ChatLaw 袁粒：法律大模型如何助力个人维权与行业思考

**袁粒：**高校天然地存在一个问题，没有产业界那么多资源，比如投资、供应链等。

但在优势方面，一是前面所说的行业积累和信任优势，二是我们有一批充满活力的优秀学生，能够更加专注地研究前沿技术。

这一波 AI 浪潮中，无论是通用大模型还是视觉模型，研发团队都非常年轻，我们所拥有的人才资源正是产业界急需的。在移动互联网时代，技术依赖其实没有那么强，反而产品经理的话语权更大。而现在，核心技术人才变得至关重要。

赶超 OpenAI，硬件能否跟上？

Q：在未来的大模型竞争中，您认为什么样的企业和产品更容易脱颖而出？

**袁粒：**这几波大模型热度都是由国外巨头引领的，尤其是 OpenAI，大家都想学它，但是能否学到，则要看各方面因素的影响。比如硬件上，我们就受到了算力的制约，这也是许多国内大厂在努力突破的方向。OpenAI 验证了 Scaling Law（尺度定律）是成立的，而 Scaling Law 本质就是对算力的要求。

这个问题之所以很难回答，是因为大家都在探索阶段。未来的技术迭代是否可以超越 Scaling Law，研发出规模又大、能耗又低、效率又高的基础模型，现在还看不到这个迹象。所以，至少目前来看，算力和人才是至关重要的因素。

Q：您认为中国的大模型产品和技术相比国外有多大差距？我们是否有机会赶超 OpenAI？

**袁粒：**我不敢说'赶超'，但是视觉领域的大模型差距其实并不大。Sora 出来以后，大家觉得它的训练很好、效果很惊人，其实国内在这方面的积累也是很丰富的。

能否实现赶超，不是单方面的因素决定的。需要多长时间赶超？有没有巨量的资本投入？生态体系尤其是硬件能否跟上？这些都是未知的。当年，英伟达就是靠游戏存活下来，后来才发展壮大。我们是否可以支撑硬件公司成长呢？

Q：在当前的大模型应用还面临着伦理方面的挑战，作为 ChatLaw 开发团队，您如何看待这个问题？

**袁粒：**这个问题学术界有所关注，很多学术会议上也会讨论，但是产业界的重视度并不高。我个人也认为它不是特别重要。

大模型开发本身就会设置很多约束，从产业应用来说，只要约束足够强，就会解决这方面的问题。当然，约束过强也会导致能力的损失。产业界铆足了劲往前冲，更关注的是如何把效果做好，毕竟如果基础能力都没有，更不用谈伦理道德问题了。

总之，无论它是否是一个伪命题，都不应该成为阻碍行业发展的因素。

具身智能：巨大的想象空间

Q：您预测大模型的下一个热点在哪个方向？

**袁粒：**必须说明，我预测的可能也是错的，因为时间点和技术难度都不可控。

我认为具身智能（Embodied AI）很重要。谷歌很看重这个领域，但不知道 OpenAI 是不是也在开展。具身智能如果可以真正地落地，就意味着大模型和机器人的结合，这个想象空间远远超过语言和视觉大模型，甚至会革新整个工业界。

现在的机器人程序代码都是写死的，只能执行固定任务，作为工业生产的一个环节做重复性劳动。如果具身智能有了重大突破，机器人就可以变成多面手，从事不同的产线工作，或者通过自主学习把整个产线打通。

自动驾驶也属于一种具身智能，它的具身机器人就是汽车。我们以此可以想象，具身智能的大模型将会带来多么大的市场前景。

Q：你对 ChatLaw 有怎样的发展规划？是否还会探索政法领域之外的应用？

**袁粒：**首先把 B 端的政法服务做好，先养活团队，以此为基础拓展到 C 端。

我本身是做学术的，没有边界限制，而且 ChatLaw 也是我支持学生在做，所以我没有把自己限制在某个很小的领域。

我博士期间研究视觉方向，现在跟深圳一家企业开展深度合作，围绕视觉生成进行产业化研究。另外，在深度学习大模型的领域内，底层模型训练等工作我们都可以做，它们的底层技术是共通的，只是存在数据类型的差异。

Q：您对整个大模型行业的发展及其应用有哪些建议？

**袁粒：**只有一个最大的建议，就是积极拥抱变化。这个领域的发展和技术迭代非常快，对于学术界的老师而言，谁能最快地拥抱变化，谁就能最先收获成果。这一点也是我对自己的要求。

关键技术概念解析

为了更深入理解上述访谈中提到的技术术语，以下对相关法律大模型及 AI 领域的关键技术概念进行补充解析。

1. 混合专家模型 (MoE)

MoE (Mixture of Experts) 是一种神经网络架构，旨在提高模型容量而不显著增加推理成本。它通过引入多个'专家'子网络，并在每个输入样本上动态选择部分专家进行激活。在法律大模型中，MoE 可以帮助模型处理复杂的法律逻辑推理，同时保持响应速度。

2. 智能体 (Agent)

在大模型应用中，Agent 指的是具备感知、规划、行动能力的智能系统。ChatLaw 通过内部 Agent 调度不同模型，例如关键词提取模型用于理解用户意图，Fine-tuning 模型用于生成专业法律回答。这种模块化设计使得系统更加灵活，能够应对多样化的法律查询场景。

3. 检索增强生成 (RAG)

虽然访谈中未详细展开，但 RAG (Retrieval-Augmented Generation) 是垂类大模型的核心技术之一。它通过从外部知识库检索相关信息，再结合大模型的生成能力，有效减少幻觉，确保法律建议的准确性和时效性。这对于法律领域尤为重要，因为法律条文和判例更新频繁。

4. 尺度定律 (Scaling Law)

Scaling Law 描述了模型性能随计算量、参数量和数据量增加而提升的规律。OpenAI 验证了这一规律在大模型中的适用性。然而，随着模型规模扩大，算力消耗呈指数级增长，这成为了制约行业发展的瓶颈。如何在有限的算力下优化模型效率，是未来竞争的关键。

5. 具身智能 (Embodied AI)

具身智能强调智能体通过与物理环境交互来学习。与大语言模型不同，具身智能不仅处理文本，还涉及感知和行动。在法律领域，虽然目前主要应用于文档处理，但未来若结合具身智能，可能实现自动化的法律咨询机器人，甚至辅助法庭调查等复杂任务。

6. 私有化部署

政法领域对数据安全要求极高，数据往往不能上传至公有云。因此，大模型通常需要私有化部署在本地服务器或专有云上。这不仅涉及模型本身的轻量化，还包括推理引擎的优化，以确保在有限硬件资源下的稳定运行。

7. 提示工程 (Prompt Engineering)

在与大模型交互时，如何编写高质量的 Prompt 直接影响输出结果。法律场景下，Prompt 需要包含具体的案情描述、适用的法律条款以及期望的输出格式。掌握提示工程技巧，能显著提升大模型在法律辅助工作中的实用性。

8. 微调 (Fine-tuning)

针对特定领域（如法律）对预训练大模型进行微调，使其适应专业术语和逻辑。ChatLaw 采用了针对法律垂类知识的 Fine-tuning，这是其区别于通用模型的关键步骤，确保了输出的专业性和合规性。