深圳法院到底是怎么用AI辅助审判的

编者按：司法AI的讨论常陷于“机器能否替代法官”的虚焦。本文以深圳法院真实系统为样本，揭示一条更隐蔽的路径：法官先判断，AI后说理，再修改。机器未坐上审判席，却帮法官归纳争点、生成裁判理由。核心风险不是幻觉，而是“偏见回声”：AI将初步判断包装成顺滑说理，让错误更难被发现。这篇拆解工作流的文章，值得每一位关心司法数字化的人细读。

我最近读到一篇很值得看的论文。

它讲的不是 AI（人工智能）能不能通过法考，也不是 AI 能不能写一份像样的法律意见。它讲的是一个更具体的问题：在真实法院里，法官到底怎么用大语言模型？

论文研究对象是深圳法院系统的智能裁判系统。这个案例有意思，因为它不是某个法官偷偷拿 ChatGPT 写几段判决理由，也不是法院宣传片里那种抽象的“智慧法院”。它是一个法院系统，把大语言模型嵌进了民商事审判流程。

本文主要依据：

John Zhuang Liu & Xueyao Li, How do judges use large language models? Evidence from Shenzhen, Journal of Legal Analysis, Volume 16, Issue 1, 2024, Pages 235-262, published online 2 January 2025, DOI: https://doi.org/10.1093/jla/laae009。

我同时参考了中文译本。该译本注明由机器翻译生成，所以涉及论文原意、标题、作者、刊物和页码，我以 Oxford Academic 页面和英文原文信息为准。

这篇论文最重要的一句话，可以压缩成九个字：

法官先判断，AI 后说理。

再加一段：

法官再修改。

这个顺序很关键。很多人讨论司法 AI 时，脑子里会冒出一个“机器法官”的形象，好像 AI 坐在审判席上，读完材料，然后宣布谁赢谁输。深圳实践不是这样。AI 没有直接裁判案件。它更多是在法官已经形成初步判断以后，帮法官把裁判理由写出来。

这才是这篇论文真正有价值的地方。它没有停在“AI 能不能审案”这种空问题上，而是把真实工作流拆开给我们看。

论文写到，深圳市中级人民法院在 2023 年启动智能裁判系统项目，与面壁智能合作开发法院专用大语言模型。系统在 2024 年 6 月 26 日上线，主要用于深圳两级法院的民事、商事案件。

背景很直接：案多人少。

2023 年，深圳法院系统处理大约 30.8 万件案件，其中约 28.7 万件是民商事案件。一线民商事法官平均每年要处理 400 件以上案件。

这个工作量放在任何一个认真写过法律文书的人面前，都能感受到压力。一个案件不是只看一遍起诉状、敲几段模板就结束。法官要看证据、归纳争点、组织庭审、判断事实、适用法律、写裁判理由。越是民商事案件，越容易在合同文本、交易背景、证据链条和当事人陈述里绕来绕去。

深圳法院希望用 AI 提高文书生成效率，减轻法官工作负担。这一点不神秘，也不浪漫。它的起点是生产压力。

系统底层模型的训练材料包括中国法律、法院裁判文书和学术文献，训练语料规模约两万亿汉字。论文说，它的参数规模大致与 GPT-3.5 相当。这个模型不开源，只在深圳法院系统内部使用。

这也说明，深圳实践不是法官把案卷丢给公共聊天机器人。它更像是一个法院和技术公司共同打造的内部系统，目标很窄：服务裁判文书生产。

论文把深圳智能裁判系统的功能概括为三类。

一类是归纳案件事实和争议焦点。系统可以从起诉状、答辩状、证据材料里提取事实，归纳双方到底争什么。这个功能听起来平平无奇，但对法官很重要。很多案件的麻烦不在法律规则多复杂，而在材料乱、表达乱、当事人各说各话。先把事实和争点洗出来，后面的判断才有入口。

一类是给庭审提供问题提示。系统可以根据案件类型、事实和争议焦点，生成法官庭审时可以询问的问题。对年轻法官或者刚接触某类案件的法官来说，这个功能可能很有用。庭审提问不是聊天，问题问错了，证据链就断在那儿；问题问少了，案情就留空；问题问散了，庭审就变成各方自由发言。

还有一类，是生成裁判说理和裁判文书。这是核心。系统不是自己决定支持原告还是支持被告。它是在法官已经对某个争议焦点作出初步判断之后，围绕这个判断生成裁判理由。也就是说，AI 的主要工作不在“判”，在“写为什么这么判”。

这一点会改变我们对司法 AI 的理解。过去很多智慧法院系统更像自动填表和模板生成。比如小额贷款、信用卡纠纷、消费金融案件，系统帮忙算利息、填模板、套文书。深圳这套系统往前走了一步，它已经进入裁判理由这一层。

裁判理由不是文书装饰。它是司法判断对外可见的部分。法院为什么认定这个事实，为什么采信这个证据，为什么适用这个规则，为什么支持这个请求，都要在理由里展开。所以，AI 一旦进入“本院认为”这一段，它就已经进入司法决策的核心周边。

论文把真实场景下的法官和 AI 互动拆成四步。

（一）法官根据证据和庭审查明案件事实。

（二）法官识别争议焦点，并对每个争议焦点作出初步判断。

（三）AI 根据法官的初步判断和已查明事实生成裁判说理。

（四）法官审阅、修改 AI 生成的说理，形成最终判决。

这套流程可以再压缩：

法官定方向，AI 写理由，法官再修订。

我觉得这比“AI 会不会取代法官”的讨论更接近现实。法院不可能轻易接受机器直接裁判案件。司法责任要落在人身上。哪怕技术再强，最终签发判决书的也必须是法官。公众也很难接受一个完全由机器作出的司法决定。所以，AI 在司法里的现实形态，大概率不会是“替代法官”。它会嵌在法官工作流里，帮法官完成一部分认知和表达任务。

这也更危险。如果 AI 直接替法官作出结论，风险很显眼，所有人都会盯着它。但如果 AI 只是帮法官把已有结论写得更像一个充分论证过的判断，风险会藏得更深。

论文举了一个真实判决案例，能看出 AI 到底怎么工作。

案件大意是：X 公司破产后，破产管理人起诉五名股东，要求追缴未缴出资。争议焦点之一是，公司 E 是否已经向 X 公司实际缴纳一千万元注册资本。

AI 将第一个争点概括为：公司 E 是否已经实缴 1000 万元注册资本。

法官选择“否”。

然后 AI 开始生成裁判说理。它引用《企业破产法》第三十五条，结合资金转入后又迅速流出、资金用途不明、被告没有证明已经履行出资义务等事实，组织出一段支持法官判断的理由。

论文作者认为，这段说理总体能把事实、法律和结论连起来，法条引用也没有明显错误。

但它不是完美的。

第一版推理里，有一处逻辑表达不清。法官后来重新表述争点，让 AI 再生成一次。第二版推理更清楚，也修正了部分不一致。最终判决里，法官又加入了更具体的事实分析，比如资金流向关联公司、没有偿还借款、不符合正常交易习惯、管理人无法取得财务账册、出资核验报告形成时间异常等。

这说明最终判决不是 AI 原文照搬。它是三件事叠在一起：法官先判断，AI 生成理由，法官再把理由改成可以进判决书的版本。这套流程看上去很合理。法官掌握方向，AI 提供草稿，法官负责审查。很多律师日常用 AI 写文书，也是类似流程。

问题就在这里。这个流程越顺手，越容易让人忽略一个事实：AI 生成的是支持性理由。它不是中立地把双方最强论点都摆出来让法官重新想一遍。它是在法官已经选定方向之后，沿着这个方向搭桥。

论文提出一个概念，叫 echoes of bias。

可以译成“偏见回声”。

传统讨论 AI 偏见，经常盯着训练数据和模型算法。比如模型是不是学到了性别偏见、地域偏见、阶层偏见，训练材料是不是本来就不干净。

这篇论文说，还有另一种偏见来源：人机互动本身。

深圳模式下，AI 不是先独立给出一个判断。它是在法官已经做出初步判断以后，生成支持这个判断的理由。

这会带来两个问题。

一个问题是选择性组织材料。AI 会从事实和法律中挑出更能支撑法官初步判断的部分，把它们组织成一套顺滑的说理。它未必编造事实，也未必引用假法条，但它会把材料排列成一个方向明确的论证。

另一个问题是减少法官自我纠错的机会。亲自写判决理由，本来就是一种反思机制。很多时候，一个判断在脑子里似乎成立，但写着写着就会发现写不下去。某个事实接不上，某个法律要件缺了一块，某个结论和前面的证据不匹配。写不出来，就是一个警报。

AI 把这段写作接过去以后，警报可能变弱。

尤其是当 AI 写得很流畅、很专业、很像判决书时，法官反而更容易觉得，自己的初步判断已经有了充分理由。

这就是偏见回声。

偏见不是 AI 创造的。偏见原来就在人的初步判断里。AI 的作用，是把这个判断包装成一段结构完整、表达专业、看起来很有道理的裁判说理。

所以，AI 越会写，未必越安全。

在这个场景里，模型能力越强，它越能把一个有问题的初步判断写得像没问题。

论文没有停在理论上。作者还设计了一个法官实验，想看看 AI 是否会加剧司法偏见。

实验对象是 139 名中国法官，平均司法工作经验 16 年。实验案件改编自电车难题：货车刹车失灵，司机为了避免撞上前方三名骑行者，向右转向，结果撞死右侧应急车道上的一名骑行者。法官要判断司机构成交通肇事罪、故意杀人罪，还是紧急避险不构成犯罪。

实验设置了两个变量。

一个变量是有没有法外负面信息。处理组加入一段信息：被告涉嫌运送被拐卖儿童。这个信息和交通肇事案本身的刑事责任无关，但可能激发法官对被告的负面情绪。

另一个变量是有没有 AI 辅助。直接决策组里，法官读完材料后直接作出裁判。AI 辅助组里，法官先作出初步裁判，AI 根据初步裁判生成理由，法官再作最终裁判。

结果比较克制。

在定罪方面，法官的最终裁判没有受到法外因素的显著影响。不管有没有 AI 辅助，加入“涉嫌运送被拐卖儿童”这个信息，都没有显著提高有罪比例。

在量刑方面，出现了值得注意的差异。

没有 AI 辅助时，对照组平均刑期约 6.86 个月，处理组约 10.22 个月，差异不显著。

有 AI 辅助时，对照组平均刑期约 6.59 个月，处理组约 13.83 个月，差异达到统计显著。

这组数据很抓人，但不能把话说过头。

作者自己也很谨慎。AI 与处理因素的交互效应，在标准统计检验中不显著。换句话说，不能确定说“AI 加剧了偏见”。这个实验提供的是提示性证据，不是决定性证据。

我反而觉得，这种谨慎是论文的优点。

它没有把一个还不够硬的实验结果包装成惊悚结论。它真正完成的工作，是把一个值得长期追踪的问题提了出来：当 AI 总是围绕人的初步判断生成理由时，它会不会让人的错误更难被发现？

这个问题比一次实验结果更重要。

法律 AI 最常被讨论的问题是幻觉。

这个问题确实重要。法条编错、案例编假、法律规则说反，都可能造成严重后果。

深圳系统也做了两层控制。

技术上，它使用法律材料训练和微调，还结合检索增强生成。需要引用法律时，系统先从法律数据库检索已有条文，再把条文和案件事实结合起来生成推理。

流程上，法官可以指定法律依据。也就是说，模型不一定自己找法条，法官可以先把法律依据给它，让它围绕指定依据写理由。

这些做法能减少很多明显幻觉。

但论文提醒，细微幻觉仍然可能存在。尤其是 AI 不直接引用条文，而是概括法律原则、解释规则含义时，错误就可能混进去。

更麻烦的是，幻觉问题会和偏见回声叠加。

如果 AI 写出的错误理由刚好支持法官的初步判断，法官更可能放松审查。人天然更容易相信支持自己判断的信息。这个弱点不因为穿上法袍就消失。

所以，法院不能只问模型有没有幻觉。

还要问另一个问题：这个工作流是否鼓励确认偏误？

如果系统默认只生成支持法官初步判断的理由，那么即使每一句话都没有明显幻觉，它仍然可能让错误判断更稳固。

这篇论文的结尾提出了一个改进方向：让 AI 同时生成支持和反对法官初步判断的理由。

这个想法很朴素，也很难落实。

朴素在于，它正好对准确认偏误。法官选择一个方向以后，AI 不只帮他写“为什么对”，还要写“哪里可能不对”。这样法官在最终决定前，至少能看到反向论证。

难在于，法院用 AI 的重要动机就是提高效率。

如果系统每次都生成一大堆反方意见，法官要读的东西更多，工作量又回来了。法官可能觉得麻烦，干脆绕开这个流程。一个增加负担的风控机制，很容易在真实组织里被架空。

这也是司法 AI 最难的地方。

它不能只追求模型能力。模型能力越强，写出来的理由越漂亮，确认偏误反而可能更隐蔽。

它也不能只追求效率。效率越高，越可能把原本该慢下来反思的部分吞掉。

真正要设计的，是法官和 AI 的互动结构。

什么时候让法官先判断，什么时候让 AI 先列双方论点，什么时候强制生成反向理由，什么时候要求法官说明为什么不采纳反方观点，这些都不是技术细节。它们会直接影响裁判质量。