事件
美國法律教育研究團隊進行了一項盲測實驗：16 位合約法教授各出題 40 道典型考題、自己寫答案、然後評估 2,918 組匿名對比——一邊是大型語言模型（LLM）的解答、一邊是法律同行的解答。結果出人意料：教授們對 AI 的判斷給分不低於人類律師，某些維度甚至更信任 AI。
這個發現挑戰了教育界的一個根深蒂固的假設：專業判斷領域應該由人類專家教、AI 只能輔助。但法律的本質恰恰是「沒有單一正確答案」——同一份合約、十個律師可能出十種解釋，各有各的立場與利益。
為什麼 AI 在判斷力領域反而更可信
### 人的判斷藏著利益衝突
一位資深律師教合約法時、可能無意識地傾向於「對自己執業風格有利的解釋」。她可能擅長侵權訴訟、所以在講解風險條款時、會無形中放大侵權方的防守邏輯。她的經驗豐富、但經驗本身就是一種篩選——那些與她打過多年的案件類型、她會視為「常見」；那些她沒遇過的、會視為「奇例」。
AI 沒有這種路徑依賴。它能同時權衡「甲方視角」「乙方視角」「法官視角」「監管視角」，不會因為「我在 2015 年打贏過一個類似案件」而偏好某套邏輯。
### 判斷力的可解釋性邊界
法律推理是典型的「high-stakes ambiguity」領域。一個合約條款的解讀，取決於： - 法律先例如何解釋類似情況 - 交易雙方的實際意圖（往往隱含、需要推理） - 後續情境變化的風險承擔 - 司法管轄區的具體規則 - 業界慣例
一位經驗豐富的律師給出的判斷「聽起來對」，但如果妳問他「為什麼這個邏輯而不是那個邏輯」，他的回答往往是「我打了 20 年官司、經驗告訴我」。這不是證據、這是直覺。
AI 的回答可能同樣長、同樣複雜，但它的推理是可回溯的：每一步都有法律先例、條文引用、邏輯展開。妳可以沿著它的思路走，質疑每一步。而人類專家的「直覺」往往是個黑盒——所以教授們發現自己其實更信任機械化的推理。
DNA Chain：判斷力機械化悖論
### Step 1: 事件觀察
16 位資深法律教授盲測 AI vs 律師同行、結果對 AI 信任度不低於人類。
### Step 2: 表面矛盾
直覺上：法律是高度專業化領域、應該是人類專家最難被替代的堡壘。現實卻顯示：AI 在這類模糊判斷領域、反而被信任度更高。
### Step 3: 本質觀察
法律的「專業價值」不在於「知道唯一正確答案」（因為不存在），而在於「能系統化權衡多種合理解釋」。AI 沒有利益衝突、沒有路徑依賴、可以同時呈現對稱的論點。而人類律師，無論多有經驗，其判斷都被自己的執業經歷、風險偏好、財務激勵所染色。
### Step 4: 原則抽象
判斷力機械化悖論：在高歧義、多維度權衡的領域，機械化推理（AI）反而因為 *缺乏* 利益衝突、而獲得高於人類專家的可信度。專業經驗不再是資產、反而是偏見的來源。
### Step 5: 跨域應用
- **醫療**：醫生的診斷某些時候受「常見病優先」直覺影響；AI 能對稱權衡罕見病可能性
- **投資**：基金經理被自身往績、風格、VC network 所局限；AI 能跨越這些路徑依賴
- **新聞編輯**：編輯的選題被自己的政治立場、社交圈所局限；AI 能對稱呈現多個視角
- **學術審稿**：審稿人可能無意識對「支持自己理論」的論文友善；AI 能盲目評估邏輯一致性
### Step 6: 反方視角
但 AI 的「客觀性」本身是假象——它的訓練資料、權重、提示詞都反映了人類的選擇。DeepSeek 的「客觀」與 OpenAI 的「客觀」可能截然不同。看似無偏見的機械化推理，其實是將人類偏見從前台搬到了後台（算法、訓練集、優化目標）。
---