凯蒂·阿特金森教授说:“你需要确定人工智能可以帮助完成的任务。

我们对法律职业的印象可能都过时了。也许我们会想到天花板那么高的书架上堆满了焦糖色的皮面判例法大部头。可能，地下档案馆里有一排排很少有人查阅的金属文件柜。甚至连卷盖的书记簿都被埋在一捆一捆的手稿下面，这些手稿用律师的红丝带捆在一起，黄色的记事本上用自来水笔做了注释。但这些clichés更像是电视剧的风格化，因为正如凯蒂·阿特金森(Katie Atkinson)解释的那样，法律行业正在向前发展，开始使用人工智能来做繁重的工作。

阿特金森教授同时也是利物浦大学电气工程、电子和计算机科学学院的院长，他认为公众对人工智能技术的认识有所提高，这些技术正开始应用于现实世界。“它曾经出现在科幻小说的领域，但今天它就在眼前。”但她坚持认为，公众可能不太清楚的是，法律上也发生了同样的事情。

近20年来，阿特金森的工作一直集中在人工智能与法律之间的关系上，对他来说，这种联系开始变得更加主流，“也许是在5年前。在此之前，它基本上是一个学术领域。”她解释说，自20世纪80年代以来，学术界就有关于这个主题的会议，早期的与会者主要是计算机科学家。“当时有很多人担心最终用户在哪里。他们问为什么人们不使用我们提出的解决方案。但在过去的五年里，法律技术领域得到了扩展，这与技术的成熟和研究解决方案转变为可用于包括法律在内的各种领域的实用工具有关。”

然而，律师们还没有必要开始考虑转行，因为这不是小报所乐见的“机器人将取代我们的工作”的恐慌，而是技术为“任务自动化”创造了机会。

阿特金森说:“这些都是正确的词，因为当你打算在实践中应用这些解决方案时，你需要确定人工智能可以帮助完成的任务或任务范围。”其中一些任务比其他任务更具认知挑战性。

她说，其中最明显的就是文档处理。“机器可以比人类更快地处理大量的文书工作和数据。然而，这也取决于您希望该处理做什么。如果你想要获取信息，律师在准备案件时可能有大量的文件要看……所以你需要能够挑选出法律概念。”然后，这些知识被构建到“论证的计算模型”中，以使用决策支持工具中提取的信息，从而实现比单独人工处理更一致、更快的结果。

搜索关键字只是一个开始，但改变游戏规则的是对法律推理进行建模和自动化的能力。阿特金森说，思考这个问题的最佳方式是“看看人类在法律领域执行任务时的推理类型。”

当律师陈述案件时，他们寻找的是法律上的强项。当法官对提交给他们的案件做出裁决时，他们必须决定哪些论点是获胜的，以及为什么。“而这个任务正是我研究的重点。”

我们的想法是，“我们的建模工具能够高度准确地复制各种深入研究领域的封闭式法庭案件的实际结果，在某些范围内的法律领域达到100%的成功率。”

她接着说，利物浦大学的研究人员最近一直在开发人工智能工具，提供“可解释的”决策支持，解决“对人工智能软件透明度的重大担忧”。这些方法为人工智能提供了可能性，可以帮助法律专业人员采取明智的行动，为他们提供法律结果方面的建议，同时显示人工智能软件的论点和辩护过程。我们最近的项目表明，采用这些技术使律师事务所受益匪浅:简化行政管理，降低成本，提高效率。”

除了对法律推理建模进行基础研究外，阿特金森还将其应用于实践。她引用了最近与威特曼律师事务所(Weightmans)在现实世界中的合作，与商业信息提取合作伙伴基拉系统(Kira Systems)合作，“我们一直在使用模型来分析一个案件是应该为被告还是原告作出裁决”。这项工作是在听力损失索赔领域完成的，例如，“有人向雇主提出索赔，称他们的听力损失是雇主疏忽造成的。所以你需要检查是否有证据支持真正的听力损失。然后，如果是这样，你需要确定损失是由于雇主的行为还是疏忽造成的。”鉴于这一主题有大量判例法，“我们需要做的是在软件中捕获数据和推理，然后将新的案例输入其中，根据这些案例我们可以决定索赔的强度，以及索赔人是否有可能获胜。”

阿特金森说，捕捉信息的难度比扫描几份文件复杂得多，“因为神奇的人工智能机器，结果就出来了。”“首要任务是获得专业知识，这意味着了解该领域的法律相关因素，如损害程度、安全设备和培训的提供，以及它们之间的关系。然后你需要分析案件中存在或缺失的东西。为此，你需要编写一个人工智能程序，能够放大相关信息并执行推理:当我们得到事实A、B、C和D时，在特定情况下E、F和G不存在，这就是我们预测的结果”——实际上模拟了人类会应用的推理过程，但更客观、高效和快速。

在这一点上，阿特金森热衷于强调，整个过程是辅助决策支持——类似于职业板球中使用的DRS(裁判“决策审查系统”)技术——而不是人工智能完全取代人类。“所以，在这种情况下，人类可以看到人工智能系统决策的解释，然后说:‘好吧，这看起来是一个强大或薄弱的案例，’然后在此基础上做出自己的决定。”

在“我们甚至可以考虑允许”人工智能支持工具接近现实世界的法律决策之前，需要通过测试历史案例来评估推理模型，在这些案例中，人们一致认为已经达成了安全的决策。要做到这一点，“你需要对判例法的特定领域进行建模，捕捉法律相关因素以及它们如何相互作用，就像法官那样。然后你看看过去的案例，然后说:‘好吧，这些是在那些案例中出现的事实。如果我们把它们输入到我们的工具中，就会启动推理，即根据法律，这个案子应该是原告或被告的。’然后我们看看软件是否能做出和法官一样的决定。”软件的准确性可以根据记录的决策来衡量。

这些技术的采用让律师事务所受益匪浅。”

阿特金森关注的一个领域涉及野生动物的占有，这一领域“在人工智能和法律文献的编年史上已经被很长时间地研究过了”，并形成了测试推理模型的基础之一。数据量和时间范围都很重要。一个早期的案例可以追溯到19世纪关于一只受伤狐狸的合法所有权的争论，争论的焦点在于这只狐狸是否合法地属于伤害它的猎人，还是偷猎失去行为能力的动物的投机取巧的路人:前者能够证明捕获的意图，后者则不能。

这一主题在2001年10月美国一场棒球比赛中引起的一场备受关注的争论中再次出现，在那场比赛中，球被砸向人群，随后发生了一场可以预见的混乱。当两名观众一致认为球的所有权已经转移到他们手中时，这场法律纠纷就出现了，因为这是在美国，所以整件事都闹上了法庭。在这一点上，阿特金森说她需要小心措辞，因为它们是“法律相关的”。

亚历克斯·波波夫(Alex Popov)被认为“用他棒球手套的上带阻止了球的向前运动”。但是有那么多人都想抢球，结果他被摔在了地上。在一片喧闹声中，球从他的手套里滑了出来，掉到了地上。”这时Patrick Hayashi捡起了球，这样就在双方之间制造了关于谁拥有球的争论(显然，最初为了玩游戏而购买球的人无法再维持他们对球的所有权)。在法庭案件中，“关于拥有一个球意味着什么，有很多细节需要解决。这足以阻止前进的运动吗?”裁判被请来提供证据，他们认为，尽管当事人已经表现出想要接球的意图，但将球放在手套的上半部分并不能提供足够的把握来完成接球。然而，至关重要的是，波波夫是被法官认为是“参与暴力非法行为的暴徒”打倒在地的，这意味着他应该被允许有机会完成抓捕。但重要的是，Hayashi没有被判定为上述暴徒的组成成员，因此，他是通过从地上捡起球而获得球的，因此被认为没有违法行为。就像进一步的细节一样引人入胜，这里没有它的空间:整个案件的结果是可以预见的，足球的最终所有权无法确定，因此法官的裁决是，足球将在拍卖会上出售，收益由波波夫和哈亚希平分。

这个现代“野生动物所有权”寓言的浓缩版本的有趣之处在于，它对工程师来说是多么令人难以置信的微不足道，而是一旦考虑到法律推理，看起来如此简单的事情会变得多么复杂。事实上，它让我们真正了解了阿特金森的任务的规模，即制作软件，能够准确和重复地复制在这种情况下的发现，而在这种情况下，对于偶然的观察者来说，本能地似乎完全是主观的。

阿特金森始终保持中立。“我是一名计算机科学家。就我所知，法官所说的，法律学者所说的。我所做的一切就是复制他们的决定，这样我就可以帮助他们。”

大多数律师想知道的是，我们在这一技术工具的成熟度曲线上处于什么位置，以及在他们的职业中看似不可避免的任务自动化之路将如何影响他们。阿特金森说:“人工智能以及法律技术领域有很多炒作，这往往会夸大预期。但与此同时，它不应抹掉迄今为止已经取得的成就。我试着站在中间立场:一方面，我们不会看到一大批人因为新技术而突然失业。然而，另一方面，我们几乎肯定会看到，作为采用这些新技术的直接结果，律师事务所现有的角色类型将发生变化。”

其中一个变化将是法律技术创新经理的演变——这在20世纪基本上是不可想象的——他们的职责将包括视野扫描、技术成熟度分析、内部技术投资和采购。

阿特金森说:“也会有数据科学家进入律师事务所，虽然我们不会立即看到该行业出现大规模失业，但随着时间的推移，就业状况将转变为包括更多技术专家。”