不仅如此，基层司法在个案审理当中，还会受制于各种隐性、间接因素甚至制度性因素的制约和影响。
这时候用一句话形容可能出现的情形就是：道高一尺，魔高一丈。（2）临时性：运动式执法一般是在特定时间内就特定问题采取集中整治、专项治理、严厉打击、清理整顿等非常规方式的短期行为模式。
从这一点可以说所有有组织的犯罪都和某种非法交易相伴生，并不是一个偶然的现象，而恰恰是其果。五、结语 理论的价值之一在于对存在的现象进行某种尝试性的解释，如果这种解释能够与一般性观察相吻合、甚至可通过实证研究获得某种程度上的证实，那么这种解释就是可以被暂且接受的，更重要的是这种解释也许能够深化对该现象或者问题的认知，从而对如何采取相应的措施提供智识上的启示或者警示。在这些规制方式当中，禁止某种交易行为在合法市场上发生是政府规制方式中最严厉的一种手段。根据公共选择理论和管制经济学的文献（Stigler 1971;Posner 1974）得出的一般性结论：政府管制行为经常是寻租行为产生的根源之一。第二个层面上的不可持续行可能更为切中要害，但同时又不如第一个层面表现的那么直观和易于观察。
也就是说，这种执法力度前后的明显差异很难做到对特定行为持续性的有力震慑。一般来说，一种产品/服务的替代性越低，人们对该产品/服务的价格变动越不敏感，就可以说该产品/服务的相对需求弹性比较小。或许当务之急是实现法律数据的结构化，让法律人在文书写作中尽可能使用统一的术语，方便机器识别、学习，然而，这又谈何容易呢？ （二）隐秘且低效的算法 毫无疑义，在拥有燃料的同时，人工智能还需要强劲的引擎——算法作为重要支撑。
[46]在汽车业，特斯拉吸引了大量的人工智能人才。同理，法律领域中的人工智能无论基于何种算法，其基础都是有大量数据尤其是大量优质数据的投喂。其中，或者对算法的描述语焉不详，或者过高评价，算法究竟是什么以及效果怎样，我们难以得知。二、法律人工智能的现实困境 面对人工智能的迅猛发展，很多人都认为它在法律领域有着广阔的应用前景，并将成为一种可以起到决定性作用的重要手段。
[34] 参见罗书臻：挖掘‘富矿‘反哺审判——运用裁判文书大数据促进司法公正的地方经验，载《人民法院报》2017年9月1日，第1版。法律经验经由开放的辩论与经年的累积而达至，并以当事人与社会可接受的方式表述。
这与我们熟悉的围棋领域的Alphago Zero式的无监督学习截然不同。之所以如此，一个很重要同时也很现实的原因就是我们的研究者自身对数据统计与分析的技术并不了解，更谈不上熟练运用。也就是说，所谓的裁判文书全数据库其实也仅只是一种当下的数据。如果在实践中贸然使用准确性欠佳的算法，我们最终很有可能只是发现一个未拟合即不正确的决策模型。
如所周知，当下作为人工智能开发基础的法律数据基本来源于中国裁判文书网上的裁判文书，但上网的裁判文书数量可能只有审结案件50%，[38]也就是说，还有大约一半的裁判文书并未上网。其AI通过对裁判文本的仔细分析，计算每个在裁判中出现的与争点相关的语词，并权衡其在争点中的权重，进而透视每个大法官对争点关注的强弱程度，再结合大法官的投票行为，挖掘文字表述的实际意义。大数据时代，数据量无法用传统意义上的百、千、万来指称，而是要用GB、TB等表述容量大小的标准来形容，转换成传统数字，或许是亿、千亿、万亿。当面对法律这种非客观存在物时，人工智能领域的主流方法无监督学习效果不甚理想，必须通过人工方式对法律数据进行筛选、清洗与分类。
根据笔者的观察与访谈，在中国法律人工智能界特别是预测裁判方面，知识图谱+深度学习是话语层面的主流算法，几乎每家法律科技公司宣称使用了最先进的神经网络深度学习算法。必须指出，法律决策本质上属于一种人类专家决策，这与依数据而决策迥然不同，规律各异。
必须看到，我们缺少人工收集、选择法律数据的大样本甚至是全样本。感谢洪凌啸同学、郭松副教授、朱奎彬副教授对本文提出的宝贵意见。
结合裁判文书的文本内容仔细、深入地挖掘、分析、标注信息，并构建模型、发现趋势的大数据分析乃至真正意义上的法律人工智能并不多见。如此种种非结构化的数据表述为机器的学习造成了极大的障碍。这不论与谷歌（Google）旗下DeepMind公司研制阿尔法狗围棋人工智能的投入去比，还是与BAT等企业研发一般的人工智能产品相比，都相差甚远。在这样的情况下，我们很难对法律人工智能的前景保持乐观的态度。[5] See Valerie Chan, Lex Machina Expands its Award-Winning Legal Analytics Platform to Commercial Litigation，载https://lexmachina.com/media/press/lex-machina-expands-its-award-winning-legal-analytics-platform-to-commercial-litigation/，最后访问时间：2018年3月3日。以e租宝与钱宝案为例，案件中涉及的数据量早已超越了人工能够处理的极限，必须依赖机器分析方能办案。
[26] 概括而言，理论界有关法律人工智能的研究虽然热闹，但仍处于开拓阶段，尚缺乏对法律人工智能运用现状与未来的深刻把握与思考，至于所提出的关于法律人工智能如何运用的建议，也只是方向性的。可以说，数据化的法律规范、案例与相关知识正处于爆炸式的增长态势。
[33] 参见刘子阳：先进技术深度融合审判执行工作推进审判体系和审判能力现代化智慧法院给法院插上信息化翅膀，载《法制日报》2016年11月18日，第3版。这和国外情况也较为类似。
这其中当然有可理解的客观原因：一方面，出于对公司核心技术成果——算法的保密需要。一方面，庭审笔录不是一种公开的法律证明文书，[39]其亦未实现充分的数据化。
[32] 参见应雨轩、卢燕、颜敏丹：为法官‘减负裁判文书一键生成，载《台州日报》2017年3月21日，第4版。遗憾的是，法律人并不精通大数据，在面对海量数据时，时常要倚仗BAT等企业的数据专家才能找到自己需要的证据。一时间法律大数据、法律人工智能成为炙手可热的话题，各种冠以类似名称的法律产品也充斥着市场，甚至部分产品已经进入了法律服务领域和司法裁判活动之中。从本质上来说，法律在某种程度上是一种意识形态。
马化腾称人工智能近两年成为全球投资者关注的热点，吸引许多资金投入，腾讯也十分看重该领域的发展，预计人工智能将成为未来业内的核心竞争力。就此而言，深度学习算法的黑箱性可能天然地与法律决策的透明性要求相冲突。
机器学习不是分析假设，而是分析、训练数据，通过使用算法，确定连接输入数据与输出结果的最佳假设。面对如此海量的数据，别说法律人，即使是数据专家，亦有无从下喙之感。
[3] See Mohammad Raihanul Islam, K.S.M.Tozammel Hossain, Siddharth Krishnan, What AI can tell us about the U.S.Supreme Court？载https://theconversation.com/what-ai-can-tell-us-about-the-u-s-supreme-court-55352，最后访问时间：2018年3月3日。[2]弗吉利亚理工大学发现分析中心的学者通过数据驱动结构的机器学习分析了美国最高法院以往做出的裁判，并以此预测未来的判决。
[19]2017年6月，美国联邦最高法院拒绝受理卢米斯的申诉要求，实际上维持了威斯康星州法院支持原判决有效的裁决。从数据层面看，当下的法律数据不充分、不真实、不客观且结构化不足。这一局限在大数据时代将被无限放大。法律人工智能仍属一种统计型、经验型、材料准备型、文字模板型的弱人工智能，低效且适用范围窄。
预测指的是人工智能系统对海量裁判文书进行情节特征的自动提取和判决结果的智能学习，建立具体案件裁判模型，根据法官点选的关键词或提供的事实、情节，自动统计、实时展示同类案件裁判情况，预测正在审理案件的实体裁判，同时推送更为精准的相似案例，供法官参考。在政策层面，国务院发布于2017年7月《新一代人工智能发展规划》，确立了我国新一代人工智能发展三步走战略目标，力争到2030年人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。
在刑事法律领域，人工智能主要运用于一般的警务活动、羁押必要性审查以及量刑后假释等活动中。[12]在保释与假释决定中，美国一些州法庭使用算法来确定被告的风险程度：从这个人会再次犯罪的可能性，到被告会如期出庭的可能性等各个因素，进而决定是否对其保释或假释。
未来，我们应认识到法律人工智能在我国运用的长期性与艰巨性，在明确法律人工智能应定位于辅助角色的同时，在技术层面上改进算法并培养法学与计算机科学知识相融合的人才。相应的，法律人工智能也就面临着法律数据非结构化的障碍。