在人工智能的冲击下，法律体系可能需要全面重塑。过去需要花费大量人力、物力才能完成的任务，如今可以在极短时间内完成。有人预测，在线工作、基于信息技术的法院、虚拟法院、在线纠纷解决会成为未来纠纷解决的主流。

人工智能在纠纷解决领域发挥的功能，可以从诉讼与非诉两个角度来分析。人工智能在智慧法院建设中的运用贯穿整个诉讼过程，主要包括立案、分案、庭审、裁判与执行等阶段。人工智能在线纠纷解决机制的应用，并不是简单地将现代技术应用到传统纠纷解决模式中，而是以互联网思维与技术为基础重新构建一种新的在线纠纷解决机制。

随着我国多元化纠纷解决机制建设的发展，国内在线纠纷解决平台主要是以法院为主导，其基本建设思路是通过互联网将纠纷与解决纠纷的人集合起来进行配置。目前国内在线纠纷解决平台主要有两大类，且两类平台的发展态势迅猛，成效显著。一类是以浙江省为代表的“矛盾纠纷多元化解平台”（https://yundr. gov.cn）；另一类是以法院为主建设的“人民法院在线调解平台”（tiaojie. court.gov.cn)。但人工智能在纠纷解决领域的应用仍存在以下难点与困惑：法律大数据的不充分、不客观、结构化不足，导致人工智能的基础不牢；在线纠纷解决平台解纷功能还较简单；在线纠纷解决机制的承载前提是互联网平台；过度依赖人工智能可能导致审判程序异化；偏重“算法”和机器评价可能导致裁判失正。

人工智能在纠纷解决平台的技术路径

人工智能应当具备认知与判断的功能。将其运用在法律领域。一方面，可以作为逻辑的定向指南，实现若干逻辑关系的证成过程，即推理过程；另一方面，可以提供海量的纠纷解决数据，从数据的采集识别，到数据结论的输出，全都是在一定逻辑模型中完成数理演算。因此，人工智能在纠纷解决过程中应当包括四个重要的模型，即识别模型、定义模型、链接/关系模型、输出模型，才可以实现理想化的人工智能解锁法律事实、提供信息指引，以及寻找适合纠纷解决方式的目标。这也是构建“人工智能+纠纷解决机制”模式的核心要义。

1.识别模型：对识别对象进行要素化概括。人工智能必须具有将对象进行数据化识别的能力，这是人工智能运行的前提。无论是通过人工符号化模式，还是神经网络自学模式，都需要对识别对象进行要素化概括，并建立相应的数据采集规则。识别模型的运算规则，其实是对不同载体进行数据解码与转码，因识别对象不同而有所差异，如识别图像、文本、数据，所需要的数据输入与转化方式均有所不同。从法院审判系统和在线纠纷解决平台的信息处理模式来看，识别模型或识别技术的优化，可以改变现有填制式案件处理模式。浙江ODR平台的语音识别功能，通过识别用户的声音将其转为文本形式输入系统，减轻了用户和调解员文字输入的工作量；在一定程度上，也避免了人为输入错误。对于图片，该平台运用OCR（Optical CharacterRecognition），即光学字符识别技术，可以识别图像中的文字信息。调解员或者纠纷当事人只需手机拍下需要识别的文件，并将该图片上传至系统，系统即可自动查询并推送相关法规、案例等信息，大大减轻了检索信息的工作量。这些人工智能识别模型的引入，帮助当事人与纠纷处理人员进行数据提取与信息分类管理，使得纠纷的信息化再现内容更为全面充分，是对构成纠纷个案的具体信息进行机器识别的重大技术突破。另外，该平台还应用流程机器人，实现信息一次输入多平台自动填报，免除了信息重复录入的负担，同时也减少了人为错误。

2.定义模型：对数据编码转换赋予法律定义。人工智能的运转可以理解为通过识别对非电子化的信息及数据编码进行转换，并对各个转换环节的单元数据进行比对和除谬，赋予准确意义，包括数理意义和代码意义，最终完成具体与抽象互换的过程。因此，人工智能的识别模型，需要解决的不仅仅是数据与代码之间的比较匹配问题，还有“具体概念抽象化定义”和“抽象概念具体化定义”的数据定义问题。另外，纠纷解决机制本身又涉及纠纷事实、解决纠纷实体规则与程序规则三方面内容单元的定义模型建立。因此，现有的计算机技术还不能独立完成按照高度抽象的规则赋予繁复的生活事实以法律定义，但这并不意味着人工智能的定义模型对在线纠纷解决平台的技术突破没有现实意义。定义模型在目前纠纷解决平台的使用过程中，即当事人及纠纷处理人录入、交换数据阶段，至少可以作为提示误差的筛检工具，提高人工数据核对的效率。在具体纠纷个案信息输入过程中，如果出现违背定义模型预设规则的信息，就会提示矛盾信息的具体内容和误差原因，再由人工进一步分辨该信息项是否正确，并加以修正。

3.链接/关系模型：建立单元数据间的逻辑关系。人工智能需要建立单元数据之间的链接/关系，确定数据之间的逻辑联系规则，这是对数据进行演算并得出结论的前提之一。在纠纷信息处理中，链接/关系模型由两个层次组成：一是规则的链接/关系模型，即实现法律规则或调解规则本身逻辑关系的数理转化；二是事实与规则的链接/关系模型，即实现某一事实属于或不属于某一规则逻辑推理小前提的数理转化。人工智能发展到自主学习阶段，可以通过读取大量的裁判文书，对具体事件与法律后果进行概率判断，将逻辑推理转化为一种概率计算规则，以此完成事实与法律判断之间的链接/关系模型的建立。但是，目前依旧存在法律大数据的不充分、不客观及结构化不足等难点问题。因此，建立以法律逻辑为基础的“算法裁判”仍是人工智能领域最为复杂的问题。而这也是最为重要的问题，因为它将直接影响裁判预测、类案比对等数据深度运用的准确性。

4.输出模型：以计量输出和定性输出为模式。输出模型是由数据运用的具体目的所决定的。计量输出，即通过数值链接/关系模型，确定不同类别与属性数据的分类与集合方式。定性输出，即按照逻辑链接/关系模型，通过特定形式，输出具体数据进行结论演算。在纠纷解决平台中，尽管输出模型智能化实质是以定义模型与链接/关系模型的智能化为前提，但输出模式本身也可以更加“聪明”与多样化。如以判定纠纷适用某一具体解决程序的方式输出数据流转结论，以裁判文书生成的方式输出裁判结果。浙江ODR平台甚至以更加智能化的输出模型与用户形成交互关系，为用户提供智能咨询服务。用户登录后，在系统的指引下，可以在智能咨询页面点击所关注问题的关键词。系统抓取用户输入的关键词，结合预设的知识图谱，推送相关的数据、案例、法律法规等信息资讯。

“人工智能+纠纷解决机制”的架构设计

纠纷解决机制微观上是解决具体权利义务分配的问题，宏观上是社会治理的重要制度。人工智能技术应当为其提供“解决问题”“机制优化”等方面的技术支撑。因此，理想中的“人工智能+纠纷解决机制”架构上应当囊括三个模块。一是用户模块。即分属于诉求方、被诉求方与处理纠纷的中立第三方的用户端，不同用户端应该有指向不同数据识别与分类的人工智能技术支撑。此时“识别模型”“定义模型”的建立尤为重要。因为诉求方与被诉求方的表达是纠纷解决机制中最重要的基础信息，准确识别与定义上述信息是界别与判断具体纠纷的前提。二是流程模块。这需要通过“链接/关系模型”将事先的、既定的纠纷解决程序规范，解读建立为工作流程规则，再通过“输出模型”将工作流程转化为程序进阶方式，通过程序运行权的分配，实现纠纷解决程序的程序运转。三是数据运算模块。即数据采集、计算与输出模块，这一模块属于后台运算组件。“人工智能+纠纷解决机制”的数据运算模块也是为当事人提供策略指引、裁判预测，为法官提供智能裁判支持等深度数据结论的“生产者”。

突破技术壁垒创新认知推理的发展方向

在国家治理和社会治理领域，技术与法律具有相互替代性。如果在某一社会场景中技术解决方案的成本低于法律解决方案，技术工具便可能取代法律形式成为秩序生成的主要手段。事实上，人工智能离“像人一样思考”还有一定距离。虽然它在处理比较技术任务方面较为成熟，但是在处理认知推理任务方面还是很薄弱。因此，根据现阶段人工智能技术的发展在纠纷解决机制领域的运用，应当主要用于完成技术性任务，或尽量将相关任务转化为技术性任务，并适当尝试运用于认知推理任务。

第一，在数据识别与处理上开发系统。革新自然语言处理技术、文本分析技术及图像和视频识别技术，对纠纷事实的文字、语言、图像等多种载体进行识别与数据转化，并按照法律规定的事实要件建立相关数据提取与分析规则，实现对相关载体的评判。同时，借助机器学习各类法律文件文本，类型化开发各类法律文件，如合同、证明、公证书等文本的分析系统，对文件进行标识，最终达成法律文件审阅自动化。另外，通过IVR（Interactive Voice Response）交互语音应答开发智能在线语音调解系统，浙江ODR平台就对此进行了有益尝试。其研发的IVR智能在线语音调解系统，能够模拟人声自动拨打电话联系当事人并进行对话。同时，在对话过程中，系统可以完成当事人信息的确认、调解的意向及其他诉求的反馈。该系统通过信息的智能识别和反馈，在一定程度上将平台的调解员从事务性的工作中剥离，让其更专注于其他关键事项。

第二，在信息精准检索上比对选择。对个案纠纷解决指引性极强的裁判预估或类案推送等功能，其本质是同类数据识别与比较检索。2016年，研究人员利用欧洲人权法院公开的判决书训练算法系统，构建了模型，来预测案件判决结果，预测的准确性达到了79%。人工智能在信息检索领域精准度上的突破，将对当事人行为策略选择与辅助裁判提供有力的数据支撑。例如，浙江ODR平台的智能评估服务，可以根据当事人输入的纠纷信息，比对数据库中类似案例的裁判、调解结果及相关法律法规，为当事人出具一份精准且全面的评估报告，帮助当事人对案件结果形成较为科学的心理预期。事实上，在具体案件中，如果当事人可以事先通过信息检索或者平台服务预测出较为可靠的案件结果，就有可能不会冒着诉讼风险继续推进诉讼或者上诉，而是会选择和解、调解等方式解决纠纷。

第三，在数据输出上提供决策参考。数据的输出不应仅局限于根据用户的指令和系统的既定规则，输出相应的文书或信息，如文书自动生成，就是经过比较技术规则对关联信息的格式化输出。虽然这有效降低了当事人起草文书的难度，也减轻了法官撰写文书的工作量，但人工智能的应用必须突破事务性工作范畴，在社会治理中发挥其更深远的价值。随着大数据时代的来临，纠纷解决机制不仅需结合技术，创新传统解纷方式，还应当充分运用大数据分析，对未来社会矛盾进行预测和预防。对平台现有的纠纷案例数据、用户反馈数据、用户行为数据和平台运行数据进行集合、比较、挖掘和分析，发现各类高频数据点与异动数据点，总结社会矛盾的集中区域和未来发展趋势，从而完善资源配置、填补制度漏洞、提出规则建议，对社会治理提出政策参考等。

第四，在对话和推理模型上实现判断。纠纷解决机制的核心与关键是对具体纠纷作出判断，这也是最体现“智能”的部分。人工智能对具体纠纷解决结论的输出，必须经过“生活中的事件”到“制度中的事件”、“制度中的事件”到“制度中的后果”的复杂判断过程。这不仅需要充分掌握制度规则，还需结合经验情理。当前人工智能依靠大数据，对于规则数据的把握和分析已经非常精准和全面，但其毕竟是由计算机语言或代码组合而成的一套套程序，缺乏经验情理。因此，认知推理任务是当前人工智能的“短板”，应当进一步开发具备一定神经网络人工智能特点的计算机辅助交涉的解纷模式。例如，Smartsettle智能调解的电子谈判系统，结合双方的主张和策略，通过与争议双方不断互动，将争议焦点分解成可量化的要素，再利用先进的算法程序，逐步化解双方的纠纷。

综上，人工智能要具备解决纠纷的认知推理能力，还需要攻克信息识别上的技术障碍与逻辑推理中的方法障碍。识别中的技术障碍主要是语义识别，这个难题的核心问题是如何从形式与意义的多对多映射中，根据当前语境找到一种最合适的映射。如果我们将纠纷解决的过程解读为一个“对话”与“结论”的过程，将是法律逻辑模型人工智能化的一个有效方法。纠纷解决过程中，一方提出请求与证据，另一方提出抗辩与反证，对解决结果的现实影响远大于既定的法律逻辑。因为推理结论会因为各方话语的效力和各方对话的结果而改变。在语意识别技术的基础上，建立“对话+推理方法”的逻辑模型，将纠纷各方对抗性导致的变量纳入推理的前提。根据“对话”场景设计具体推理内容与前提，可以解决场景中推理前提递进介入推理过程，进而影响推理结果的问题，使既有的推理规则在变量介入的情况下能够得到公式化的运行。