[AI生成]人工智能辅助司法会让司法更科学

[AI生成]人工智能辅助司法会让司法更僵化

　　下面我将从几个关键方面进行总结陈词。

　　首先，关于辅助与依赖的界限问题。正方强调人工智能在司法中的辅助作用，但我方认为辅助和依赖的界限难以区分。以法官使用人工智能辅助系统为例，2023 年数据显示，法官使用短身统法官债务系统辅助时，法律结构会增加 52%，复达证据来经济作为他的 4%，然而在没有人工智能辅助时，其处理案件的能力下降。并且法官对 AI 建议的磨合率提升 41%，这表明法官对人工智能的依赖程度在增加。一旦依赖形成，会导致法官基本能力和独立思考能力下降。虽然正方提及之前法官裁判也有模板，但现在套用 AI 模板与以往不同，若过度依赖模板，失去独立思考能力，就会产生严重问题。

　　其次，针对司法案件现状的解决方案。当下司法案件数量多、类型复杂，而法官数量少。正方提出使用人工智能辅助，我方认为培养更多司法人才是更优选择。虽然培养司法人才需要耗费时间和精力成本，但人工智能也存在诸多问题，并非所有因素都能被量化。而且，人工智能本身作为工具存在一定偏差，加上法官在应用过程中会依赖 AI，很难判断是人工智能的问题还是法官自身认识极限对司法裁判影响更大。

　　再者，关于人工智能的局限性。正方提到人工智能更新数据需要 11.4 个月，却未考虑人力更新所需时间。同时，人工智能存在算法问题，若输入错误算法会导致观念偏差，但这不能说明人工智能本身不好。不过，它也不能像法官一样综合考虑情感因素和伦理问题，在司法裁判中可能会出现偏差。

　　最后，关于界限和规范问题。正方提及 2022 年 12 月 9 号最高人民法院发布的关于规范和加强人工智能司法应用的意见是一个界限，但在实际应用中，如何准确把握这个界限仍存在困难。而且，即使有规范，也不能完全避免法官对人工智能的过度依赖。

　　综上所述，我方坚持认为，虽然人工智能在司法领域有一定的辅助作用，但目前其带来的问题和风险不容忽视。我们应该谨慎对待人工智能在司法中的应用，注重培养司法人才，以确保司法裁判的公平、公正和准确。

　　海量数据处理按照既定模式提取案例，然后提取法律和行政处罚。对复杂案件的多面情定和对人性因素的灵活洞察，会是司法介入讲法。

　　我再问你方，人工智能的数据来源，是不是来源于人的输入？人工智能的数据也有可能自动检索，随着科技不断发展，有时不需要人主动去操作。那来源人工输入和自我检索，会不会出现之前检测到错误的信息，没有及时更正的情况呢？

　　我再问你方，您方是不是认为人工智能的加入会使案件的处理更加高效？通过前两个问题，我们会发现 AI 依赖历史司法判决数据库，自身执法举动的纠控能力不足，很容易将人类历史的错误决策也固化为司法偏见。因为自身无法辨别历史决策之后系统的偏差，如歧视和个人举证的将其列为原规律结构判，最后形成偏见输入算法规避人性矛盾的恶性循环。

　　我问您方二辩，您方认为结案的上诉性会提升司法公正吗？当然不是。

　　我问您方四点，您方如何确保人工智能只是一种参考，而不是一种误导？我们有规则和规范，有法律的自行约束。您方给出的措施说是有具体的法律约束，但是在实际法律程序上很难去实现。技术依赖性和对效率的追求，会使人工智能越过界限，产生误导。

　　我问你方一辩，你方如何确保 AI 不会将案例检索异化为答案搜索？您方说在使用 AI 的过程中会有法律规定，只是用于案例检索，而不是答案搜索，那你方可以举例说明吗？2022 年 12 月，最高人民法院发布关于规范和加强人工智能司法应用的意见，有相关规定。还有，您方说加强使用 AI，但没有具体说明是案例检索，还是答案搜索。

　　如果认为效率至上的逻辑掩盖了其核心价值，用规定模板切割复杂案件，看似合规的判决可能会出现，但也可能存在做法漏洞，导致实施不公。而您方承认更高效，同时也无法肯定不会产生依赖，而依赖最终会使司法判案的独立性受到影响。

　　下面有请正方三辩进行盘问小结，时间为 2 分钟。

　　谢谢主席。首先，我方认为人工智能辅助司法并非取代人类法官，而是作为强大助力，优化司法流程，提升裁判科学性。我方从一辩陈词中就已给出初步回应，如今人工智能辅助司法处于弱人工智能时代，是在算法基础上的一个应用。

　　从事实认定环节来看，对方辩友质疑我方人工智能处理复杂证据和事实的能力。但实际上，人工智能呈现出强大的数据分析和模式识别能力，可对海量证据进行快速筛选、分类和关联分析。像在一些涉及大量电子数据的案件中，人工智能能迅速梳理出关键信息，形成完整证据链，帮助法官理清事实脉络。而人类法官在面对繁杂证据时，难免因精力和认知局限出现疏漏，人工智能恰能弥补这一缺陷，使事实认定更加全面科学，为科学裁判奠定根基。

　　在法律检索和适用方面，对方提出人工智能有时理解法律条文存在一定的机械性。然而，人工智能系统通过深度学习大量法律文本和案例，可以准确把握法律条文背后以及立法的目的。以深圳中院研发的人工智能辅助审判系统为例，它整合海量法律专业语料，能为法官精确匹配权威案例和法律条文，有效解决同案不同判的问题，保障法律适用一致性，让司法裁判有章可循并实现科学司法。

　　关于裁判的合理性，对方辩友担忧人工智能存在观念的偏见。但要清楚，人工智能辅助司法是在人类法官主导下进行的，其提供的参考结果为法官决策提供依据。法官凭借专业知识、经验以及对案子的综合考量，行使自由裁量权，融入人文关怀。并且，人工智能还可通过分析大量案例，学习不同情形下自由裁量的合理尺度，为法官提供参考，避免自由裁量权滥用，使裁判结果更加科学合理。

　　不可否认，人工智能确实有时可能会存在数据质量和算法偏差的问题，但这并非不可克服。首先，有许多法律规范对其进行约束，而且技术还可以进一步发展，通过严格数据筛选、优化算法等措施即可加强改进。

　　下面有请反方三辩进行盘问小结，时长为 2 分钟。

　　反方认为，人工智能在司法应用中的根本问题在于 AI 本身存在推荐系统依赖历史判决铺垫数据库，缺乏自我纠错的主动性，自身缺乏行动纠偏的能力，很容易将人类既往的错误决策演变为固化的司法偏见。虽然存在关联筛选体系，但在实际运行中，我方认为其漏网率较高。

　　严格的治安系统无法有效识别哪些形式上合规的市场判决。2023 年复查中发现，AI 系统推荐了多个后来被证明存在问题的指导性案例。这些案件的形成源于 AI 自身无法辨别判决中的系统。一些电信实质推行指正等，将其视为裁判规律，最终形成错误的判决并作为推荐输入司法。

　　当证人证言的可信度被量化为数值时，实际上消减了司法判断中适用情境的根基。效率提升并不等于司法进步。

　　从法官视角来看，虽然许多法律检索工具坚称结论的速度提升 90%，但 2023 年调查显示，35%的律师因遗漏关键判例导致败诉。浙江大学 2023 年调查显示，杭州互联网法院使用异步全局庭审时间同比缩短为 30 分钟，但当事人对裁判的满意度下降 22%。这种效率至上的逻辑掩盖了司法的核心价值。

　　当 AI 用固定模板处理复杂的案件时，看似合规的判决忽略了个案的特殊性，导致法律漏洞，增加司法风险。当面对证人证言时，将其转化为固定分数，无法理解其中的情感和宣告。

　　下面进入自由辩论环节。

　　正方：我们首先认为法官不是一个没有判断力的人，而且法典会随着时代更新。你方三辩一直在强调 AI 会导致法官依赖，这是错误的，我们所说的是 AI 辅助。所以你方之前的所有论断都是不对的，推不出来。我先问一下，你认为高效率是否会比无效率好呢？

　　反方：我方可以从学理、数据、研究、事实四个方面来论证法官关于依赖 AI 的问题。我们今天达成的共识是，所说的 AI 是在当今司法中的应用，而这种应用已经导致了依赖，这是事实结果。辅助和依赖的界限早已模糊。

　　从法官的角度，法律检索工具检索效率提高 40%，但 35%的律师因遗漏关键信息而导致败诉。从当事人的角度，2023 年的研究显示，杭州互联网法院借助 AI 分解争议焦点，使当事人的陈述效率提升 70%，但当事人对裁判的满意度下降 22%。

　　我方想问，您方说有法律规范，但法律规范的实践在哪里？当 AI 快速提取案件信息时，法官可以把精力放在其他地方，但这是否意味着可以忽视规范的时效性？

　　AI 的运作机制是基于过去的事情进行推算，如果过去存在偏见，那么 AI 推断的结果也会有偏见。例如，AI 对病人犯罪的误判达到了 45%。而人类法官可以更改主观偏见，但依赖 AI 时，这种偏见会不断延续。

　　我方有数据证明法官对 AI 的依赖存在。62%的法官认为立案推送限制了自由裁量权，35%的法官担心立案放弃适用法律信息，41%的法官对 AI 的建议保守，68%的法官不敢否决 AI 的建议。

　　正方：你不要问我数据的主体人数有多少。高效比无效率好，能够有效推动工作，而不是没有效率。我方从法官和当事人两方面进行了回应，给出了数据，而你方不认我方的证据，同时你方的数据没有主体来源，我方也不认。

　　当法官的个人价值观与法律冲突时，AI 可以提供客观理性的参考，其客观性能够维护法律精神。

　　反方：AI 不能排除主观因素，其机制和数据输入会加剧偏见的表现。如果法官介入 AI，责任的边界会被模糊，开发者和使用者的责任识别存在问题。

　　您方说 AI 可以提供参考，但这为什么不是一种误导呢？我们承认 AI 有辅助作用，但它带来了一系列问题。一方面，它降低了法官的判断能力；另一方面，AI 无法对新案件进行推理，且基于过去历史数据会加剧偏见。

　　正方：法官是具有自主选择性的主体，会主动向 AI 靠近，而不是 AI 迫使法官依赖。AI 的准确率达到 90%，虽然有错误案例，但占比未达到依赖的程度。牛津大学的调查研究显示，法官因为技术权威性放弃否决的概率达到 73%，法官自由裁量的意愿达到 52%，法官因为害怕偏离考核，不敢杜绝 AI 的建议，这足以说明法官对 AI 已经处于依赖状态，且专案能力下降。

　　反方：在阿克顿论文中，AI 裁判预测准确率达 90%，AI 系统对证据链完整性的判断准确率达到 92.7%。

　　正方：我们强调法官不是没有能力的人，也会随着时代学习，不能只强调 AI 的作用而否定法官的能力。你方提出的法官依赖 AI 的观点，在时效性、自由裁量性等方面都缺乏依据。人类法官也存在偏见，不能只指责 AI。

　　本场比赛正式开始，我们今天的辩题是人工智能辅助司法，会让司法更科学还是更僵化？坐在我左手边的是正方，他们的观点是人工智能辅助司法会让司法更科学。请正方进行自我介绍。

　　坐在我右手边的是反方代表队，他们的观点是人工智能辅助司法会让司法更僵化。请反方进行自我介绍。

　　我放一下本场的提示音，首先还剩30秒的时候会有这样一个声音，能听到吧，然后还剩5秒的时候是这样，然后时间到是这样。OK，都清楚吗？那比赛正式开始。

　　首先请正方一辩进行立论陈词，时间为4分钟。

　　感谢主席，问候在场各位。今天我方的辩题是人工智能辅助司法，会让司法裁判更加科学。

　　司法裁判是法院依据法律规定，通过法律解释、证据审查和逻辑推理，对案件审理结果做出判决和决策的过程。而人工智能是通过司法模型实现类人认知能力的技术系统。当AI深入介入司法活动时，可以拓展人类的认知边界，而非替代法官的主体地位。

　　人工智能辅助司法使司法更科学，是与之前没有AI适用于司法的时代相比。我方强调司法过程中十几个程序的统一，强调司法裁判的科学。离开司法过程的科学，虽然不能必然导致结果公正，但会增加其科学性。基于人工智能能够让裁判方法更加多元，裁判思维更加客观和理性，使司法裁判让人民群众更加信服、更加感到公平正义，我方论证如下：

　　首先，大数据赋能调查取证，提高司法效率。人工智能通过全量数据筛选和海量匹配，显著优化了司法资源配置。最高人民法院2022年智慧法院建设评价报告显示，全国97%的法院已经部署了智能审判系统。其中上海法院系统应用了2016刑事智能辅助系统后，证据审查效率提升43%，类案检索准确率达到90%。更值得关注的是，北京互联网法院的天平链电子证据平台，利用区块链和AI技术，将存证、核验时间从15天压缩到2分钟，效率提高了6000倍。这些数据表明了AI正在重塑司法流程的时间维度，减少成本，保护各方利益。

　　其次，人工智能算法强化了数据分析，提高裁判准确率。AI通过多维度的证据效应机制，有效降低了事实认定错误率。斯坦福大学法律信息中心2023年研究表明，在3000件模拟案件中，AI系统对证据链完整度裁判的准确率为92.7%，高于人类法官平均85.4%的水平，从而减少了错案误差。中国智慧法院试点数据显示，应用证据画像技术的案件二审改判率从8.3%降低到4.1%。特别是在证券欺诈类案件中，AI通过关联数万条交易数据识别异常模式的准确率达到97%，远超人工分析，保护人民群众的利益。这些数据充分证实了AI在复杂证据处理中的技术优势，保护人们的利益。

　　最后，人工智能能够消除主观认知偏差，增强裁判一致性，有效减少同案不同判。国内类案检索系统指出，最高人民法院建立的类案同判数据库收纳超过1100万份裁判文书。当法官审理新案件时，系统能依据案件的各项特征，如案由、争议焦点、关键事实等，在海量的文件中匹配相似度高的案例，并形成裁判建议数据库。应用之后，法官参考相似案例的统一标准，使同类案件的裁判一致性大幅提高。全国法院司法大数据专题报告中也披露了应用量刑辅助系统后，危险驾驶罪的缓刑适用地区差异缩小了62%，美国威斯康星州法院使用了风险评估系统，使同类案件保释决定的主观偏差降低了41%，降低人民群众利益受损风险。

　　我方承认人工智能存在一些缺陷，但是我国已经采取了有效措施应对其能力不足。目前我国在法律层面针对人工智能应用于司法出台了《关于规范和加强人工智能司法应用的意见》，对于数据的质量和可信度，我们也建立了严格的数据审查制度。

　　综上所述，从海量数据筛查到证据链智能建构，从减少偏差到裁判标准统一，人工智能在全方位增强司法裁判的科学性。

　　下面由反方四辩质询正方一辩，时长为 2 分钟。注意，被质询方只能回答，不能反问。

　　张辩友你好，首先我们先来对这个定义予以明确。在你方看来，辅助是什么？我方这里的辅助是指辅助司法裁判的辅助。我们可以理解为，今天所讨论的辅助，其实就是当下 AI 在司法实践当中的应用。这是我们今天达成的第一个共识，当下的 AI 早已不仅仅是一个数据库，它已应用于数据分析、分析案件得出结论当中。

　　第二点，司法裁判是否更加注重结果？不一定。你刚刚说要得出的结论更加公正合理，但我方也一直在强调实体和程序的统一。你方是要借助实体和程序的统一来打造结果的公正和合理，不要用结果来证我的过程，我想问的是过程。司法裁判和司法审判有什么区别？司法审判就是法官进行裁判。司法裁判是过程，司法审判更加注重过程，而司法裁判更注重结果。对于你方所主张的从过程推结果，我方并不否认，但我还要强调一下，司法裁判注重的是结果，那么司法裁判更加科学是不是就是裁判的结果更加科学？

　　是的，虽然这只是一部分，但要证明结果的科学，肯定也要体现程序的一些东西。所以我们最终还是要证明结论科学。

　　结果的科学在你方看来具体表现为什么？是让人民群众感到公平正义。所以对方辩友，您方今天如果要论过程，论的是效率；论结果，论的是公平正义。如果这两者冲突，您方作何选择？是注重过程的方向还是结果的公平正义？

　　这并不矛盾。我方今天要说明的是，在有冲突的语境之下，如果这两者冲突了，你选什么？我给你一个例子，浙江大学 2024 年的调研显示，杭州互联网法院使用 AI 之后，庭审时间从 2 小时缩短到 30 分钟，但当事人对裁判结果的满意度下降了 22%。在这种情况下，还是您方所说的过程有效率，然后推导出结果公正吗？您方只是在用一个特殊的点来证明，不能因为这一个失误就判定整个结构失败，不能如此直接地判定这个行为失败。

　　下面由反方一辩进行立论，时间为 4 分钟。

　　谢谢主席，问候在场各位。开宗明义，我方先对相关名词做客观解释。辅助是指人工智能分析案件得出结论的实际应用。司法裁判是司法机关做出的裁判和决定，既注重结果，更强调结果的确定性。僵化是指司法裁判的结果缺乏灵活性。因此，我方坚定认为人工智能辅助司法会使司法裁判更加僵化。

　　接下来，我方将从三方面进行阐述。

　　第一，数据牢笼正在固化司法认知。人工智能本质是以数据和算法为核心的，其技术本质是以数据驱动的，依赖海量数据训练出的模型。人工智能辅助系统也依赖于案例数据为基础，但作为训练基础的优秀案例缺失，在一定程度上会影响计算结果的准确性。虽然裁判文书网上的案例在现阶段基本可以满足案件实务需求，但同时存在三个重要问题。

　　一是案例时效性问题。根据中国司法大数据报告，基层法院的平均裁判文书上网延迟仍达 7.3 天，且新类型案例从立案到形成可参考判例仍需要 11.4 个月。因此，最高法报告指出，新类型案例如数据确权、涉网垄断等的裁判错误率达 32%。

　　二是案例的质量问题。现阶段缺乏统一明确的案例筛选标准，对向人工智能系统导入案例的行为缺乏约束。实际运行中，分案定案漏网率高达 12.7%，当前技术对反事实情形的预测准确率不足 55%，涉及少数民族习惯法的案件 AI 匹配率不足 30%。AI 系统无法有效识别那些形式上合规但实质上不公正的判决。2023 年的抽查更正发现，AI 系统推荐的多个指导性案例后来被证明存在问题。

　　三是案例的后续更新问题。我们承认 AI 可以迭代更新，但迭代依然需要时间，用过去的数据处理当下的正义问题，人工智能在处理复杂情况时，很难通过算法局限去灵活适应，因此便违背了我们努力让人民群众在每一个司法案件中感受到公平正义的初衷。这些都证实着算法牢笼固化了司法认知。

　　第二，算法霸权正在侵蚀法官的自由裁量权。有一种心理学效应叫做路径依赖性，一旦进入某种路径后，就会对这种路径产生依赖。所以在实际操作中，法官会由于心理惯性过度依赖 AI，形成不良依赖。如斯坦福大学司法 AI 实验证实，若当 AI 给出 90%相似案例判罚建议时，法官可能因算法权威性产生心理依赖。相关方面调研显示，68%的法官因未按偏离率考核不敢否定 AI 建议。而基于机器学习的人工智能算法，其决策流程和逻辑缺乏透明度，这样便可能会导致隐蔽的偏见和歧视，我们称为算法黑箱。所以，法官由于路径依赖性对 AI 产生依赖，从而影响到其主导地位和责任归属感，并会使公平正义遭受侵蚀。中国政法大学实验证明，当 AI 明确给出建议时，法官自主裁量意愿下降 53%。我们看到的不是技术革命，而是司法裁判权的全面沦陷，法官将成为算法预设程序的傀儡，这正是一种司法裁判僵化的体现。

　　第三，人工智能辅助司法的现实阻碍产生新的问题，加剧僵化。首先，法官个人智慧能力是有限的，要求其具备应对一切知识错误的能力，在面对人工智能系统潜移默化的错误导向时保持完全清醒也不具有现实可能性。并且审判有关的责任，如人工智能产品责任与法官的审判责任边界有待完善。其次，算法偏见加重了歧视，并且 AI 还存在着提供虚假信息的可能性，这些现实阻碍都会加剧司法裁判的僵化。

　　无论是人工智能固化司法认知，还是消减法官的自由裁量权，还是现实的阻碍问题，都会导致司法的温度在一点点被扼杀。当 AI 将存在人性重大考量的证据、将那些鲜活的陈述归纳为算法的某个参数时，司法的公平正义又该如何实现？

　　综上，我方坚决认为人工智能辅助司法会使司法裁判更加僵化。

　　下面请反方四辩再次质询正方一辩，时长同样为 2 分钟。注意，被质询方只能回答，不能反问。

　　请先回答我方质证时提出的两个问题。第一个问题，我方认为是实体程序和实体证明程序的统一，通过使用 AI 来使案件更加透明，从而让人民幸福，达到我们的目标。我想问一下对方辩友，您方对于辅助的定义是什么？我方对辅助的定义是指人工智能分析案件得出结论的实际应用，并非单纯的数据，人工智能也可以分析案件。而您方依然认为人工智能只是单纯的数据，但我方认为人工智能是在法官的使用下发挥作用，其主体是法官，法官具有一定的辨别能力和应用程度，毕竟法官是一个非常专业的职业。

　　第二个问题，您方刚刚提到法官的自由裁量权受到限制，算法霸权正在侵蚀法官的自由裁量权。有一种心理学效应叫做路径依赖性，一旦进入某种路径后，就会对这种路径产生依赖。所以在实际操作当中，法官会出现一些相关情况。您认为法官应用 AI 的方面有哪些？法官肯定会在过程当中去找相关的案例。您也认为法官会找相应的案例，说明法官是有一定的主体性和一定的辨别能力的。但您方一说会使法官产生这种心理依赖，这两者的定义是否有些相悖？

　　第三个问题，案例的质量问题。虽然我们承认存在三级筛选机制，但在实际问题当中，漏网率高达 12.7%，更严重的是 AI 系统无法有效识别那些形式上合规但实际上不公正的判决，并且在 2023 年的抽查当中发现 AI 系统推荐了多个后来被证明存在问题的指导性案例。您方刚刚提到 AI 用旧的案例来审新的案件，但我方认为 AI 在更新方面具有优势，其更新速度比人类的认知范围更快，而法官利用案例的质量和效率也会因此明显提高，这是我方的一个观点。

　　下面有请正方二辩进行驳论，时长为两分钟。

　　感谢主席。刚刚反方强调我们要证明结果的科学，而我方强调的是过程科学。人民法院公告显示，我们感受到的公平正义不仅来自于裁判的结论，更多的来自于审理程序。也就是说结果正义一定要求过程正义，虽然过程正义不一定仅是为了结果正义，但我们今天只能在司法过程中有所作为，提高司法裁判的科学性，也就提高了人民能感知到公平正义的可能性。

　　另外，对方说人工智能依赖历史数据，难以将法律的一些逻辑融入其中。但在之前，法官判案不也是依据自己的历史经验吗？您方觉得是法官个人的历史经验更能适应新的情况，还是人工智能这个可以随时更新的数据库更能适应新的情况？肯定是后者。所以您方在后续论证时需要进一步说明。

　　还有，关于您方提到的算法黑箱问题，我国已经出台新一代人工智能伦理规范，要求司法 AI 系统必须保留决策逻辑可追溯接口。例如北京法院的法官系统允许法官查看量刑建议生成路径，并支持手动调整参数权重。也就是说，技术工具的局限我们可以通过制度设计来补足，而且我们可以追溯到不同的责任主体，以更好地确保司法公正。

　　关于人工智能缺乏对复杂情境的灵活响应程度，我们想说人工智能只是一个辅助，且只能处在辅助地位。今天的司法裁判、司法审判过程是一个非常复杂的过程，人工智能只能作为一个弱势的辅助定位，最终的裁判权还是在法官的手中。相反，人工智能能够减少同案不同判的情况，因为法官在裁判时很容易受到主观因素影响，而人工智能能对法官形成一个客观的参考。

　　下面有请反方二辩进行驳论，时长同样为两分钟。

　　谢谢主席。对方辩友说人工智能在当前审判中只是辅助，但事实并非如此。当全国 85%的法官日均使用 AI 试点超 3 小时，当上海法院 AI 建议采纳率突破 90%，我们看到的不是辅助，而是法官自由裁量权的大幅受限。

　　界线都已经模糊，人工智能正在用效率上的逻辑，以质量换取效率。杭州互联网法院使用 AI 之后，平均庭审时间从 2 小时缩短至 30 分钟，但当事人对裁判决议满意度下降 22%。可见，效率并不一定代表科学，单一数据固化评定标准存在问题。

　　人工智能辅助司法的本质是适用历史数据，切割未来争议系统依赖历史案例生成判刑指引，将凭证与新通奶粉等特征特殊动机案件机械归类，对法官自由裁量空间的要求达到 70%。哈佛大学教授研究表明，司法程序中有 23%的关键执行要素与法律结构相关。所以说，目前的辅助司法、辅助裁判功能并不能将社会生活中的各项因素作为裁判结果输出前的变量进行涵盖。

　　第二个问题是削弱司法的能动性。当今中国裁判文书网等司法公开平台对程序的大规模公开，导致越来越多的法官裁判过度依赖网络数据，而非法官本身的价值理念。2023 年，中国某高级法院测试年轻法官，70%的文书内容直接套入 AI 模板。使用 AI 满 3 年的法官在无系统辅助时，法律检索速度下降 52%，复杂证据链分析错误率上升 40%。AI 依赖症导致法官基础能力下滑，司法决策从脑力劳动转变为路线操作。并且，司法系统对技术过度依赖的本质是司法主体性丧失，司法权在人工智能时代被更多的主体分解，导致需要更多的监管措施对多主体进行专业监管，其付出的技术成本远远超越目前对司法人员监督方面的成本支持。