斯坦福游学日记 | 周丽霞：此中有真意，欲辨已忘言

发布日期：2026-02-23 12:15

学员简介

周丽霞

新国大EMBA第33班学员

北京极光律师事务所

首席合伙人

1月5日到16日，我们新国大EMBA第33班海外学段迎来了期待已久的CES+斯坦福学段——“AI科技前沿与组织领导力”课程的学习，这是继去年10月伯克利游学结束后时隔3个月再次重返硅谷，也是我10年来第3次造访斯坦福。去之前就了解到本次斯坦福学段完全是围绕AI构建的课程体系，说实话是既期待又焦虑，期待的是能在CES现场实景感受到全世界最先进的AI产品和技术之后，再坐在教室里聆听教授们对AI的最新趋势解读和分享，但焦虑的是对于技术小白的我来说，能不能听懂老师们的专业讲授是一个极大的挑战。

过去10年，我有幸去过全世界很多知名学府，但至今最喜欢的仍然是斯坦福，没有之一。如果说，第一眼爱上它，是因为它一眼望不到头的宏伟校园和那极具厚重感的拱形长廊和一片片黄砖红瓦，那真正走进斯坦福的课堂，则完全是被它开放、务实和严谨的学风所吸引。斯坦福的教授们无论从装扮到讲授，都是那么的朴素、坦诚和谦逊，世界AI相关领域最顶级的专家就站在你面前，但他们看上去就是那么“普通”，普通的穿着，普通的话语，淡淡地讲着最前沿的技术，仿佛那就只是“1+1=2”，面对同学们某些天马行空的问题，他们只是那么悠悠地说着“这个我不知道”、“这个目前确实没有好的解决办法”。就是这样的4天，我们沉浸在没有一点点浮夸和水分的知识分享里，倾听着AI各个领域教授们的真知灼见，如沐春风。而回溯4天的学习，让我久久不能平静和陷入深深思考的，更是AI正在和将要带给我们法律行业的影响，我们律师这个职业未来将何去何从。

AI焦虑

AI会取代我们吗？

自从2022年底Open AI横空出世以来，各行各业都被AI带来的各种全新实践和变革激荡振奋着，但同时，也被挥之不去的替代焦虑深深笼罩着。课堂上，Yossi Feinberg教授说，“每一次GPT（通用目的技术，General Purpose Technology）的出现，都不是对旧世界的修补，而是对新秩序的奠基。人类历史上，蒸汽机催生了工厂制度，电力孕育了现代公司，信息与通信技术推动了全球化分工，今天，AI正在引导我们进入下一个新纪元。”如果说，蒸汽机时代的工业革命让体力变得不值钱，那么今天AI直接“革的就是白领和技术人员的命”，因为它让我们过去引以为傲的脑力也变得不值钱了，去年弥漫在硅谷的争先恐后的程序员大裁员，更是加重了这种恐慌和焦虑。

反观我所在的法律行业呢，在过往的历次重大科技和社会生产力的变革中，法律行业因其特殊性，总是相对稳定和滞后，即便在之前被互联网激荡的风起云涌的20年，老实讲，真正对律师的作业模式和行业生态的影响也很小，过去20年很多行业都用互联网线上模式重做了一遍，甚至互联网也催生了很多新的行业，但是唯独律师行业并没有太大的变化，因为几乎所有的律师工作和成果交付还是要靠线下和见面来完成的。那么，这次呢？是的，这次不一样，因为AI，尤其是生成式AI，简直就是冲我们来的。本次课程中，我第一次全面深入地了解了生成式AI，尤其是LLM（大语言模型）的底层逻辑和运行原理，既认识到了它对我们法律行业冲击的可怕，又明白了它永远不可能替代律师的原因所在。

LLM（大语言模型）本质上是概率生成器

在这次课程的学习中，学校专门邀请了在硅谷专注AI的投资人张倩总来进行闭门夜聊分享，她在讨论AI的应用层面场景时明确指出，“法律将是AI渗透最深、ROI最明显的领域，渗透率约为45%-55%，法律行业将是受大语言推理模型（LLM）影响最剧烈的行业，因为法律工作的本质就是逻辑推理、长文本比对和先例检索，而这些都是LLM（大语言模型）最擅长的能力。”

为什么这么说呢，这就要从LLM（大语言模型）的运行原理说起了，LLM（大语言模型）本质上是一个基于概率的序列生成器。它并不“理解”语言的真正含义，而是通过计算和预测在给定上下文后，下一个语言单元最可能是什么，从而生成连贯的文本。这就像一个超级智能的“文字接龙”游戏，比如，我们输入一段话，“中国的首都是”，模型的运作流程如下：

（1）Token化：首先，模型将输入文本拆分成更小的单元，称为Token（可以是一个词、一个字甚至词缀）。例如，“中国的首都是”可能被拆分为【“中国”, “的”, “首都”， “是”】。

（2）计算概率：模型的核心是一个包含数千亿参数的复杂数学函数。它根据海量训练数据中学到的统计规律，为每一个可能接在后面的Token计算一个概率得分。对于“中国的首都是”，“北京”的概率会极高，而 “上海”的概率则较低，“披萨”的概率几乎为零。

（3）生成与循环：模型根据某种策略（如选择概率最高的Token，或按概率随机采样）选出下一个Token，比如“北京”。然后，它将新生成的Token追加到原文后，形成新的上下文：“中国的首都是北京”，并以此为基础，开始预测再下一个Token（如“。”），如此循环往复，直至生成完整的回答。

那么，这种概率又是从何而来呢？这种预测下一个Token的“直觉”并非天生，而是来自于训练。训练过程就是让模型“博览群书”，消化互联网上万亿级的文本数据，像GPT-4这样的顶级模型，是在超过数十万亿个单词（Token）组成的语料库上训练的，这相当于阅读了互联网上公开可用的大部分高质量文本，然后再通过不断调整内部参数，使得模型为训练数据中真实出现的下一个Token所分配的概率尽可能高。比如，训练数据中“中国的首都是北京”出现得远多于“中国的首都是上海”，那么模型就会学会给“北京”更高的概率，但是，模型并不懂“北京”是一座城市，是政治中心，它只知道“北京”这个Token与“首都”、“中国”等Token在统计上紧密关联，这本质上是对人类语言统计规律的极致压缩和学习。

理解了模型的概率本质，就不难理解LLM（大语言模型）的强大之处：因为学习了语言的统计规律，模型能生成完全合乎语法、语境连贯的文本，甚至能在诗歌、代码等需要高度结构化创作的领域，依旧表现出色，因为它本质上仍是学习并复现了这些领域中的“模式”和“套路”。那我们法律行业有“模式”和“套路”吗？是的，作为一个建立在大量法条、案例、文本分析和精密逻辑推演基础上的行业，我们有大量的文本结构“模式”与逻辑作业“套路”，且几乎所有的成果都是以LLM（大语言模型）最喜欢的长文本形式呈现的，那些都是它最中意的训练语料，另一方面，LLM（大语言模型）展现出的自然语言理解、逻辑推理和海量知识处理能力，与法律工作的核心环节更是具有天然的高度契合度，这就解释了为什么“法律行业将是受大语言推理模型（LLM）影响最剧烈的行业”。而正如我们本次课程中杨笛一教授强调的，AI的影响将是结构性的而非渐进性的，对于法律行业而言，我们也正迎来数字化革命进程的“分水岭”，这意味着一场从作业方式、服务模式到行业生态的全方位变革已经开启，科技从来没有像现在这样给法律行业带来如此重大的变革与影响。

过去的两年，我相信我的律师同仁们都已经深刻地感受到这种冲击和焦虑了，一方面，客户拿着问ChatGPT的咨询答案来找律师，又拿着律师给的咨询建议再去问DeepSeek，如果得到不一致的回答，再回来质问律师；另一方面，律师也开始用豆包、元宝进行案例检索和策略咨询，还有更前沿的律师已经开始用付费的法律AI，比如AlphaGPT，来进行合同起草和审查，出具法律意见初稿，梳理证据等等。有的律师排斥AI，质疑AI，有的律师拥抱AI，利用AI，但是不管哪一种，我们都有共同的焦虑，就是不知道AI未来会演进成什么样子，如果它是不眠不休的无限心智，那是不是有一天真的会“聪明”到替代律师，或者替代部分律师，那律师的人数会不会越来越少？未来客户都可以直接去问AI，那对律师服务的需求会不会也越来越少？

LLM（大语言模型）

只保证“合理”，不保证正确

好消息是不会。这也是我在课程上理解了LLM（大语言模型）的本质后，进一步了解到的真相。

当天我在课程上，问了杨教授一个问题，也是一直困扰我很久的问题，既然模型那么“聪明”，呈现出来的成果常常超出我们的预期，那为什么当我问它一个法条的时候，它经常给出的是错误法条，甚至当我告诉它这个是错误的，重新给我答案的时候，它一方面会郑重其事地道歉，但另一方面又会有板有眼地再次给出我另一个错误法条。在律师看来，法条是非常明确和固定的知识，模型要给出正确答案并不难啊。还有更为夸张的，有一次我给它提出一个法律问题，它给出的回答我觉得有疑问，于是就让它给我写出法律依据，它很快发了一个法条出来，但我觉得从来没见过这个法条，于是又让它发出整本法律规定，结果它真的发出了整本法律，是一部我从来没见过的法律，但是看上去那么有鼻子有眼，非常像我们平时看到的法律的样子，于是我也懵了，我让律所的律师助理们同时去检索和交叉验证，最后大家给出的结论是，没有这部法律，是的，没有。后来，我才知道，这个叫AI“幻觉”，就是所谓AI一本正经地胡说八道的本事。

课堂上，杨教授进一步给我们分析了AI为什么会有“幻觉”？如前面所讲，模型追求的是概率上的“合理”，而非事实上的“正确”，显然这是两件事情。模型没有真假概念，如果一段看似合理但事实错误的文本，比如，“中国《公司法》规定，有限责任公司的最低注册资本是10万元人民币。”在概率计算中胜出，那模型就会非常自信地生成它。

可以说，AI“幻觉”的问题在所有领域都存在，那为什么在法律领域尤为突出，或者说，为什么会在法律法条这些具备固定知识，看上去更容易输出的地方屡屡翻车呢？这是由追求“确定性”的法律和擅长“可能性”的AI之间的根本性矛盾所决定的。

第一，在法律领域，无论是律师，还是客户，追求的都是精确无误。一个法条的编号、一个案例的引用、一个术语的界定，都必须分毫不差，因为法律工作的核心价值在于其确定性和权威性。而AI的工作机制——LLM（大语言模型）是概率模型，它的核心任务是生成“在统计上最合理、最连贯”的文本，而不是“事实正确”的文本。AI的训练奖励模型更倾向于生成的是一个“看起来完整且流畅”的答案，而这个过程并不包含对事实的核查步骤，所以，它输出的是可能性最高的词语序列，而非经过验证的真理，因此，将一种追求“可能性”的模型工具，应用于一个要求“确定性”的领域，幻觉问题自然会被放大，而且模型的这种“流畅性”极具欺骗性，在法律领域会带来严重后果。

第二，法律是规范性的，它规定“应该是什么”。比如，“当事人应当采用书面形式订立抵押合同”。而AI的训练数据主要来自于互联网，是描述性的，它记录“世界是什么”。我们的网络上大量存在的是人们对法律的讨论，因此，各种信息鱼龙混杂，良莠不齐，其中更包含着很多错误解读、过时观点或学术争论。所以，当AI从描述性的数据中学习，却要被用来回答规范性的法律问题时，它很可能会将一个常见的错误解读或过时的法律法规，当作现行有效的法律规范输出。

第三，法律需要的是深层次的推理和对事实的精细化的解读，而非简单的表面关联和模式化的处理。法律分析需要理解行为构成要件、因果关系、主观意图等深层逻辑，同一个事实细节的变化，可能导致完全不同的法律适用。比如，“是否构成正当防卫”需要结合具体情境进行极其精细的判断。而AI擅长的是发现统计关联（比如，“故意杀人”与“刑罚”高度关联），但在理解复杂的、未在提示词中完全阐明的上下文时，它就容易忽略关键细节，只进行模式化的错误推理，进而混淆相关性和因果关系，最终得出错误的结论。

除了上面提到的根本矛盾，课堂上杨教授强调，还有一个导致“幻觉”的很重要的原因，就是数据问题，因为目前市面上主流的LLM（大语言模型），能够调取和用作训练的数据都是以往的公开数据，但是法律行业的特殊性和案件信息的保密性，导致很多权威信息，比如，权威案例库，法律法规库，知识文本库等都只存在于付费或封闭的数据库中，而还有更多的文本文件，知识成果则静静地躺在律师各自的电脑里，因此，LLM（大语言模型）在进行训练时，更多接触到的是二次传播、解读甚至是不准确的信息，这也直接影响了其输出结果的权威性和准确性。因此，教授也提到，未来AI在法律垂类场景的应用中，核心的竞争在于专有数据的竞争，谁拥有更全面更充分的行业数据积累，谁能更快地获得更多的垂类专业数据，谁就越可能在垂类AI应用竞争中胜出。

当然，紧接着，我又问了杨教授一个更直白的问题，既然模型每天都在日以继夜地学习，优化和改进，那是不是有一天AI“幻觉”会消失，它的答案可以无比接近正确，教授的回答也是确定的，不会。

因为这是由模型Transformer底层架构的固有缺陷决定的，“幻觉”并不是什么可以轻易修复的程序或者bug，它是这个系统设计本身就带有的先天缺陷。因为模型从头到尾都只是在模仿和预测，它并不是真的理解了什么，它只是为了生成一个听起来最像那么回事的回答，而不是一个真实的回答。而模型模仿的主要来源就是互联网，可我们的互联网本身就是一个混杂着大量错误数据和各种偏见的信息世界，模型只是一面镜子，会把这些缺陷数据照单全收，甚至它还会因为数据里的一些模式把某些偏见进一步放大，因此，“幻觉”以及“偏见”这些LLM（大语言模型）里的幽灵永远不会消失，AI答案永远不可能保证绝对正确，所以，在法律这类需要绝对权威性和准确性的领域，永远需要律师的交叉验证和确认把关，永远需要律师对最终交付给客户和法庭的内容负起全部责任。而AI客观上无法对结果负责，从生成原理上而言，确实也没能力负责。

AI不可能取代律师，

还会促进律师服务需求的增加

总的来说，LLM（大语言模型）的运行原理和固有缺陷决定了，AI不可能取代律师，然而，由于AI在一些基础工作上的替代和效率提升，是不是法律行业不需要那么多律师了，或者随着客户使用AI，即便它存在缺陷，但是在某些风险没那么大，准确性程度要求没那么高的法律领域，相关法律需求会被客户自行消化，因此，对律师服务的需求会减少，进而法律服务的市场体量也会缩水呢？这一点上，课程中Pedram Mokrian教授通过分享ATM机和银行职员的案例，给了我们非常好的启发和洞见。

1969年当第一台ATM机在美国的银行投入使用时，所有的人都认为未来将有大量的银行职员失业，但事实上，50多年过去了，美国银行雇员的人数仍在持续增加，已经差不多是1970年的2倍。为什么会是这样呢，原因有以下两点：

（1）技术变革改变了岗位性质，而不是单纯消除岗位。

ATM机的核心作用是将银行职员从简单、重复性的日常交易任务（如现金存取、转账）中解放出来，这并不意味着银行不再需要职员，而是意味着职员的工作重心发生了根本性转移，从“事务处理者”转变到“价值创造者”。银行职员可以将更多时间和精力投入到更复杂、附加值更高的服务中，比如：客户关系管理（提供个性化的财务咨询、理财产品推荐）；复杂业务处理（处理贷款申请、抵押贷款、投资管理等需要人工判断和交互的业务）；销售与营销（推广银行的各类金融产品和服务）。

（2）技术降低了服务成本，扩大了市场需求。

ATM机的出现，极大地提高了银行服务的效率和便捷性，一方面，它扩展了银行服务网络与时间，凭借ATM机较低的成本，银行将服务延伸到更多的地方（如商场、社区），并提供24小时服务。另一方面，它提升了客户的使用体验，便捷的服务吸引了更多客户使用银行服务，持有银行卡的人数大大增加，而且交易频率直线上升，这反而创造了对更多金融产品和服务的需求，而这些需求都需要专业的银行职员来满足。

可见，ATM机替代的是银行职员的重复性现金交易任务，但恰恰是这种替代，释放了人力资源，使职员转向更需要人类判断、情感互动和复杂决策的高价值服务。那我们法律行业呢，底层逻辑大抵是相通的。未来AI可能替代律师一些基础的类“ATM机”任务，比如，基础的法律文件审阅、信息检索、草拟标准类合同文本、证据发现和梳理等重复性、高耗时的流程性工作。律师的工作时间得以释放，转而在一些高阶价值和额外增值的服务上深耕，为客户创造更大的价值。

比如，（1）诉讼和交易策略的咨询与判断：在AI提供的文件分析的基础上，律师为客户做出最终诉讼策略的选择与决策、交易策略和风险评估，完美实现AI提供数据，律师提供智慧。（2）复杂的谈判与说服：律师在交易并购、股权纠纷、诉讼和解等场景中，跳出文本操作，能更深入地参与谈判，借助AI制定谈判策略和共赢解决方案，谈判现场洞察人性动机和心理博弈，有效实施和落地策略。（3）客户信任与情感支持：在诸如离婚、刑事案件、商业危机等高压情境下，为客户提供精神支持和心理疏导，这两年比较流行的一个词叫“情绪价值”，为客户提供情绪价值，这永远是冷冰冰的机器无法替代的。（4）伦理与价值观权衡：在处理涉及法律模糊地带、社会公序良俗的复杂案件时，永远需要律师作为人类的道德与价值判断，而AI没有意识、也没有价值观，所有的输出都是数学和统计计算的结果，它无法进行真正的价值判断和利益衡量，以及伦理抉择，而这些都是律师工作的精髓。

除了作为供给端的律师的价值重心转向外，正如ATM机通过降低单笔交易成本，让银行服务变得更普及和便捷，从而做大了整个银行业的市场蛋糕一样，AI在法律行业也很可能产生同样的“市场扩张效应”。目前，可以说在任何一个国家，请律师都是一项比较“奢侈”的消费，高昂的律师费让很多个人和中小企业都望而却步，比如，每年，每月甚至每天都有不少来找我咨询股权问题和服务的创业者，其中一些企业非常初创，可能只有2、3个人，但是一上来大家就都碰到了股权分配和架构、激励等问题，然而却因为付不起律师费，只能自己瞎搞，或者网上copy协议瞎签，又或者掉进一些所谓的“低价”但极其劣质的服务中，以至于后患无穷，我每年处理的不少股东纠纷案件中，追本溯源，有很大一部分都是多年前企业初创时瞎签协议或者没有协议惹的祸。

而未来AI可以通过基础任务的自动化和较高水平的快速生成来降低法律服务成本，催生出庞大的、此前未被满足的、或被低价劣质服务占领的“普惠法律”市场。比如，为中小企业提供平价甚至免费的合同起草和审查服务，为个人提供在线的法律咨询和文书生成工具。在这一过程中，律师的角色可能从“服务的直接提供者”转变为“高阶服务的提供者和基础法律服务产品的AI设计者、培训者和监督者”。法律服务市场总规模会因AI而扩大，虽然基础业务的单次服务收费可能会继续下降，但服务总量和律师可触及的客户范围将显著增加，而被教育过的市场和客户也会越来越重视法律和合规在人们生活和工作中的作用，进而催生出更多的法律服务需求。人类以往的历次技术革命都证明了，技术带来的不是线性增长，而很可能是指数级增长，我们相信，法律服务的市场同样也会遵循这一规律。

AI智能体

我们用AI做什么？

如果说“AI不会取代律师”，那律师是不是就可以不用焦虑，高枕无忧了，答案当然是否定的，AI不会取代律师这个职业，但并不代表未来的律师还能像今天的律师这样去工作和交付，可以说，过去中国的30年，我们律师的作业和交付模式并没有发生太大的改变，我们这一代律师遵循的都是上一代前辈律师走过的路，但是未来这一条作业之路，还会继续这样复制下去吗，答案同样是否定的。因为AI会重塑律师工作，AI会改变我们既有的工作方式和作业模式，甚至是行业生态。如果说银行调整了业务模式和员工技能，以适应并利用新技术，实现了新的、更高阶的产品与市场契合。那我们的关键也在于能否像银行一样，重新定义自己的律师服务和专业产品，重构自己的执业能力和成长体系，找到在新的技术环境下创造价值的新方式。

AI实施的“4As”战略（4As of AI Adoption）

课堂上，Rob Reich教授和我们详细分享了目前企业采用和实施AI的“4As”战略，它们是Automate（自动化）、Augment（增强）、 Add（增加）和Avoid（避免），那分别是什么意思呢？

（1）Automate（自动化）

核心目标：提升效率、降低成本和减少人为错误。

战略重点：识别并利用AI替代重复性高、规则明确的人工手动任务和流程。这是AI应用的基础层级，能快速带来ROI投资回报。

典型场景：文档处理、数据录入、客服问答、生产线质检、财务对账等。

（2）Augment（增强）

核心目标：人机协同，提升人的决策质量与创造力。

战略重点：不是取代岗位，而是为员工提供AI工具，增强其能力。AI负责处理数据、提供洞察和方案建议，员工负责最终判断、情感交流和复杂决策与创新。

典型场景：医生借助AI进行影像辅助诊断、分析师利用AI生成数据报告初稿、设计师用AI工具进行灵感探索和素材生成。

（3）Add（增加）

核心目标：创造新价值、开拓新业务或新模式。

战略重点：利用AI的核心能力（如预测、个性化、自然语言处理）开发全新的产品、服务和客户体验，从而获得竞争优势。

典型场景：推出基于AI的个性化推荐引擎、智能可穿戴设备健康预警服务、全新的AI驱动的交互式娱乐或教育产品。

（4）Avoid（避免）

核心目标：管控风险、确保负责任的AI应用。

战略重点：这是战略中的关键约束和保障维度，明确避免将AI用于不适用、不道德或者高风险的领域。

关键考量：避免在训练数据不足或存在偏差的领域草率应用；避免做出不可解释的“黑箱”关键决策；避免侵犯用户隐私；避免将涉及重大伦理或安全判断的流程完全自动化。

对照看来，在我们法律行业，都能找到“4As”的战略落地和实施场景：

（1）自动化：提升效率，将律师从重复、高耗时、低判断性的工作中解放出来。比如：

· 文件审阅与生成：利用AI自动审阅大量合同，识别关键条款、潜在风险和偏离标准之处；自动生成标准的委托合同、起诉状、律师函等法律文书。

· 证据处理：在诉讼或尽职调查中，快速处理和分析各种基础资料和信息，以及海量电子证据（如邮件、聊天记录），进行OCR识别、关键信息提取和初步归类。

· 法律检索：AI法律助手快速检索案例、法规，并提供相关摘要和索引，大幅缩短前期调研时间。

· 流程管理：自动化案件管理、计时收费核算、客户沟通提醒、案件进程提醒等内部行政流程。

（2）增强：人机协同，提升律师的专业深度与决策质量，让AI成为律师的“超级外脑”和“预警雷达”，成倍放大律师的专业能力。比如：

· 案件策略模拟：基于历史案例大数据，让AI模拟不同诉讼策略的胜诉概率、赔偿金额区间等等，辅助律师制定最优策略。

· 合规与风险洞察：在为企业客户服务时，AI实时监控最新的法律法规变化，并自动比对客户业务，提示合规风险点。

· 合同深度分析：不仅识别风险，更能对复杂条款（如竞业限制、赔偿上限、对赌约定）进行市场惯例分析，提示谈判要点。

· 庭审准备辅助：根据历史案例数据检索，分析对方律师的历史辩词风格、法官的裁判倾向，为法庭辩论和陈述提供针对性建议。

（3）增加：创新服务，开辟蓝海市场，利用AI创造传统模式无法提供或效率过低的新服务、新产品。比如：

· 标准化或轻量化在线法律服务产品：开发基于AI和本地专业知识库的智能问答法律咨询小程序，和模块化的在线合同定制和审查平台，服务长尾中小企业和个人客户。

· 法律数据智能产品：向企业客户提供所属行业法律风险报告、司法态势分析（比如某类纠纷的地域、时间、法官、及裁判结果趋势分布）等数据衍生产品。

· 预测性法律服务：基于企业运营数据、组织发展趋势，结合AI大数据的分析，主动提供知识产权布局建议、劳动人事风险防范等前瞻性法律服务。

（4）避免：坚守伦理，明确边界，在拥抱技术的同时，必须坚守法律职业的核心伦理与责任。比如：

· 避免核心判断替代：律师绝不能将是否接案、庭审最终辩论策略、与客户的核心沟通等涉及终极职业判断和人际关系的工作交由AI决策。

· 警惕数据偏见与错误：律师必须认识到训练数据可能存在偏见，AI的输出过程无法避免“幻觉”，因此，对AI提供的检索结果、案例推荐必须保持批判性审核，律师要对最终意见负全责。

· 严守保密义务：律师在使用外部AI工具处理客户敏感信息时，必须进行严格的脱敏处理，或者采用部署于私有环境的可信系统。

· 维护职业独立性：律师要确保AI只是辅助工具，防止其对律师的专业独立性产生不当影响，尤其在利益冲突判断等方面。

写到这里，让我不由地想起，最近在律师圈里吵得沸沸扬扬的“北京通州某律师用AI生成虚假案例，后被法院发现，予以批评和训诫”的新闻，在这个代持股民事纠纷案件中，原告代理律师向法院提交了两个由AI生成的虚假案例，最终被法官发现是不存在的，律师后被法官质询并最终承认，参考案例是他提炼本案的事实情节，然后反复向某AI大模型软件提问，由软件生成的参考案例，且他未经核实就予以提交，最后证明是完全错误和虚假的。是的，AI和所有新技术的出现一样，既给我们带来效率和更高的生产力，但同时也隐藏着巨大的风险和新的挑战，用它来做什么，不做什么，明确这一点非常重要，尤其是在法律如此要求严谨权威和底线责任的领域，可以预见，今天这样的案件不是结束，而只是开始，未来AI生成的“证据”或“案例”将很可能时不时入侵法庭，干扰审判，浪费司法资源，这是我们拥抱新技术的代价，但作为守护专业的律师群体，在追求技术和效率的同时，我们也更要打起十二分的精神严谨核实，确保正确，坚守底线，心存敬畏，这才是正道。

AI落地路线：

人机协作——从“自动化”到“增强”

课堂上，杨教授在讲授AI在公司的具体落地路径的时候，和我们分享了一张非常实用的表格：《人机协作的人类参与度量表（HAS）》（Human Participation Scale）（以下简称“HAS”）。 HAS提供了一个用于评估和规划人工智能在工作中参与程度的框架，能够很好地帮助我们清晰地思考，在特定任务或流程中，人与AI应该如何分工协作，它具体将人机协作分为五个等级（H1-H5），从“自动化”到“增强”，构成一个完整的频谱。

（1）H1与H2：AI主导

这个区域的工作特点是，任务高度自动化，AI代理能独立或近乎独立完成。人类的角色是设定目标、提供极少数关键输入或进行监督。AI的角色是自动化，目标是取代重复性高、规则明确的人工操作。

（2）H3：人机平等协作

这个区域的工作特点是，人与AI在整个任务流程中深度融合，相互补充。AI实时提供信息、建议或执行子任务，人类负责判断、整合和决策。AI的角色是人类的协作伙伴。

（3）H4与H5：人类主导

这个区域的特点是任务必须由人类主导完成，AI扮演辅助角色。人类负责核心的判断、创造和决策，AI的角色是增强，目标是赋能人类，AI提供信息支持、拓展思路，提高人类工作的深度和质量。

对照律师行业，不难发现，律师过去所有的工作和作业模式，都可以按照HAS表从H1到H5来进行工作方式和组织形态的重构，AI应该不止于帮助我们提升工作效率和增强律师服务，更能够从根本上变革律师的工作流程和协同方式，以最大化和最高效地实现价值创造和回报。那应该怎么操作呢？

（1）任务拆解

我们律所或团队应该先将每一个专业项目的工作流程拆解成若干具体的任务，比如，处理一个股权激励项目，可以拆解为前期尽调、辅导访谈、方案模型出具、文件起草、宣讲签署、定期跟踪等不同的具体任务。

（2）逐项评估

我们律师需要对每个任务进行HAS评级，根据任务的创造性、不确定性、风险性、对人际沟通和伦理判断的要求等因素，以及我们原本服务的标准化程度和客户需求来判断，这个任务最适合HAS的哪个等级？

（3）制定策略

对于H1/H2任务：比如，前期尽调和标准化文件起草，以及项目定期跟踪等任务，可以引入或开发可靠的自动化工具，将律师从繁琐的项目工作中解放出来。

对于H3任务：比如，激励方案设计和出具，以及文件的进一步审查修订等任务，可以设计流畅的人机交互流程，培训律师团队如何高效地与AI协同工作。

对于H4/H5任务：比如，辅导创始人和访谈员工，以及基本激励策略和方案决策，可以聚焦于为律师配备最好的AI增强工具（如行研助手、脑图工具），确保他们能帮助客户做出更明智的决策。

（4）持续迭代

随着AI技术的进步和业务变化，律所或团队可以定期重新评估任务的HAS等级，动态调整，理想的状态下，任务的HAS等级应当向左（更自动化）持续移动。当然，这肯定是一个不断优化的过程。

最近，在硅谷被讨论很多的一个词叫“AI Native”公司（AI原生公司），AI正在重新定义公司边界和组织形态，相信未来也会出现很多律所或团队组织的新范式，出现真正的AI原生律所，以“人机协同”为起点重新构建我们律师的工作流程和岗位职责，比如：

传统模式

AI人机模式

律师助理合同初稿→高级律师审查修订确认

AI生成合同初稿→高级律师审核与定制化调整

团队集体做尽调→分工包干

AI完成基础筛查→律师聚焦异常项深度核查

客户问→律师答

客户问→AI快速响应常见问题+律师处理复杂议题

同时，也一定会催生出很多新的相关岗位，比如，法律工程师：负责训练垂类模型、调试专业提示词、维护法律知识库等；比如，AI合规官：确保AI的使用符合律师执业行为规范和数据安全等合规要求；再比如，法律产品架构师：根据客户需求，通过匹配自动化和标准化的法律工作流程，搭建和设计模块化的法律服务产品。

2025年最火的一个词无疑是“AI智能体（AI Agent）”， 2025也被称之为是AI智能体发展“元年”。 AI智能体是什么意思呢？泛指一种能感知环境、做出决策以及采取行动以实现特定目标的智能化软件系统，如果说LLM（大语言模型）一开始还只是帮你构思，回答问题，那现在进入智能体时代，它可以动起来直接帮你执行，完成任务了，想想是不是既兴奋又可怕，去年下半年，Claude Skills的横空出世，更是让智能体进一步具像化了。当我学习尝试在电脑上用Skill敲下第一行指令的时候，那激动的心情不亚于上个世纪末刚上大学的我在机房的286电脑上敲下第一串dos指令。AI技术极客们既敬畏于它的强大功能，又迫不及待地演变出更多新玩法和新需求，技术在今天比以往更匪夷所思的速度飞快更新和迭代着。那我们能用智能体做什么呢？如前面所讲，一是替代，替代过去那些繁琐的、可以标准化、流程化输出的工作；二是增强，增强我们的专业服务能力，提升我们的服务水平。那作为普遍是技术小白的律师，我们应该从哪儿开始入手操作呢？

第一步，请先放下质疑和排斥，尽快初步学习与掌握AI大模型的基本逻辑，网上各种视频号的分享和课程很多，建立认知框架，消除对AI的“陌生感”和“恐惧感”。增加每天使用通用AI的频率，比如，用DeepSeek、元宝进行一些初步的文件起草和信息检索工作，用豆包做一做ppt和生成图片等等，找一找使用AI工作的手感，总结一下它能做哪些，不能做哪些，哪些方面表现得好，哪些方面表现得一般，什么样的提问可能会得到更好的回答等等，不要完全听从别人的建议，最重要的是，你自己亲自下场试一试。

第二步，评估与选择法律垂类大模型工具，由于法律数据库的封闭性和保密性，通用大模型在应对法律专业问题上通常“幻觉”和偏见现象都很严重，所以，作为专业人士，一定要选择和使用拥有专有数据库的法律AI垂类大模型来进行法律基础工作的替代和协助，以保证准确性和高效性，我使用的第一推荐当然是iCourt的AlphaGPT了，初步的文书起草，合同审查、法律意见出具和证据梳理等工作，都表现优异，给律师把关和审查校验省下了很多时间，在法律法规的检索和案例的确定上也基本克服了“幻觉”。我还推荐给了很多我的客户法务使用，简单的和日常的企业法律咨询，完全可以通过法律AI+公司法务把关的方式直接完成，不需要再找外部律师，让客户的每一分律师费都花在刀刃上。

第三步，实现本地化部署与升级，在满足数据安全的前提下，律所或律师可以根据自身的情况，进行小型的本地化部署，技术的进步让过去动辄天价的本地化部署也变得相对便宜和容易，由于律师工作和文件的高度保密性，所以很多真正非常有价值和极具含金量的法律文件其实都静静地躺在律师各自的电脑里，本地化部署可以将律所或律师积累的历史案卷、文书、法规案例库、日常学习积累等作为“饲料”提供给本地部署的AI模型，并在使用中对其进行“微调”，让它更好地学习本所或本律师的专业知识和文书风格，从而能提供更精准、更专业、更个性化的输出成果。比如，AI通过学习我们在股权和劳动法领域20年的本地化的知识和文本库，可以迭代成一个强大的股权AI智能体，更大程度提升团队内部的作业效率，也为客户提供更好的服务体验。

AI时代人生观

Worry & Be Happy

在本次斯坦福的课堂上，除了收获了各位顶尖教授干货满满的专业分享，最让我印象深刻和耳目一新的课堂来自王戈教授，他是斯坦福大学音乐和声学计算机研究中心的教授，他的课也是这4天里最轻松和最有趣的一堂课，他讲艺术，讲AI，讲人文，讲他横跨中美的成长故事，讲爷爷送他的手风琴和爸爸送他的电吉他，讲他活了103岁的奶奶，他的课堂里没有高深的道理和复杂的知识，只有一个又一个的故事，一帧又一帧的画面，和一首又一首的乐曲，而透过这些内容，他把那一个又一个极致却没有答案的问题抛给了我们：

我们究竟想要从人工智能中得到什么？

王戈教授开场就提到，我们要思考从人工智能中真正想得到什么，而不是只关注人工智能能做什么，这两者有着重要的区别。技术飞速发展，人们疯狂地追求让AI去干一切人类要干的事情，但是，这么做的意义到底是什么呢？只是为了炫技，而忘了本来要解决什么问题？只是互相裹挟，而忘了当初为什么要出发？课上他援引了美国作家林肯·米歇尔的话，“大家都说在AI的帮助下，一年能完成100本书！但我始终有一个疑问：AI能创造出100倍的读者吗？”是的，让AI写1000首诗，让AI生成10万张画，技术可以无限复制，但我们真的需要这么多诗和这么多画吗，人们纷纷掉入“能力陷阱”，遍地都是毫无意义的创造，而资本又在推波助澜，制造焦虑，“AI能3天完成电影特效，不学就会失业！”可是，人类到底要的是好故事，还是更快的特效呢？技术的终极目标到底是什么呢？是无限地放大产出，还是丰富人类的精神世界？当信息洪流淹没了所有渠道，真正的深度阅读、思想交流和审美体验反而没有了。当市场都在诱导人们追逐技术幻觉，忽视真实需求的时候，当技术致力于解决并不真的存在的问题的时候，它就正在制造更大的问题——内容的过载甚至是数字垃圾，以及意义的苍白匮乏。有人说，用AI写诗可以解决写诗效率低的问题，用AI画画可以解决自己画得不好看的问题，可是，我们有没有想过，当我们想要写诗和画画的时候，真的是追逐那个所谓更快更好的结果吗，难道不是那个看起来毫无用处，但是有意思、有意义，又自我治愈和愉悦的过程吗？

如果有一天， AI真的能做一切了，那人类存在的意义是什么呢？课堂上，王戈教授援引了波兰艺术家乔安娜·马切耶夫斯卡的话，“我希望人工智能能替我洗衣做饭，从而让我得以从事艺术和写作；而非让人工智能替我进行艺术和写作，好让我自己去洗衣做饭。”这是我们人类面对人工智能时，应该扪心自问的一个根本性的价值选择：我们究竟希望AI成为什么样的工具？是让AI替代人类画画、写诗、作曲，替代我们作为人独有的优势，代替我们追逐人生的意义，还是承担人类不愿做的负担，让人类有更多的时间和精力去拓展生活的边界，去寻找和探索那些更有意义的事情，让我们有机会做回自己，有机会活出更好的自己，我相信，每一个人都会毫不犹豫地选择后者。

先去解决问题还是先去玩？

课堂上，王戈教授还提出了一个非常有意思的问题，他说，“如果你是工程师，面对新问题，是先着急着手去解决问题，还是应该先去玩？”这个问题一出，同学们都丈二和尚摸不着头脑。他给大家分享了一个词叫“deep play”，他说，要先去玩，但不是瞎玩，随便玩，而是要好好玩，深度玩，去做有意思的“傻事”，深入了解事物的能力边界和限制，这是学习科技的好方法。

他讲了很早之前他做的一个App叫“陶笛” (Ocarina) ，曾盘踞苹果App Store畅销榜前列，用户下载量巨大。他分享了这个App的设计理念，“没有人提出任何相关需求，也没有解决任何实际问题” ，从功能实用的角度来看，这个产品毫无用处，但是，App通过最简单的交互（吹气+触屏）连接了全球陌生人，创造了情感共鸣。王戈教授说，这才是技术真正应该做的，就是回归和服务于人的真正需求，陶笛App看到了人们的孤独，那是人类未被满足的需求，所以它创造了联结，让人回归平静的生活。

我们今天的工程师总是在不停辛苦地优化“如何做”，却唯独忘了问“为什么做”。而“玩”恰恰是回归技术的本源，就像小孩拆玩具不是为了修好它，而是理解“它为什么能动”。作为工程师，不要急于解决问题，这是传统的工程思维和“工具理性”，技术从来不是解决问题的工具，而应该是人类理解世界的方式。当工程师停止“解决问题”的时候，他才真正开始“理解技术”，所以，先学会去“玩”，去做看上去的“傻事”，简单纯粹的事，去深入地走进真实的场域，忘掉解决问题和完成工作，你才有机会洞察那些真实的需求和正确的问题，你才有机会理解作为拓展人性媒介的技术应当如何使用，你也才有机会找到那些人们真正需要的和想要的东西。

课堂最后，王戈教授还和同学们一起唱了一首老歌《花房姑娘》，他说在这首歌里既能看到现场同学们的情感共鸣，但每个人又有各自的感悟和体验，也许关于爱情，也许关于回忆，也许关于年华，这就是艺术，同样也是技术应当关心的事情。他说这个时代，每个人都很焦虑，今天又有一种新的焦虑，叫AI FOMO（AI错失焦虑），大家既担心错过AI，落后于时代，又担心AI发展过快，自己被取代，于是深陷焦虑不可自拔，可是，却忘了埋藏在我们心底，让我们之所以成为人的那些最美好的审美、品味、深度思考、情感体验，那些让我们的真实世界更有意思，也更有意义的事情。

斯坦福之行结束了，4天的AI头脑风暴，在老师们的带领下，我们去摸了摸未来世界的边，心潮澎湃，久久不能平静，在刚刚结束的年度法律AI共振大会上，我也是把从硅谷带回来的第一手的感受分享给了我的律师同行们，大家既焦虑又兴奋。未来会是这样吗，又会是哪样呢？

课堂上，Pedram Mokrian教授和我们分享了一张图，那是1899年，有人让法国的学者们描绘和想象2000年的世界是什么样子，结果有人画的2000年人们怎么送信呢，是可以像哈利波特一样骑着“扫帚”送信了，所以，老师说，人类预测未来总是不太灵光的，因为它常常伪装成过去的模样，人们只能基于现在和过去的场景和经验来预测未来，就像100多年前的人类无论如何也想象不出未来会有有线电话和无线网络。

所以，明天会如何呢，其实谁也不知道，而对于未知和不确定性的恐惧，恰恰是我们焦虑和内耗的根源，王戈教授最后送给大家一句话：“之前有一句歌词叫‘Don't worry，be happy’ ，我改成了 ‘Worry，be happy’，送给大家。”这个时代，每个人都会焦虑，那该焦虑就焦虑，因为不焦虑是不可能的，但焦虑也是前进的动力，看见它而无须对抗它，直面它而无须消灭它，但是，白天提得起，晚上就要放得下，该吃吃，该睡睡，该happy就happy，开心健康生活，积极面对一切，关注真实而纯粹的个人体验，这才是真正美好和值得期待的人生，与我的同学们共勉。

NUS EMBA