张钹，中国科学院院士、清华大学教授、清华大学人工智能研究院名誉院长
2026 中国司法人工智能大会（CJAI2026）在上海举办，会上，中国科学院院士、清华大学人工智能研究院名誉院长张钹教授作题为《人工智能时代与司法》的报告。
重要观点一：语义的构成源于周围语词的定义，从这个意义看AI已经可以识别语义。
重要观点二：只是增强技术的内置与外挂优势区分：凡是需要“可引用、可质证、可更新”的内容，应外置；凡是体现 “语言能力、推理结构、任务技能”的内容应内化。
重要观点三：司法基础模型的六种范式，从最“最共享”到“最隔离”的延展。
重要观点四：伦理概念存在可计算化的方法，但是可计算不等于全部可量化。
重要观点五：司法人工智能的中的知识增强分为两种，其一是内置参数，其二是外挂知识库。
重要观点六：司法AI的成功，不在于让它多像人，而在于让它如何可靠、透明、可控地辅助人，最终守护司法程序的庄严与正义。
一、司法对人工智能的特殊要求
需要更强的合规与治理能力、更可审计的证据链、更严格的可解释与可质证机制，以及对偏见与不确定性的显式控制。
1.结果影响到“权利一自由一财产”，容错率极低司法结论可能直接影响定罪量刑、羁押与否、人格名誉、财产处分等基本权利的保护。一旦误导决策，损害往往不可逆、救济成本极高。因此对错误类型（误判、漏判、不当建议）与风险上限的控制要求明显高于一般业务系统。
2.司法是“程序系统”，不仅追求正确，还追求“可被程序证明的正确”司法不仅要“对”（准确率、效率、成本），还要满足程序正义：证据规则、举证责任、质证对抗、裁判理由、回避与中立、公开与救济等。AI结论必须能够被嵌入这些程序节点，并支持当事人质疑、法院审查、上级复核。
3.事实认定依赖证据链，模型输出必须“可回溯、可复核、可质证”司法需要证据能力与证明力的组合推理：证据来源、合法性、关联性、真实性、证明标准等。AI的检索、摘要、类案推荐、风险提示都必须能回到证据与法律依据，给出引用定位、版本一致性、推理路径或至少“理由结构”，并允许对抗方质证。
4.数据天然“偏、稀、敏感”，且强依赖地域与时间语境司法数据分布极不均衡：某些罪名、案由、特定群体、特定地区、特定时期样本稀缺；同时包含大量敏感个人信息、未成年人信息、国家秘密/商业秘密等。法律法规和裁判尺度随时间变化显著（新法、司法解释、指导案例、会议纪要），导致模型容易“过时”。因此司法 AI 必须具备更强的数据治理、脱敏与可控更新机制。
5.“解释”不是锦上添花，而是裁判合法性的组成部分在司法中，理由本身是裁判的一部分：为何采信某证据、为何不采信，法条如何适用，裁量为何如此。AI若参与“建议”层，就必须提供结构化理由与可核验引用；否则只能停留在低风险辅助（格式校对、流程提醒、检索）层。
6.角色与权力结构特殊：法官裁判权不可被技术替代司法体系强调独立审判与责任归属。AI应定位为“工具与助手”，而非“决策者”。必须设计明确的人机边界：哪些环节可自动化，哪些只能建议，哪些必须人工裁决；并落实“人类最终负责”的制度与技术措施（可中止、可回退、可追责）。
二、人工智能之于司法语义建构
分布式语义从共现中学习意义。J.R.Firth（1957）教授认为，把稀疏的高维共现信息变成致密空间的几何结构=语义关系。”You shall know aword by the company it keeps."
1. 司法模型落地的要求：符号不仅在符号系统内部互相定义，还要能连接到现实中的对象、感知、行动与可验证事实。
2. LLM存在以下缺失指称缺口：词向量只学到“文本角色”，不保证“指向谁/什么”，真值与因果缺口：
3. 共现学的是相关性，不是因果与可检验事实。语用缺口：意义高度依赖语境、意图与规范。
4. 多义与动态语境：静态 embedding难以处理一词多义。
5. 闭环行动缺失：没有感知与行动，就缺少“语义纠错回路”。
小结：语词的意义是由语词的含义决定。数据越多、上下文越长，语词的含义就越接近语义定义，从这个意义看，AI可以理解语义。如维特根斯坦，一旦掌握了语言，你就掌握了世界，语义掌握的意义不言而喻。
三、面向法官、律师和大众的六种司法基础模型
面向法官、律师和大众的司法基础模型，根据需求从“最共享”到“最隔离”，有以下6种模式：
根据需求从“最共享”到“最隔离”，有以下6种模式
模式1:同一基础模型+脚色提示词
模式2:共享底座模型+三套适配器/微调(LoRA/Adapter)
模式3:共享主干+多头输出(Multi-head/Multi-decoder)
模式4:Mixture-of-Experts(MoE)按角色路由:共享底座+角色专家
模式5:“双模型”分层:专业模型(法官/律师)+大众模型(对外)
模式6:三种完全独立模型(Full Separation)
模式一，所有使用者共用同一基座，属于最共享的模式，具有极大安全隐患，实务中基本不用。模型六，完全建立三种独立的模型，最隔离，但是成本过高，也无法互通，实务中亦不可采。共享底座加三套适配器的
模式二、内外分离的模型五，是张钹院士比较推荐的类型。
四、司法人工智能中的知识增强路径
现阶段有两种增强模式，其一是内置参数，其二是外挂知识库。
1. 内置参数模式：知识放在模型内部（写进权重）优点是：其一，速度快，不用每次检索大量文本。其二，表达与推理更顺，模型更懂法律语言、要件结构、论证套路。其三，对噪声更鲁棒，不完全依赖检索质量。缺点是：其一，不可证明，模型“记住了什么”无法作为可质证依据；很难做到条文级引用、版本可追溯。其二，易过期，法律、解释、规范性文件更新后，模型参数不会自动更新。其三，难治理，一旦发现错误或偏差，修复周期长且影响面大。其四，合规风险，训练数据来源、授权、涉密与隐私控制更难做精细化隔离。
2. 外挂知识库模式：外挂检索（知识库/RAG）优点是：其一，可追溯、可审计、可回滚：每次回答绑定“引用片段+版本号+生效状态+适用范围”。其二，可及时更新，法规更新只需更新知识库，不必重训模型。其三是，可控权限与分级，不同角色/案件敏感级别可检索不同数据域。其四是，更易合规，数据入库可做授权、脱敏、访问控制、审计留痕。缺点是：其一，对检索质量敏感：召回不准会影响答案。其二，延迟与工程复杂度，需要索引、过滤、排序、反注入、引用验证等一整套组件。
3.小结：凡是需要“可引用、可质证、可更新”的内容，应外置；凡是体现 “语言能力、推理结构、任务技能”的内容，应内化。
五、伦理抽象概念的量化路径
伦理等抽象概念的量化方法是可计算的约束，但是可计算不等量化。
1.可计算把抽象概念转成可操作的“原则－规则－约束－证据”，并为每个约束建立证据与审计闭环。先定“公平”的范围与对象：程序公平：当事人/律师获得同等的陈述与质证机会；系统不因资源差异造成“可达性不公平”。群体公平：不同群体在系统辅助下不发生系统性不利（差别影响/差别错误率）。个体公平：相似案件/相似要素应得到相似建议；差异应能被“要素差异”解释。
2. 可量化“公平”（fairness）的量化：指“分配与对待是否一视同仁/是否存在系统性偏差”，三种度量方法：统计公平，个体公平，因果公平。
六、AI重塑法官与律师的角色
AI不会取代法官和律师，但会深刻改变他们的工作方式
法官成为AI治理者：核心职责从单纯裁判，延伸为审查和监督AI工具的使用。需明确使用边界（如可用AI整理时间线，不可用AI替代心证），并对所有以法官名义产出的内容负最终责任。程序上，可能要求披露AI的使用情况。
律师转向人机协同专家：AI将接管大量重复性检索、起草、审阅工作。律师的核心价值将更集中于策略制定、复杂判断、伦理审查和当事人沟通。职业责任要求律师必须理解AI的风险，并对AI产出的内容进行实质性核验。
客服1