揭开鸡蛋期货大鳄神秘面纱

[4]本文将首先厘清保护规范理论的历史生成及移植背景，剖析该理论在我国面临的困境，并提出纾解之策。

相较而言，即使是最新修订的《行政处罚法》也未对违法性阶层予以规范。为此，适用于广义不法行为的构成要件应当包含而不排斥犯罪论体系。

基于法秩序统一原理，可援引刑法和民法中的违法性阻却事由判定应受行政处罚行为的违法性要件，但在认定各个违法性阻却事由时应进行个别化法益权衡。[11]Vgl. Wolfgang Mitsch, Recht der Ordnungswidrigkeiten, Springer, Verlag Berlin Heidelberg, 2005, S.41. [12]参见吴庚、盛子龙：《行政法之理论与实用》，三民书局股份有限公司2017年版，第450-452页。四、结语 在应受行政处罚行为构成处于迷茫之际，尽管犯罪与之存在质或量的区分，但是犯罪论体系蕴含着的法律保留、比例原则和人格尊严等宪法理念与应受行政处罚行为是一致的，故更为周延的犯罪论体系得以为其判断提供参照。该观点意识到行政管理领域适用行政处罚的条件与犯罪构成要件不尽相同，相应条件也应有所差异，不能简单套用犯罪论体系。张青波：《论应受行政处罚行为的主观要素》，载《法学》2020年第10期，第85-87页。

Wolfgang Mitsch, Recht der Ordnungswidirgkeiten, Springer, Verlag Berlin Heidelberg, 2005, S.34. [9]参见[日]西田典之：《日本刑法总论》，王昭武、刘明祥译，法律出版社2013年版，第24-25、49-51页。民法中常见的违法性阻却事由包括不可抗力、正当防卫、紧急避险、自助行为、自救行为、受害人故意和受害人同意等。（一）法律智能系统面临的论证困境与解决出路 各种各样的法律智能系统，其载体均为电子计算机。

此类简单案件或者纯粹程序性事务交由智能系统进行处理，可节省大量低层次、重复性劳动，为法官腾出时间和精力专注解决复杂、疑难案件创造条件，在一定程度上消解当下案多人少的矛盾与困境。1988年，加州大学洛杉矶分校计算机科学教授珀尔（Judea Pearl）出版《智能系统的概率推理》一书，将贝叶斯网络（Bayesian networks）方法引入AI领域。由于大数据分析是基于归纳偏好对未来进行预测，因而可以视之为归纳推理。当新的信息补充进来后，原来的证成可能会失去效力。

不难理解，CBR专家系统是另一种形式的从经验中学习的基于知识的系统。但从AI技术的角度看，大数据分析仍然是对人类智能的模拟，因此仍可以按照人类的推理形式并以之为参照来分析大数据的逻辑。

这里的建模，简单地说，就是对现实世界数据特征的抽象。2. 法律逻辑允许推理结论的非唯一性。在特定的场景中，在外部信息的刺激下，人脑通过自联想记忆（auto-associative memories）唤醒过去存储的模型解决当前面临的问题。可以合理预见，法律智能系统的发展方向是人机协同。

然而，正如莱布尼茨所说，世界上不存在两片完全相同的树叶，世界上也绝不可能存在两个完全相同的案件。人工智能面临的挑战是通过机器模拟人类智能，这需要首先将信息转换成知识，再将知识有效组织、关联起来，然后运用自动化推理作出决策。日本法学家川岛武宜指出：在法律学中展开逻辑论证的三段论，关键的问题几乎都集中在如何决定大前提上。但是在法律实践中，我们把前提可为结论提供支持的程度达到某种法定标准的强论证称为有效论证，意指我们整体上认可这一论证。

中国目前推行的指导性案例制度亦为其研发和应用提供了坚实基础，诸如类案检索与推送、辅助裁判、裁判质量的监督检验等，都可以通过CBR专家系统得以实现。（一）传统的专家系统：基于规则的推理 在研究人工智能时，我们总会遇到一个绕不开的问题：什么是智能，它是如何产生的？从信息科学的角度而言，智能的生成离不开信息。

鉴于价值选择和价值判断是现阶段计算机能力的短板，智能系统尚无法像人类一样展开情理法兼容的论证，解决出路是将论证的复杂要求降维成解释，即非正式的说明理由。（二）CBR专家系统：基于案例的推理 早期的专家系统，除了使用产生式规则进行知识表示之外，另一种常用的知识表示方法是框架法。

自1970年以后人工智能从对一般思维规律的探讨转向以知识为中心的研究以来，专家系统的研发在多个领域取得了重大突破，各种不同功能、不同类型的专家系统如雨后春笋般建立起来，产生了巨大的经济效益和社会效益。基于案例的推理的专家系统，底层逻辑是类比推理。在研制法律智能系统时，在模拟人类的法律推理并借助机器实现自动化推理的过程中，AI技术专家对法律推理的独特理解，的确可以为法学研究提供某些方法论上的启示。计算机之父冯·诺伊曼曾指出：任何为人类所使用，特别是为控制复杂过程而建造起来的人造自动化系统，一般都具有纯粹逻辑的部分和计算部分。随着计算机在我们的生活中变得无所不在，人们很快有了计算机无所不能的感觉。当然，这并不违反前文所述法律推理是非必然性推理的属性。

形式逻辑也不能帮助消除法律中的矛盾和填补法律中的空隙。虽然大多数时候我们很难相信这是预测，但从本质上说，它就是预测。

系统利用大数据对案件进行偏离度分析，当某案件裁判的偏离度超过设定阈值时，主审法官需要对裁判结果提供合理的解释。类比推理是常用的一种经验性推理，它的基础即前述相似性原理。

这种推理推出的结论不具有必然性，属于非必然性推理。在法律领域，信息和知识的不确定性很多是由模糊性引起的（法条中的不确定法律概念俯拾皆是），这使得对模糊推理的研究格外重要。

专家系统的核心机制可概括为知识表示与推理。如果距离小，相似度就大。不过，我们有理由相信，一个设计良好的CBR法律专家系统所作的推理可以被认可为法律上的有效推理。通过训练样本数据使计算机产生某种归纳偏好，可以产出它认为正确的模型和预测结果。

在现阶段，法律智能系统能做的还只是论证检索或称新型概念信息检索，即为论证提供相关信息。特别是，在法律实践中，虽然模糊推理广泛存在，但现有的法律逻辑学鲜有论及。

据此，基于规则的专家系统需要解释的内容主要指向产生式规则的运作，包括知识库中的启发性知识和综合数据库中认定的事实，以及从If到Then的推理过程。所有模型都是错的，盖因模型是对世界的简化，而简化难免造成某些重要信息的丢失、遗漏，特别是把非线性问题简化为线性问题时，常常导致事实的扭曲和变形。

在此过程中，裁判系统只能被动地接受和识别信息，而不能与当事人进行互动筛选信息。在构造案例库的过程中，案例的表示方法非常重要。

一图胜千言，可视化技术用直观的图形方式显示尽可能多的信息，并将分析结果以肉眼可见的方式予以展示，使用户更易理解和接受。1956年夏，由西蒙（Herbert A. Simon）和纽厄尔（Allen Newell）带到达特茅斯会议上，通过选择性搜索解决非数值问题的逻辑理论家（Logic Theorist），是首个使用逻辑公理进行推理的计算机程序。逻辑主义学派将逻辑视为人工智能的基础。这是因为，CBR特别适用于没有很强的理论模型、规则性知识不完备但人类经验知识丰富的领域。

习近平总书记指出，深化法治领域改革……要围绕让人民群众在每一项法律制度、每一个执法决定、每一宗司法案件中都感受到公平正义这个目标。这意味着，法律推理属于非必然性推理，法律论证也只是一种强论证。

整体而言，法律人工智能的发展同预期目标还相距较远，只能作为司法和法律服务的辅助系统，在有限的领域处理单项的推理任务或发挥其他较为初级的作用。从技术能力角度说，一旦涉及到价值选择和价值判断，法律智能系统的短板就暴露无遗。

在后一种模糊推理中，推理过程变成了函数计算，因而很适合在现有的计算机上实现。著名统计学家伯克斯（George Box）有一句名言：所有模型都是错的，但有些是有用的。