十年內人工智慧可能取代律師嗎？

在 AlphaGo 戰勝了韓國棋王之後，一下子人工智慧變成媒體的熱門關鍵字，最常被討論的就是什麼職業最有可能被人工智慧取代。許多報導也聲稱律師也是最可能被人工智慧取代的工作之一。

深度學習法條 + 海量判決資料，Alphago 有可能成為公正無私的法官嗎？
驚！10年內律師將被人工智慧取代？
機器人律師？！人工智慧取代腦力工作者時日不遠

諸如此類的報導其實很多，有些對於技術層面的論述比較多，有些則著重在現在的發展情況。身為一個對科技著迷的律師，這個議題當然不可能置身事外，在仔細研究一些相關的資料後，發現大多的文章並沒有深入從律師的工作內容出發，因此去討論這些工作內容到底會不會被人工智慧取代，看起來會少了很多說服力。

因此，我想用這篇文章簡單介紹一下人工智慧的可能性，也說明一下我的想法。

結論寫在前面，我不認為律師會被人工智慧取代，但 10 年內人工智慧可以大幅降低律師的工作時間，特別是在 research 的時間。

至於為什麼？本文將從人工智慧的可能性出發，討論一下 AlphaGo，最後介紹一下我為什麼這麼認為。

人工智慧可以做到甚麼程度？

『現在』大家在講的人工智慧，並不是電影裡面出現那種會自己思考、自己做出人類意想不到決定的電腦。像是『鋼鐵人』的賈維斯、『惡靈古堡』的愛麗絲、『機械公敵』的 VIKI 或是『鷹眼』裡的鷹眼。目前還沒有出現這種人工智慧。

我們現在討論的人工智慧，主要還是圍繞著機器學習 (Machine Learning) 和海量數據應用的產品。必須依循著程式的邏輯，在有限的資料下學習，才能產出結果。

整個程序是這樣的，由人類安排一個學習的方式，把資料餵給電腦，告訴電腦什麼是比較好或是比較不好的，重複餵資料和驗證過程幾百萬次之後，電腦大概就知道人類要什麼，再根據這樣訓練後產生的邏輯，把結果產生出來。

簡單來說，人工智慧電腦像是一個小孩，為了讓他變成某個領域的專家，電腦是需要被訓練的。就像人類的小孩一樣，就算是天才也不會生下就甚麼都會，人類需要學習，電腦也需要，這個學習的過程就叫機器學習。

但是，電腦沒有接觸過的資料種類，他是沒有辦法處理的。只接受過下圍棋訓練的電腦，不會自己學會下五子棋。要讓電腦下五子棋，要重新教他下。

也就是說，現在的人工智慧並不是我們想像的可以『思考』，而是透過訓練產生一個邏輯，依照這個邏輯去工作。但是沒有訓練過的，電腦還是不能工作。

這和傳統電腦關鍵差異點在於，傳統上，電腦所有處理的規則必須是人類設定好。但是人工智慧電腦可以透過人類賦予的訓練邏輯，經過不斷的訓練和學習，強化判斷的精準度。換言之，人工智慧電腦的邏輯可以透過訓練強化精準度，但傳統電腦必須人為修改邏輯。

所以，人工智慧要做一件事情，即便是下棋，也需要先經過訓練的過程。而這個訓練過程必須建立在兩個前提下：

1. 大量電腦可辨識的資料
2. 可以驗證的結果

這兩個前提左右了目前人工智慧可以應用的領域。

AlphaGo為什麼這麼了不起？

從上面人工智慧的概念，來討論一下為什麼這次 AlphaGo 引起軒然大波。以及為什麼 AlphaGo 選擇以圍棋作為起點。

電腦用在棋藝競爭已經有很長一段時間，早在 20 年前，IBM 的超級電腦深藍就曾經擊敗過當時的西洋棋冠軍。當時的電腦主要是用計算出每一步棋的結果，畫出樹狀圖，最後做出決定。

換言之，深藍展現的是一個『強悍的計算能力』，要在短時間內把棋路所有可能性都計算完畢，電腦本身的計算能力要十分強大。

那為什麼 20 年間，電腦始終無法在圍棋界與人類競爭。原因是圍棋落子的可能性太多，據說有 10 的 171 次方之多，即便是超級電腦，每下一步棋也要花上數十年的時間。因此電腦在圍棋領域發展停滯不前。

AlphaGo 的價值就是在於他不需要把所有的可能性都計算過才能做出決定，而是可以透過類似人類『直覺』的思考模式，在有限的範圍內計算，並下出他認為勝率最高的一顆子就夠了。

也就是說，AlphaGo 透過直覺，把計算範圍縮小到電腦可以負荷的限度。

AlphaGo 怎麼產生直覺的呢？就是像上面說的，透過讓電腦閱讀大量棋譜，還有讓電腦自己和自己下棋，下了數百萬甚至數千萬盤棋之後，電腦『大概知道』棋應該下在哪裡比較好，直覺，或是我們稱的『棋感』就產生了。

至於為什麼 AlphaGo 要選擇以圍棋作為人工智慧的發展領域。原因就是我們剛才有提到，要訓練電腦的兩個前提：

1. 大量電腦可辨識的資料
2. 可以驗證的結果

AlphaGo 透過棋譜、定石還有線上圍棋對奕網取得一些資料，學會怎麼下圍棋之後，AlphaGo 會自己和自己下棋（透過隨機亂下一子的方式），來進一步產生更多資料。透過這樣的方式，AlphaGo 會得到無限多的可分析資料，進一步精進自己的棋藝。

除此之外，下棋有一個很簡單的驗證機制–勝敗。只要可以贏的棋，就是好棋。也因此，只要電腦知道怎麼下棋之後，他會知道這樣做是對的還是錯的，經由反饋再不斷強化自己的棋藝。

為什麼人工智慧無法取代律師？

理論上，人工智慧透過適合的訓練，可以做到

『case studying–>analyzing–>researching–>organization–>outputting』這樣的一個工作流程。因此，人工智慧的擁護者認為律師是極可能被人工智慧取代的一個職業。

但這個理論就像是：給我一根棍子、一個支點，我將舉起地球。

然而，實際上是可能發生的嗎？

很難，極難，至少十年內絕不可能。主要有五個原因：

第一個問題是，資料怎麼來？

我們剛提到，machine learning 第一個前提，要有可以被機器辨識的大量資料。和人類一樣，機器的學習也需要教材。但在法律領域，教材要從哪裡來呢？

有人會認為是判決書，判決書是很好取得的公開資料，數據量也十分龐大，以台灣而言，目前判決系統現存的判決書大概有九百萬筆，看似的確可行。

但是把這些判決就不同領域不同類型案件來區分，數量就會少非常多。九百萬筆判決中，和車禍民事損害賠償相關的，可能僅有數萬筆。數萬筆資料對於教會電腦處理這類案件，可能略嫌少了些。更不用提一些冷門的領域，可能只有一、兩件案例的案子，電腦根本無從學習起。

其次，判決文字雖然是自然語言，但他是法律自然語言，和一般人使用的自然語言不同。律師工作很重要的一環是把當事人陳述的事實，轉換為法律語言的描述。舉例來說，一般人說綁約，法律上會稱作最低服務年限條款。

電腦如果要做到將一般語言轉換為法律語言，經過訓練後是可以做到的。但現實的問題是沒有訓練用的素材。因為目前並不存在大量用一般語言描述案情的資料庫。這樣的結果就像是，一個流落荒島的天才，經過訓練後可以變成法律天才，但荒島上卻沒有任何可以教他的教材。

第二個問題是，缺乏有效的客觀驗證機制！

電腦可以自己和自己下圍棋，因為圍棋最終有勝敗。電腦可以透過最終的輸贏知道這步棋是好的還是壞的。但法律領域並沒有這樣的機制。

有人可能會說，用官司的勝敗啊！但律師們一定知道，官司的勝敗和律師成果的品質並沒有直接必然的關係，用缺乏因果關係的機制來訓練電腦，並不是一個好的方法。可能會導致錯誤的結果。

也許電腦可以自己產生一個案例事實，自己分析做出結論，甚至產生訴狀。但電腦不會知道他產生出來的東西是不是對的。這個過程需要透過人類來驗證，而且不同人驗證出來的結果會不同。這個問題讓機器學習法律知識上，沒有辦法像學習圍棋一樣，透過自我學習不斷精進。電腦學法律，每一個問題都需要依靠人類驗證。這是兩者間決定性的差異。

第三個問題是，法律豈止法律！

律師處理法律問題，只要知道法律問題就好嗎？當然不是！

以我處理專利訴訟為例，常需要用如半導體、軟體、機構或電子等等的科學知識。就算不是這麼偏門的領域，一個海砂屋糾紛，要去判斷氯離子濃度檢測標準，壟斷判斷可能要去了解這個產業的市場，職災判斷可能要了解上下班行經路線。

是，理論上電腦被訓練後都可以做出適合的判斷，但問題在於，誰有這麼大的能力去訓練出這樣的電腦。

法律是處理人類活動中『所有』的問題。也就是，這台電腦必須涉及人類活動中『所有』的知識才可能做到。就像上面提到的，有沒有足夠的資料和驗證機制來做到這樣的事情，我認為這並非十幾年甚至幾十年可以達到的目標。

這也就是為什麼我會說，理論上是可行的，但實際上不可行。

以自動翻譯為例子，翻譯比起法律對於電腦來說是相對單純的處理，不牽扯到太多領域的訓練，資料豐富，機器可讀性高，需求的廣度也遠遠高於法律，是十分適合人工智慧的領域。但現在的自動翻譯做得如何呢？執牛耳的 Google 翻譯也是慘不忍睹，不是嗎？

第四個問題是，電腦無法做出開創性的事情。

當然，我指的目前，基於 machine learning 概念下的電腦，並沒有辦法做出前所未有的法律見解。

法律的演進會跟著社會慢慢改變，當法律被認為不適用時，人類有能力去創造新的見解、新的法律。這樣的思考模式對於電腦來說是非常難以訓練的，因為被用來訓練電腦的，都是已經既存的資料。也就是說電腦不可能會創造出前所未有的法律見解。

因為『創造』出來的東西既然尚未存在，我們便無從訓練。

理論上我們可以教電腦『創造』的邏輯，但實際上，我們沒有辦法。因為這個邏輯在新東西被創造出來前是不存在的。我們沒有辦法用不存在的東西去訓練電腦。電腦自然不可能學會。

最後，法律最終是個由人來決定的領域

如果，人類決定一個職業只能由人類擔任，那即使機器做的比人類好上幾千幾萬倍，這個職業最終仍然是只能由人類擔任。

最好的例子是球類比賽的裁判。

網球比賽中導入的鷹眼系統，實際上可以取代絕大多數的裁判，例如網球的線審和棒球的主審，鷹眼的辨識可以做得比人類好上幾百倍，減少更多的爭議判罰。並且再也不會有好球帶漂移的問題。

但 2002 年鷹眼系統問世至今，裁判依舊在，即便這是個公認電腦可以做得比人類更好的領域，大聯盟依然對採用鷹眼系統興趣缺缺。

因為人為變數是比賽的一部分，我們可以這麼認為，某方面而言，人類對於零缺陷的機器，更樂意擁抱有缺陷的人類。

我們有辦法接受用電腦決定人類的有罪與否嗎？有辦法接受電腦為我們處理辯護嗎？看看測謊在實務接受度的發展，我對這一天的到來抱持高度懷疑的態度。

尤其是律師在為當事人處理法律問題時，所帶來的『人的溫度』。人類獨有的情緒、語氣以及信任感，這是電腦永遠也無法取代的。

人工智慧可以怎麼協助律師

雖然我認為人工智慧不會取代律師，但我同時認為人工智慧可以幫助律師減少許多工作時間。最主要的部分就是 researching 所花的時間。

辨識適合的關鍵字，在海量資料庫中撈出適合的資料，利用訓練過的電腦排出權重，再推薦給律師作為辦案的參考，這樣的工作非常適合由電腦來完成，而也符合現在的現實。事實上現在人工智慧在法律領域的發展，就是以達成這樣的目標在努力著。

人工智慧雖然發展很快，但我不認為他是律師的對手，而是律師的幫手。在資料量越來越大，律師工時越來越長的現在，我認為透過人工智慧的幫助，讓律師能把更多時間花在更有價值的事情，才是我們對現在人工智慧應該有的態度。

因此，對於人工智慧，不要恐懼，要擁抱他。電腦無法取代的價值，才是人類能擁有的核心價值，而人工智慧，是為了輔助人類而存在的。