《让法律人读懂人工智能》是一本由华宇元典法律人工智能研究院著作，法律出版社出版的精装图书，本书定价：79.00元，页数：2019-1-1，特精心从网络上整理的一些读者的读后感，希望对大家能有帮助。
《让法律人读懂人工智能》读后感(一)：让法律人读懂人工智能
据说是国内第一部关于法律人工智能思辨性大讨论的书籍，又有各种大咖加持，“买书”重度患者迫不及待的入手了哈哈哈。刚读完第一章，个人感觉还是很好读的，比较有科普性，人工智能到底是啥？从法律人的视角解读人工智能的通识知识，帮助我们建立对人工智能的认知（话说现在这个时代，不造人工智能是啥还真的不好意思出门了都。。。）~
客观的来说下优缺点：
有点：内容角度相对比较全面，比如对于人工智能算法黑箱这个问题，有好几篇文章从不一样的视角和维度讨论，能听到不止一种声音。
缺点：这几篇还是比较分散，没有体系性地连接在一起。 另外书的装帧还不错，价格略微小贵，最高赶在做活动满减再买~~~~~~~~~~~~~~~~~~~~~~
《让法律人读懂人工智能》读后感(三)：一本法律相关人员的访谈集合
作为数据挖掘人员来说，帮助有限。本书基本就是元典、法院法院、政府官员、律师等方面多人次的访谈集合。算是从多个方向理解了一下大数据人工智能下的法律发展，还有数据安全等问题。内容有点重复，不过对于纯法律人，可能也算是个参考认识～ 350页，耶鲁大学法律博士赵丹关于法律思考的level3还是有点意思的 最后想说，弱人工智能还是长期状态，不用因为阿尔法狗的出现而惊慌，毕竟像围棋这么理想的模型在现实上不多见。 还有有多少人工，才有多少智能。机器学习只是工具，人的思考才是核心。不要偷懒，把该去想的事情扔给机器，那么你只会距离人工智能越来越远。
《让法律人读懂人工智能》读后感(四)：科技小白看过书之后的又一次书评
科技小白在看完书之后，又来补一次书评。
有些技术词语还需要在百度上查一下才能理解，如果文后能够做一个类似于词汇表似的总结会更好；
文章相对来说还是比较容易理解的，对于一个技术小白来难度适中；
书籍里面有延伸阅读我觉得这点做得非常不错，可以在看完技术现状后，再看到当前地方法院实行信息化的成果，理论与实际相结合。如果不是在此书中看到的话我可能都不会去针对性查找地方实行情况，对于我来说就可以直接借鉴文章中的数据和案例，真的是非常方便。
本书还有凯文凯利的亲笔题词真的也是很大的惊喜点了，毕竟凯文凯利大神因为三部曲已经在科技圈封神。
整体这本书还是比较不错，想了解法律人工智能基础知识还是推荐购买。
《让法律人读懂人工智能》读后感(五)：打开法律人工智能世界的大门
一直对法律人工智能很感兴趣，前两年听说这个领域时觉得很玄幻，因为无法想象法律是如何与人工智能做结合的，但是由于种种原因，没有时间深入了解。前一阵看到这本书的介绍，觉得是个了解的机会。目前还未读完，但是大概翻阅了整本书的内容，最大的优点在我看来是通俗易懂，让我这种兴趣读者能够读的懂，读的下去。而且有很多不同领域的作者，这点让我很吃惊，没想到法律人工智能已经引起了这么多的业内人士关注并且实践了。或许对于很多已经对此领域有深度了解的人来说，这些内容可能比较基础，但对我个人来说还是很受用的。
推荐大家阅读，或许会为你打开一扇新世界的大门吧。
《让法律人读懂人工智能》读后感(六)：现下法律AI的开发和对法律人的影响——全书内容总结兼书评
【书评部分】
想了解人工智能在法律上的应用这一想法，起源于自己想从事非诉律师的愿望（过去式），在研一上学期法理学课题进行了该方面的学习后，就更想进一步的研究此问题。 当然，读一本从作者角度看起来不过是企业产品宣传册的书籍，肯定不能算是深入的研究。
作为一本典型的顺应时局出版的文集，本书的表现其实也没那么不堪，虽然废文和偏题不少，但总体上还是能在实践层面给人扫盲。此处撰文，前半部分是对书中关键的结论合书籍中存在的问题做一个简单的陈述，后半部分是篇幅较大的内容整理，个人理解和书中内容混合着记忆，若有错误尽请谅解。
首先说优点，本书作为普及性读物，从内容上看，这个任务是达成了。其中既有文章层层递进的论述了一般法律人最关心的“什么样的工作会被取代的问题”（推荐文章《纽约律师眼中的人工智能：到底砸谁的饭碗？》）；也有大量实践层面单点应用开发的详解，包括律师辅助决策系统（《民商事案件智能辅助办案系统的研发路径》《律师端决策辅助的应用》）、裁判文书规律总结（《人工智能在公开的裁判文书中能够挖掘什么？》）、法律问答系统（《用问答系统代替人工做法律咨询，距离我们还有多远？》），以及司法行政机构、检察院智能司法、嵌入式法律等。
如果不想看后面的具体内容框架，这边总结一下书中的几个关键结论：
（1）法律人工智能的开发：基于新的人工神经网络和深度学习理论而旧有的非专家系统，只能单点突破，不可能发展出通用人工智能
（2）实际应用成果：规律总结、法律问答、量刑辅助、文书生成等可以实现
（3）AI的黑箱：黑箱和人脑一样，因为非线性的工作方式难以被观测，但这也是其有无限可能的原因。未来不排除以AI解读AI黑箱的方法。
（4）工作替代问题：经验性的工作（文章中称为“模式识别”），如法律策略的制定，客户和第三方间的信息传递等，几乎不可能取代。这其中还包括交流的工作。重复机械的数据搜索、文书制作等实习生工作易消失。（消失的时间，要考虑机械使用成本的降低，否则机器也无法普及）
接下来就是本书的问题。第一，本书不可避免的出现了作者水平参差不齐的毛病，法官、法官助理、产品经理、律师、学者什么都有，放在一起肯定像一锅乱炖。第二，人工智能对象界定不清，虽然全书是说弱AI的，但老是跑到大数据上。第三，内容的体系安排毫无逻辑，目录中的三层意义不大，不同的文章间有大量的知识重复。
如果让我自己再去界定一下未来AI和法律人可能的关系，我觉得前几天的看到的以色列新出现的法务AI的例子比较有参考价值：LawGeeX公司推出了一款AI产品，其审查合同的准确率和速度均强于该领域的专业自然人。但是AI似乎只能给出合同的问题点，却并不能给出解决方案。这时还是要自然人介入。
换言之， 在可以预见的未来，服务行业真正有价值的部分，还是要由自然人去完成的。
【全书内容总结】
（分成基础层、开发层、应用层去展开，第一层是AI的基础知识，第二层是法律相关AI常识和开发策略，第三层是已经存在的和可能的应用）
一、基础层
（一）AI研究基本类别
1.从关注角度分类：
2.从研究领域分类：
语音识别、计算机视觉、自然语言处理（NLP）、信息检索、无人车
3.从人脑和AI智能关系分类：
1950 阿兰图灵 《计算机器与智能》提出图灵测试 30%被实验者无法辨认对面是AI或人，则AI具有智能（30%是图灵预测的2000年AI的思考能力）背后是机器主义理论，机器只有理解才可以学习
1956 达特茅斯会谈 约翰·麦卡锡正式提出“人工智能”一词
1956 纽厄尔/西蒙-逻辑理论家程序 证明了罗素的38个数学定理
1950-1970 符号/专家系统智能时代，强调人工智能去模仿该领域专家的思维方式 但是产生了知识库存有限、知识落后、自学能力差，本质是复制智能而非具备智能 （相比以前的简单算法，专家系统着眼于复杂实际问题的处理）
1980 希尔勒 中文房间理论 （反驳机器主义） 不理解也可以学习
1980年代 计算人工智能，以人工神经网络、进化计算等，尝试模拟人脑这一混沌系统 提供数据不是为了背数据，而是拿数据训练思维
1996 第一个问答系统ELIZA
（三）AI主学科的核心问题
1机器学习理论：相比传统学习，机器学习的关键是找“最优解”，而非固定解答。系统会根据不断的模型训练和反馈自我优化，同时辅之以用户以操作来纠正，包括：
（1）监督式学习：以真实数据作为机器学习的训练集，就像数学题，给了条件和结果，让机器求规律（主）
（2）无监督式学习：没有真实数据作为训练集，光给条件，让它自己模拟找结果和规律（辅）
现状：训练集不一定有效，影响因素也无法穷尽（即要多个训练集）
2.对人类的模仿：人类的智能在本质上是不可预测的吗？ 答：人脑是一个混沌系统，人的行为的确难以预测，人工神经网络（1980s）是在尝试对其模仿
3.AI训练中大数据的获取方法： （1）API合作协议（Application programming interface）：主体间直接的合作，提供方直接决定开放范围。 （2）网络爬虫：信息需求方依照robots.txt（网站根目录下的文本文件，告诉爬虫允许抓取的内容）自动抓取，不联系供给方。
4.黑箱问题： AI的黑箱并非用线性逻辑（早期的Symbolic AI是线性可观察），否则上限太低； 黑箱解读可以在人工智能之间实现，即AI解读AI； 对黑箱的监督也可以在数据输入阶段解决。
二、开发层
（一）历史发展
1970 B&Headrick 《关于人工智能和法律推理若干问题的考察》
1970s Walter 和Bernhard JUDITH律师推理系统 属于归纳推理
1977 Jeffery Meldman 计算机辅助法律分析系统 同时考虑了演绎/归纳推理
1981 D·沃特曼 M·皮特森 法律判决辅助系统（LDS） 计算责任赔偿具体价值（第一次模仿专家系统）
1986 朱华荣、肖开权 《量刑综合平衡与电脑辅助量刑专家系统研究》
1993 中山大学 LOA律师办公自动化系统
1990s 知识工程阶段（不是简单定理+计算机的组合）
2016 IBM的ROSS机器人被baker&hostetler启用，在破产法、知识产权法领域协助律师
（二）基础结构
1.基本目标：给AI属于法律领域的常识，即构建“知识图谱” 找到知识点并构建知识点之间的逻辑联系
2.构建阶段： 属性相似（如罪名等简单关键词）——文本相似（具体法条、案例细节的匹配）——要素相似（构成要件，“持械”和各种工具的对应）
3.趋势：从“专家系统”到“人工神经网络”，以往是定好知识和算法得到结论，现在是输入数据得到算法
（三）AI与法学——AI对法学的意义
（1）方法论的思维（提供跨学科思维）
（3）辅助司法审判（检索上提供帮助）
（4）促进司法公正（类似嵌入式司法，不公正的判决在系统中走不通）
（5）辅助立法活动（伦敦大学 Imperial学院的逻辑程序进行了宪法审核）
（6）保持知识水平稳定（不因失去专家而失去专家的思维和知识）
（四）技术突破的难与易
1.困难
（1）AI无法完全获取 准确法律信息： 一方面裁判文书的自然语言转机器语言工作量十分庞大，另一方面各个单位的数据存在一定获取的障碍；且数据整理工作其实是法官等司法工作人员的工作累赘，数据输入可能是敷衍的
（2）AI无法理解自然语言对法律表达的差异（AI推理的前提就不统一）
【法律和围棋对比： （1）围棋是完美信息博弈，不完美信息博弈难突破（反例：2017德州扑克机器人“冷扑大师”） （2）法律不像围棋一样，给AI明确的目标】
2.优势
（1）对象相对明确（判决） （2）前提相对明确（法条） （3）法律推理的逻辑性强 （4）法律知识的资料量充足
（五）研发策略
1司法行政信息化领域：站在法、检数据之基础上（以司法鉴定为例，统计鉴定人、专家辅助人出庭情况，总结鉴定所评价情况）
2检察院信息系统：重点在于“类案”分析和识别，要AI自我总结规律（类似群案分析）
3律师辅助办案系统-民商事：
过去的困难：非结构化数据开发难度大+系统逻辑建构不明确+系统场景设计高度同质化
研究对象确定：简易型案件为主，复杂型为辅
【何为简易案件？即该领域知识相对自我完备；该领域需要法律专业知识；该领域的难点在于深度而非广度；该领域专家争论少；该领域不需要大量的常识性知识】
建构方法：
第一步，一方面要构建数据结构树，按照诉讼请求、法律关系、法律规范、案件事实和法律结论的固定要点整理裁判思维； 另一方面要选择论证思路和方法，可以选择德国方法（简单案件用归入法，复杂案件用相关性分析）或者我国方法（构建先原则后例外的思维模式）
第二步：一方面要使提取的要件标准化（法律层面），即上述固定要点表述同意（P171表1）；另一方面在文书中提取的类案关键词要科学化（事实层面）
第三步：上述两步的整合
4律师端决策辅助系统---刑事
实际应用：以交通肇事罪为例，量刑辅助系统通过考虑不同要素来决定可能的刑期 先个案，之后群案，最后排除干扰项（例外，如交通肇事罪刚实施时判的重）
5智慧法院建设（从吉林和四川的报告抽取）
目标：为当事人提供立案风险分析服务 （仅记录需要计算的AI特别能力，其他法律援助服务略去）
6智能问答系统
策略：基于FAQ思维开发（下述第二种）
【问答系统的开发策略： 基于模拟——找到答案库中与问题完全对应的答案； 基于问答对（FAQ）——找到最为相似的问题，即相似度计算法 基于自由文本——通过搜索技术在网上搜 基于结构化数据——让计算机理解文本的语义】
路径：问题分类（民事/刑事？）——关键词摘取——问题检索（相似度计算法找问题）——答案筛选
三、应用层
（一）司法应用
1.法律检索 技术核心：用搜索“关键词的要素”取代搜索“关键词”
（如以前搜索“申请非法证据排除”是一个关键词，现在拆成申请/非法/证据三个要素分析）
前景：不能完全取代小样本分析，个案的价值判断和例外的发现依赖于后者
2.协助判案
（1）中国-华宇元典-北京高院-睿法官 （2）中国-华宇元典-检查院-晓督 （3）中国-华宇元典-网站首页“法官怎么判”-量刑辅助系统 （4）美国-COMPAS量刑和保释法官辅助
3.纠纷解决
（1）ODR（online dispute resolution）：在群案处理的基础上总结规律，对新的案件自动回复和处理，不用走正式司法途径
（2）电子法院取证：类型信息的应用，直接采集当事人信息，避免取证拖延
4.行政人员安排 （主要依托大数据，进行员额制下，法官/书记员/助理的配比测算等一系列问题）
（二）数据信息
【基本释义：算法是AI的思维和骨架，数据则是AI的知识。数据即是AI进行深度学习的训练集，此时就产生了对用户信息侵犯的问题。数据授权可以通过API模式实现，即“用户同意（给平台1）+平台同意（给平台2）+用户同意（给平台2）”——from新浪微博诉脉脉抓取用户信息纠纷】
1.法官/律师的评价系统（引入社交媒体数据作为评价依据）
2.裁判文书数据挖掘 解释：取代传统的验证性分析，自动搜索隐藏于其中的有特殊关系性的信息和知识。 意义在于：预测某类纠纷增长+揭示行业风险+精准案例信息实时推送+修法提供数据支持（英国修法有过尝试）
（三）商务实用
1.嵌入式法律：即侵权发生前进行预防 （eg汽车开动时自动测试酒驾，如酒驾就不给启动）
2.智能合约：合同执行不经过人手，避免纠纷产生
3.法律问答系统：
ROSS、DonotPay（处理停车罚单上诉案件和航班延误赔款）、Neota Logic之决策树算法（域外）； 法狗狗、法小淘（国内）。