Bridging Legal Interpretation and Formal Logic: Faithfulness, Assumption, and the Future of AI Legal Reasoning
本文提出了一种神经符号框架，将大型语言模型与形式化验证相结合，以解决法律人工智能中基于假设的推理问题，从而在保持问责制的前提下实现可信赖且严谨的法律推理。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
以下是用通俗语言和日常类比对该论文的解读。
宏观图景：“律师”与“机器人”的对决
想象有两个人试图基于一页文本（如合同）来解决一个谜题。
- 人类律师：他们阅读文本，但同时也利用生活经验、常识以及对世界运作方式的了解来填补空白。如果文本写着“租户必须支付租金”，律师会推断：“好的，所以如果他们不付租金，就可以被赶走”，即使纸张上并没有明确写出“被赶走”。这就是法律解释。它很聪明，但依赖于隐藏的假设。
- 严格机器人：这个机器人只查看页面上的确切文字。如果文本没有明确写出“被赶走”，机器人会说：“我无法证明这一点。”这就是形式逻辑。它极其精确，但可能过于僵化，并错失法律的“精神”。
问题所在：当前的人工智能（大语言模型）试图表现得像人类律师。它能写出听起来很棒的回答，但经常偷偷混入那些“隐藏假设”，并将其呈现为确凿事实。在法律这种高风险领域，这是危险的，因为人工智能可能会自信地犯错。
核心发现：“差距”
研究人员对一项基于真实合同的法律人工智能标准测试进行了重新评分。
- 原始评分：基于人类律师如何解释文本（使用常识）。
- 新评分：基于严格逻辑（仅基于文本中 100% 写明的内容）。
结果：他们发现了一个巨大的差距。许多人类律师会判定为“真”（蕴含）的答案，对于严格逻辑机器而言实际上是“未知”（中立）。
- 类比：想象一份食谱写着：“混合面粉和水。”
- 律师说：“这做出了面团。”（是真的，因为我们知道面粉 + 水=面团）。
- 严格机器人说：“我不知道。文本没有提到‘面团’。”
- 人工智能的错误：人工智能说：“这做出了面团”，但它表现得像是食谱中写下的事实，而不是基于外部知识的猜测。
他们如何修复：“翻译器”与“安全网”
该论文提出了一种构建人工智能的新方法，结合了双方的优势。他们称之为神经符号方法。这就像是一个拥有两个角色的团队：
- 翻译器（人工智能）：它阅读合同杂乱的自然语言，并将其转化为计算机可以检查的严格数学代码。
- 安全网（逻辑求解器）：它检查代码。如果数学推导不通，它不会随意猜测，而是停下来并说：“等等，我无法证明这一点。”
“最小公理”技巧：
当安全网说“我无法证明这一点”时，它不会就此放弃。它会计算出使证明成立所需的确切缺失部分。
- 类比：如果人工智能说“租户可以被赶走”，而数学推导说“不行”，系统会询问人类律师：“您是否同意‘支付租金’意味着在此处‘不驱逐’是规则？”
- 如果律师回答是，人工智能就会学到这是一个有效的隐藏规则。
- 如果律师回答否，人工智能就知道自己不该进行猜测。
这将一个“黑盒”错误转化为人类可以快速回答的具体问题。
人工智能出错的三种方式
研究人员发现，当前的人工智能模型在试图表现得像“律师”时，会犯三种特定类型的错误：
- 假设注入：悄无声息地用猜测填补空白（例如，“地面湿了，所以一定在下雨”，忽略了有人可能打翻了一桶水）。
- 范围洗白：假装猜测是确凿事实。它将软性结论包装在“正式”的外衣下，使其看起来像是已被证实。
- 对约束的视而不见：忽略了数学代码试图执行的严格规则。
未来愿景：“透明”的人工智能
目标不是用机器人取代律师。目标是构建一个知道自己在何时进行猜测的人工智能。
这种新系统不会像现在这样给出最终答案并指望律师稍后检查，而是会：
- 给出答案。
- 高亮显示为了得出该结论而必须做出假设的确切位置。
- 询问律师：“为了得出这个结论，我不得不假设 X。这个假设正确吗？”
核心结论：
该论文认为，使人工智能在法律领域值得信赖的最佳方式，不是让它更擅长猜测，而是让它诚实地面对自己不知道什么。通过使用严格逻辑来捕捉人工智能的“猜测”，并仅要求人类验证这些特定的猜测，我们可以在减少律师工作量的同时，让他们保持对最终决策的控制权。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。