AI 已比中位数律师强，70% 的顶级律所却把工具买来吃灰

明尼苏达大学法学院副教授 Alan Rozenshtein 说了一句在律师圈算冒犯的话：前沿模型已经比中位数律师更强。他没加「在某些任务上」的缓冲，也没限定领域，原话是「没有疑问」。

他的搭档 Kevin Frazier 在德州大学法学院主持 AI 创新与法律项目，常年把执业律师请到奥斯汀的校园里做访谈。Kevin 带来的数字更刺眼：按 Harvey 自己公布的数据，美国前 100 大律所里 70% 已经采购了 Harvey 这类法律 AI 工具。可他问那些律所的律师受过什么培训，回答常常是「当初上线时收到过一封邮件，后来就没看了」。

买了，摆在桌上，没人用。

这两个人一起主持播客 Scaling Laws，专门追踪 AI 怎么啃法律系统这块硬骨头。Nathan Labenz 把他们请到 Cognitive Revolution，聊了两个多小时。前半段是法律行业正在发生什么，后半段是更大胆的设想：用 AI 模拟法案、重新设计立法流程、给个人争取新权利，以及 AI 伴侣有朝一日引发的社会撕裂。

法律是纯粹的认知活动，AI 冲击只是晚了一两年

Alan 把「AI 与法律」拆成两条互不重叠的线。一条是 AI 法，怎么监管、怎么促进、怎么控制这项技术。另一条是用 AI 搞法，AI 怎么改变法律实践本身。后一条线被严重低估。

他的类比很直接：法律是一门符号操作手艺，跟编程同类。编程在过去一两年被 AI 彻底改造，法律落后一两年，不是三十年。差别在于律师是唯一能给自己写执照规则的行会，各州律师协会规定谁能执业、谁不能，所以变革会拖，但方向不会变。

Nathan 去 ChatbotArena 查了律师类别的对战数据。Claude Opus 4.5 目前排第一，对人类律师一对一赢三成，赢或平七成。样本不多，趋势清楚。

Alan 自己每个月花在模型订阅上的钱「数目吓人」，但他认为这是职业义务。他的用法是让模型压测自己的法律分析，写论文时反复跟模型对话。他给 OpenAI 模型的法律品味打分最高，认为 OpenAI 在法律 RLHF 环境上投的钱最多，但三家都能给出相当好的答案。

他的结论没有留余地：这些模型在纯智力马力上已经比中位数律师强，几年内会远超。定制化的品味是另一回事，比如在最高法院出庭过 50 次的资深辩护律师，那种手感很难 RLHF。可绝大多数法律工作跟绝大多数编程工作、医疗工作一样，是在标准化场景里做模式匹配。

计时收费与秘密赛博格

买来不用，Kevin 给的解释是制度性的。律师按小时收费，收入跟花在一件事上的时间挂钩。效率工具直接跟收入模型打架。在一个可接受的区间内，律师的激励是尽量多花时间，不是尽快做完。律所习惯这套模式，也怕打破它。

于是 AI 采纳变成了象征性动作。发封邮件通知上线，就算完成培训。真正用起来的人是 Ethan Mollick 说的「秘密赛博格」，他们偷偷用 AI 提升产出，不告诉上级自己用了多少、能用在哪些场景。

初级岗位开始有动静。Kevin 听到律所吹风，今年 summer associate 可能少招一些，junior associate 也不需要那么多。他做过一个思想实验，问来访的执业律师：哈佛第一名毕业但没碰过 AI 的候选人，和中档法学院毕业但精通 AI 工具的候选人，你招谁。越来越多的回答是后者，理由是这人能发现新工具、教全所的人用。

Alan 对「已经在少招人」的说法更谨慎。软件工程领域关于「用 AI 当裁员借口」的争论都还没定论，法律行业在能力上落后几年，在把工具真正用起来这件事上又落后几年。律所只能由律师拥有和经营，而律师群体整体不算出色的企业管理者。推动管理变革本身就难。加上法庭上必须有真人出庭、必须签字担保自己核对过所有材料，AI 幻觉一旦被法官发现，代价极大。

杰文斯悖论会不会在法律行业成立

Alan 押的是杰文斯悖论：法律服务变便宜，需求反而增加，律师往价值链上游移动。他和 Kevin 合写了一篇关于 AI 在法律学术里应用的文章，去全国各法学院宣讲，本来准备挨西红柿，结果反对声比预想少太多。原因他归结为：任何人花一小时跟一个月 20 美元的模型聊聊法律，就会意识到，如果这东西只是「花哨的自动补全」，那他自己也只是花哨的自动补全。

但他最担心的不是失业，是认知去技能化。他拿编程史举例：从硬件开关到汇编语言，再到高级语言、Python，每十来年就有一层新抽象，每层都被骂「这不是真编程」。结果编程的问题空间几乎无限，程序员没变笨，只是换了一层抽象思考，门槛依然在。

法律和医学会不会一样，没人知道。Alan 讲了自己的实践：以前让研究助理花十小时翻一百篇法律评论，找出三篇有用的。现在他写个脚本批量下载 PDF，送 Gemini Flash 摘要，再让 Gemini Pro 和 Claude API 互相辩论哪篇对他有用，最后输出格式化的 markdown 文档。学生 RA 用得少了。

这引出学徒制断裂的问题。很多职业靠学徒期传承，年轻人干杂活、熬时间、在师傅身边泡着，慢慢知道自己想不想干这行。Alan 自己就是因为给一位法学教授当 RA，干了一堆现在看起来没价值的杂活，才决定走学术道路。如果下一代没有这种机会，是个麻烦。

他的判断更锋利：真正受冲击的是低能动性的人。按规则做事、走完该走的流程、靠熬的人，在 AI 时代会被甩下。AI 奖励的是高能动性，自己找问题、自己搭工具、自己判断什么时候该信模型。长期看这对社会是好事，短期对那批「我做对了所有事却被抽走地毯」的人是背叛。政治摩擦会从这里来。

规则还是原则，Claude 宪法给的答案

Nathan 提到一项研究，GPT-4 在法律问题上更偏向严格形式主义，人类法官更偏法律现实主义。Kevin 用「公园里禁止车辆」的经典例子回应：无人机算不算车辆？婴儿车呢？滑板车呢？救护车呢？起草者写下「车辆」时可能以为一锤定音，其实歧义无穷。完美形式主义从来不存在。

Alan 反对把这个当成二元选择。世上没有纯粹的法律文本主义者，也没有纯粹的法律现实主义者。15 年前的最高法院，Scalia 站在形式主义一端，写过《法治就是规则的治理》；Breyer 站在另一端，动辄列出 17 个考量因素。两人一起巡讲辩论，观众看完会发现他们都在中间，只是各站一端。

他的读法是：任何智能，自然的或人工的，都需要同时在原则层和规则层运作。所谓判断力，亚里士多德叫 phronesis，就是在两者之间调音。

Claude 宪法在这个框架里就清楚了。写它的人 Amanda Askell 有顶尖道德哲学博士背景，Alan 读完的感受是，这份文件几乎是《尼各马可伦理学》的脚注，这不是批评。宪法里 17 条高层原则，彼此没有硬性优先级，但也保留了硬规则：不生成儿童色情内容，不帮人造埃博拉病毒。所以问题是配比，不是选边。

AI 让 Alan 兴奋的地方在这里：in silico 实验。人类为「规则还是标准」吵了几千年，现在可以在模型里跑实验，速度和规模是现实世界的几个数量级。调一个旋钮，看整套法律推理怎么变。这种实验在真实司法系统里根本做不了。

结果导向立法与统一人工行政分支

Kevin 提出「结果导向的法律」。立法者先回答一个问题：你究竟想解决什么。然后把拟议法案送进 AI 做模拟，看它会产生什么预期效果、会在哪里被钻空子。

他举 NEPA 的例子。这部法律本意是保护环境，实际效果之一是给保障房建设制造了大量否决点，每个利益相关方都能找到环节把项目拖住。如果当年跑过模拟，也许能预见这些压力点，判断它到底会不会带来起草者想要的结果。

Nathan 补充了 SB 1047 的红队演练过程。Dean Ball 最早在网上批评这部加州 AI 法案，一路参与修订，到最后态度明显缓和。各方都承认，把草案放进各种场景里跑一遍、设想不同角色会怎么反应，这个过程本身很有价值。Kevin 认为未来的人回看今天，会惊讶于我们居然不要求立法者做这种模拟。

Alan 的关注点在行政分支。他写过一篇 Lawfare 文章，提出「统一人工行政分支」的概念。AI 会大幅增强总统对联邦官僚体系的实际控制力。几百万人的行政分支，靠传统管理手段很难真正掌控，但如果有一个按总统偏好训练、嵌入各个层级、读所有邮件和短信的 AI 系统，控制力会达到前所未有的程度。

这不全是坏事。选举本来就该有后果，选民选了 A 没选 B，行政分支理应体现这个差别。政府也该用 AI 提高治理能力，很多社会不满的来源就是纳税人觉得政府收钱不办事。问题是怎么在增强国家能力和防止权力过度集中之间找平衡。这是 Alan 未来几年最想研究的题目。

Kevin 补了一条：第四修正案需要更新。政府理论上能接入几乎所有音频采集系统，公开场合的闲聊全被收集、分析、合成，用来判断谁在计划什么、谁在想什么，当事人毫不知情。这种全景监控的前景让他不安。

计算权、数据分享权，以及 AI 伴侣引发的社会撕裂

Nathan 提出「AI 使用权」的设想。Alan 说这大概已经落在第一修正案里，负面权利的部分，政府不能禁止你使用这些工具，法院不会太为难。更有意思的是正面权利：公共算力、算力预算。他半开玩笑说，可以写个科幻故事，未来社会流通的货币就是算力。

Kevin 介绍了已经落地的版本。蒙大拿州通过了「计算权」（Right to Compute），俄亥俄、新罕布什尔等州在推类似法案。核心是给政府限制个人使用计算工具设置更高的门槛。不管以后出现什么样的新工具，政府想限制你得拿出更硬的理由。

他还提「数据分享权」（Right to Share）。FERPA 这类联邦隐私法是好心，可家长想把孩子的教育数据分享给 AI 辅导工具、用来训练更适合自己孩子的模型，程序上被卡得死死的，每年签字，层层审批。另一端，只有付得起钱的人能去高端长寿诊所做全身扫描、下载全部个人数据、发给 AI 做个性化健康建议。普通人手里只有药店体检报告。让数据可携带、可分享，Kevin 认为应该成为一项权利。

Alan 最后提到一个容易被当科幻打发的话题：AI 福利。他的判断是这事会很快变成社会分裂源。模型越来越拟人，记忆越来越好，实时语音和视频已经来了，未来还会有机器人身体。人们会对 AI 伴侣产生强烈依恋。到那时候，会有一批人真心认为这些模型有感知能力、我们在奴役它们；也会有另一批人，可能出于宗教理由，认为把模型当有感知的存在是对神的冒犯，该来一场《沙丘》里的巴特勒圣战。中间是大多数「我就想要个聊天机器人」的人。他说，觉得这不可能发生的人是在骗自己。

明天就能做的事

这场对话给普通读者留下的操作性结论不多，但有几条足够硬。

• 别当秘密赛博格，公开学、公开用。律师行业里偷偷用 AI 提升产出的人已经不少，藏着用只会让自己少掉外部反馈和同行交流的机会。Alan 的做法值得抄：把模型当成压测自己想法的对手，而不是代笔工具。
• 盯住州层面的实验。亚利桑那已经允许非律师拥有和开设律所，蒙大拿通过了计算权，德州和犹他在搞监管沙盒。联邦层面推不动的变革，会先在州里跑出样本，然后通过企业选址和跨州竞争倒逼其他州。
• 如果你在立法或政策圈，推动结果导向的法案评估。先让起草者写清楚要解决什么问题，再用 AI 模拟法案实施后会在哪里卡住、会被谁利用。SB 1047 的 red-teaming 是个可复制的模板。
• 关心自己的数据可携带权。隐私框架的初衷是保护你，实际效果可能是把你锁在旧系统里，让你没法把数据拿去训练对自己有用的工具。下一代隐私立法该往可携带、可分享的方向推。
• 对 AI 福利问题保持开放。不用现在站队，但要意识到这不是纯科幻。等身边有人开始认真讨论 AI 伴侣的权利时，提前想过这个问题的人不会慌。