調(diào)制可能只是一個(gè)虛假原因。這意味著，即使在系統(tǒng)進(jìn)行自主學(xué)習(xí)和內(nèi)部調(diào)制的情況下，錯(cuò)誤診療方案的生成概率主要由設(shè)計(jì)者的疏忽決定。在這種情況下，可以合理地將導(dǎo)致系統(tǒng)生成錯(cuò)誤診療方案的全部原因力歸結(jié)于設(shè)計(jì)者。這一結(jié)論對(duì)于法律責(zé)任的認(rèn)定具有重要意義，因?yàn)樗鞔_了在復(fù)雜的人機(jī)交互系統(tǒng)中，設(shè)計(jì)者的疏忽可能是錯(cuò)誤產(chǎn)生的根本原因。

在完成虛假原因分析后，還應(yīng)考慮原因幕隔效應(yīng)，以判斷人工智能的自主學(xué)習(xí)是否排除了設(shè)計(jì)者疏忽作為系統(tǒng)錯(cuò)誤的真實(shí)原因。這一分析涉及兩個(gè)關(guān)鍵條件：第一個(gè)條件類似于虛假原因分析，即： P（A_t|B_t，∧C_t^′）≈ 這表明，無(wú)論設(shè)計(jì)者是否存在疏忽，系統(tǒng)生成錯(cuò)誤診療方案的概率都相近。這似乎暗示設(shè)計(jì)者疏忽在因果鏈中并不重要。然而，由于設(shè)計(jì)者疏忽 C_t^′′ 是一個(gè)先行原因，這種表面的不相關(guān)性可能是具有誤導(dǎo)性的。為了進(jìn)一步驗(yàn)證幕隔效應(yīng)，需要應(yīng)用賴興巴赫提出的第二個(gè)條件： P（A_t|-B_t，ΛC_t，）= 這個(gè)條件檢驗(yàn)了在系統(tǒng)未經(jīng)特定調(diào)制的情況下，設(shè)計(jì)者疏忽是否影響錯(cuò)誤診斷的概率。只有同時(shí)滿足這兩個(gè)條件，才能確定人工智能的自主學(xué)習(xí)真正構(gòu)成了對(duì)設(shè)計(jì)者疏忽的幕隔①。這種雙重驗(yàn)證能揭示出在某些情況下，設(shè)計(jì)者疏忽與系統(tǒng)自主學(xué)習(xí)之間的復(fù)雜交互可能掩蓋設(shè)計(jì)者疏忽在因果鏈中的實(shí)際重要性。通過嚴(yán)格的概率分析，可以更準(zhǔn)確地判斷責(zé)任的歸屬，避免錯(cuò)誤地免除設(shè)計(jì)者的責(zé)任。

（三）責(zé)任的量化分配：概率因果規(guī)則下的因果力衡平

在前文探討的多主體交互中的因果關(guān)系認(rèn)定基礎(chǔ)上，責(zé)任的量化分配成為必然的延伸問題。設(shè)計(jì)者－人工智能體與醫(yī)務(wù)人員的行為共同構(gòu)成患者損害的原因鏈，但鑒于人工智能系統(tǒng)在我國(guó)侵權(quán)法中尚不具備獨(dú)立責(zé)任主體地位，責(zé)任分擔(dān)主要在設(shè)計(jì)者所在機(jī)構(gòu)與醫(yī)療機(jī)構(gòu)之間進(jìn)行。這種多元主體責(zé)任的量化需借助概率因果理論，通過對(duì)因果關(guān)系的精細(xì)分割來(lái)實(shí)現(xiàn)。在此過程中，概率因素的作用從判定因果關(guān)系存在與否，轉(zhuǎn)變?yōu)榱炕髦潞σ蛩貙?duì)損失的貢獻(xiàn)。這一方法不僅得到最高人民法院司法解釋的認(rèn)可，允許就原因力大小申請(qǐng)醫(yī)療損害鑒定①，還可借鑒《歐洲侵權(quán)法原則》（PETL）的相關(guān)規(guī)則，推定所有可能［最低限度]造成損害的活動(dòng)導(dǎo)致了同等份額的損害②

值得注意的是，我國(guó)《關(guān)于審理醫(yī)療損害責(zé)任糾紛案件適用法律若干問題的解釋》第12條為概率因果理論的本土化應(yīng)用提供了規(guī)范基礎(chǔ)。該條確立的“根據(jù)實(shí)際情況”判斷原因力大小的開放性標(biāo)準(zhǔn)，為在復(fù)雜醫(yī)療損害案件中引入概率分析方法預(yù)留了制度空間。基于此規(guī)范授權(quán)，可構(gòu)建融合定性與定量分析的兩階判斷法：第一階段運(yùn)用類型化思維進(jìn)行定性判斷，綜合考量醫(yī)療行為的專業(yè)標(biāo)準(zhǔn)、患者特殊體質(zhì)、診療環(huán)境限制等因素，將原因力初步界定為主要原因、同等原因或次要原因的類型范疇；第二階段在已確定的類型范圍內(nèi)，通過貝葉斯網(wǎng)絡(luò)模型計(jì)算條件概率P（損害醫(yī)生過錯(cuò)∧AI錯(cuò)誤）等指標(biāo)，精確量化各方的責(zé)任比例，特別是當(dāng)概率計(jì)算顯示存在協(xié)同效應(yīng)或原因競(jìng)合時(shí)，相應(yīng)調(diào)整責(zé)任分配方案。這種兩階判斷法既維護(hù)了我國(guó)司法解釋的規(guī)范權(quán)威，又充分吸收了概率因果理論在處理復(fù)雜因果網(wǎng)絡(luò)時(shí)的技術(shù)優(yōu)勢(shì)，實(shí)現(xiàn)了規(guī)范確定性與個(gè)案靈活性的平衡。

在確立多元主體責(zé)任的量化分配框架后，需要更精細(xì)地考量設(shè)計(jì)者－人工智能體內(nèi)部的原因份額分割：不能簡(jiǎn)單地套用其與醫(yī)務(wù)人員過錯(cuò)之間的原因份額比例，而是要考慮因果鏈中的決定性環(huán)節(jié)。醫(yī)務(wù)人員的決策作為“臨門一腳”，將系統(tǒng)生成的錯(cuò)誤診療方案轉(zhuǎn)化為患者實(shí)際遭受的損害，在這一環(huán)節(jié)中，原因與結(jié)果之間呈現(xiàn)出決定論的特征。相比之下，設(shè)計(jì)者疏忽和人工智能自主調(diào)制與最終損害之間的關(guān)系則更為間接，呈現(xiàn)出概率性的關(guān)聯(lián)。這種因果鏈的結(jié)構(gòu)意味著，醫(yī)務(wù)人員與設(shè)計(jì)者的責(zé)任承擔(dān)范圍應(yīng)分而論之，前者的責(zé)任范圍等同于最終損害的全部，而后者不該對(duì)現(xiàn)實(shí)發(fā)生的損害負(fù)全部責(zé)任，只應(yīng)對(duì)自身造成系統(tǒng)錯(cuò)誤輸出可能性增加的那一部分負(fù)責(zé)。

假設(shè)A表示損害結(jié)果，其量化額度為m；B、C、D分別代表醫(yī)務(wù)人員過錯(cuò)、人工智能自主學(xué)習(xí)與內(nèi)部調(diào)制、設(shè)計(jì)者疏忽。假設(shè)在這一聯(lián)合因果關(guān)系中，B的原因力份額為 X% ，C-D聯(lián)合體的份額為 y% （理想情況下， x%+ y%=1 ）。表面上，醫(yī)療機(jī)構(gòu)應(yīng)承擔(dān) x⁰/0^*m 的責(zé)任，而設(shè)計(jì)者－人工智能體承擔(dān) y%^*m 。然而，基于“臨門一腳-實(shí)際損害”理論，設(shè)計(jì)者與最終損害間并不存在決定性因果關(guān)系，責(zé)任主體僅在其行為導(dǎo)致?lián)p害風(fēng)險(xiǎn)增加的范圍內(nèi)承擔(dān)責(zé)任。據(jù)此，設(shè)計(jì)者的責(zé)任份額應(yīng)量化為其疏忽導(dǎo)致系統(tǒng)錯(cuò)誤輸出概率增加的部分，即 。進(jìn)一步，設(shè)計(jì)者所在機(jī)構(gòu)應(yīng)承擔(dān)的具體責(zé)任額度為 人工智能系統(tǒng)雖不具法律主體資格，卻在責(zé)任分配中起到了分流作用，從而在一定程度上減輕了設(shè)計(jì)者的責(zé)任負(fù)擔(dān)。

四、結(jié)論

概率因果關(guān)系理論的引人，標(biāo)志著診療人工智能醫(yī)療損害責(zé)任認(rèn)定完成了從決定論向概率論的歷史性跨越。當(dāng)算法的判斷關(guān)乎生死，當(dāng)機(jī)器的決策超越理解，法律終于放下三百年的確定性執(zhí)念，擁抱不確定性的智慧表面原因判定、聯(lián)合因果認(rèn)定、虛假原因辨析、因果鏈條重構(gòu)一 一這四重規(guī)則如同四把鑰匙，開啟了被算法黑箱封印的因果之門。它們不僅化解了技術(shù)帶來(lái)的認(rèn)定困境，更在深層重塑了侵權(quán)法的理論基石：從線性走向網(wǎng)絡(luò)，從靜態(tài)走向動(dòng)態(tài)，從封閉走向開放

這場(chǎng)變革的意義遠(yuǎn)超技術(shù)層面。“兩階判斷法”在概率精確與規(guī)范確定之間架起橋梁，讓法官得以在迷霧中把握方向；從醫(yī)療到金融，從自動(dòng)駕駛到智慧城市，這一范式將如漣漪般擴(kuò)散，重新定義算法時(shí)代的責(zé)任邊界。更深遠(yuǎn)的是，當(dāng)世界的本質(zhì)呈現(xiàn)為概率云而非因果鏈，在不確定中尋找正義成為法律的新使命。這既是對(duì)傳統(tǒng)法學(xué)的超越，也是法律生命力的彰顯。

（責(zé)任編輯：劉曉紅）

From Determinism to Probabilism： Reformulating Medical Damage Causation in the Age of Artificial Intelligence

LI Zhao' WANG Wen2

（1.School of Law，Jiangxi Universityof Finance and Economics，Nanchang，Jiangxi，330013;

legeofModernEconomicandManagement，Jiangxi UniversityofFinanceandEconomics，Nanchang，Jiangxi33202C

Abstract： The emergence of artificial intelligence in diagnosis and treatment has brought profound innovation to medical practice，butitsprobabilisticcomplexity，uninterpretability，dynamicoptimization，and decisionautonomy pose a severe challnge to the determination of causation of traditional medical damages.In human-machine collaborative setings，the“but-for”test，principle of proximate cause，foreseeability standard，and adequate causation theory all struggle to address the new causal dificulties.This paper proposes a probabilistic causation theory centred on“probability gain\"，and constructs a rule system including surface causation determination，joint causation determination，1 causation identificationand causation chain reconstruction，soas to determine the incidentcausation with limited evidenceand uncertain causation，to distinguish the diferent roles ofthe medical personel’sfaultand theAI-designer，andtoidentifythecausation forceandresponsibility portion injointcausation.

Key words：diagnostic artificial intellgence; medicaldamage liability; causal inference; probabilistic causation