AlphaGo 的成功離不開幾個先決條件：標註零成本、存在一個上帝視角告訴機器明確的輸贏結果、完全資訊下的博弈等，所有這些條件在法律（乃至絕大多數垂直領域）均不存在，其中，沒有大規模現成可用的標籤資料是法律 AI 領域的最大現實。玩家們不僅需要選擇正確的機器學習演算法、積極融入先進的深度學習模型，還要把法律知識圖譜放進系統中，針對性地準確處理特定問題。所有這些都大大加大了法律 AI 的落地難度，也暗示了智慧背後大量的人力工程。然而，很大程度上影響使用者體驗的並非定罪量刑預測、類案推送這類高精尖應用，而是諸如資料互通、卷宗電子化等基礎設施。儘管難題不少，但我們也要看到各種炒作和極端言論正逐漸讓位於務實討論，學界認為未來十年會是 NLP 的黃金十年，也描畫了一副更加智慧的法律 AI 圖景。我們仍然值得對這個領域抱以樂觀。
當 20 歲的溫州樂清女孩趙培辰坐上鍾元的滴滴順風車後，就再也沒有回來。距離最後一條求救微信十多個小時後，鍾元被警方逮捕，殘酷真相也隨之揭開:
接到趙培辰後，鍾元選擇了一條極為生僻的路線，行至無人處後將其手腳捆綁起來，膠布封嘴，索要錢財。
9000 多元到手後，鍾元再次將車開到訊號不好的偏僻處，強姦了趙培辰，並用匕首刺其頸部，致其死亡。隨後拋屍，離開。
這就是震驚國人的「滴滴順風車司機殺人案」。
兩個應用場景：經典、前衛
目前，案件正在審理中。筆者嘗試粗顆粒地描述一下法官「加工」案件的過程:
在犯罪構成要件的指引下，拆分案件事實，將不同事實部分「封裝」到相應構成要素中。
比如，捆綁、用膠布封嘴的行為，是否構成「當場使用暴力」（搶劫的行為要素之一）？用匕首刺其頸部，致受害人死亡，是否屬於非法剝奪他人生命（殺人）？
構成要件「封裝」完畢後，法官還要考慮其他要素，比如，犯罪特殊形態（是否存在中止？）和罪數（數罪併罰？），等等。
最後，根據所涉條文（比如《中華人民共和國刑法》第二十四條、第二百六十三條、第二百三十二條等）完成定罪與量刑。
不過，這僅僅完成了一半的工作。
裁判不是追求獨創性的文學創作，恰恰相反，法官需要將個案嵌入類案體系，力求同案同判。
和主要服務 B、C 端的美國法律科技市場不同，當前中國法律智慧市場中，面向 G、B 端的法律智慧公司佔到近 50%，無論上述哪一個工作環節——定罪量刑預測還是類案分析，都是這些公司力圖覆蓋的經典場景。