首先分享一個醫療健康領域的故事：
有一種叫做“P53”的蛋白質，對治療半數以上的癌症都有幫助。在過去的20多年，科研機構、製藥機構乃至學者們一直在都在研究P53，並發現了19種相關蛋白質。學者們想要尋找這些蛋白質之間的組合方式，於是來到 IBM Watson尋找幫助。他們提供了三位專家訓練Watson來理解相關的術語，以及他們在P53研究當中得到的所有科研文檔，但是刻意隱瞞了這19種隱藏的蛋白質。
那麼，Watson有沒有辦法發現另外19種蛋白質呢？
答案是：Watson不僅發現了這19種特殊的蛋白質，還發現了幾種過去不為人類專家所知的特殊蛋白質，而這僅僅只用了幾周的時間。事實上，除了專家提供的材料之外，Watson還額外分析了2300萬份醫學論文，在某種程度上Watson就像是一個人類專家在讀這些論文一樣。
這樣一個故事後來還影響了Watson Legal的市場策略。
是替代還是提升
Watson並不是靠著關鍵詞，或者人類已經整理好的數據來獲得這些專業知識，而是靠著去閱讀、理解人類的正常醫學論文獲得了這些知識，其用的辦法和一個人類專家來讀這些文檔的方法是一樣的。
人工智能技術（AI）和他們所處在的環境、場景都是非常相關的。在IBM，我們把在人工智能方面的工作稱之為認知計算，而且我們認為AI是“增強智能”而不是“人工智能”。增強計算是IBM的一系列技術，應用在不同客戶的不同場景和需求上，尤其是一些會重複發生的場景下。
我們再來聊一聊怎樣把AI應用在法律領域的可重複場景中。
很多法律相關的媒體談到AI，都會談到機器人，談到機器人怎樣來取代法律工作者。這其實是一直在傳達一個負能量，渲染科技和人之間“有我沒你”的衝突。今天，我們來破解這樣的一個負面信息，來談一談切實可行的AI法律應用，以及如何利用它們幫助法律行業的工作。
AI和88%
幾千年來，人類已經習慣於依賴科技幫助人們提升各方面的能力。尤其是過去60多年，人們越來越習慣用計算機在日常生活當中幫助大家。
但其實，有88%的數據不能用於傳統型的運算。為什麼呢？
這88%的數據我們稱之為“非結構化數據”，包括法律條文、合同、辯詞、證言等等。機器很難判斷人們說的“自然語言”是否合乎道理。因為我們人類說的，是基於我們的文化環境，基於我們的組織，在一個什麼樣的時刻，我們面對的溝通對象又到底是誰等等。舉個栗子，我說：“我今天有一點憂鬱（bule）”（英文當中的憂鬱和藍色是同樣的詞彙），機器不會有能力理解這裡我說的到底是藍色還有憂鬱。我們必須要教會機器學會我們的表達方式，好讓這些不太善於進行友好溝通的機器能夠理解我們。
在過去的幾年時間裡，人類社會創造的數據，比過於以往所有數據的總和都要多。那麼在所有的信息當中，哪些信息是有用的呢，又有多少是可以幫助到我們的呢？而有些時候，數據只有整合起來之後，其價值才有所體現。就像一個個像素本身不會是一個有用的數據，但是把一個個像素拼起來，我們就能看到是一個人的臉。
不管是在法律領域還是在任何其他的領域，人工智能的價值不僅能夠幫助我們解決歷史問題，同時還可以通過整合知識幫助我們發現一些隱藏在深處的信息，這樣的信息和解決方案在過去是從未被想象過的。作為人類，我們可能只會在一兩個領域成為專家，但是機器它可以在多個領域成為專家。
那麼，如何用AI讓你的客戶更滿意？
在IBM Watson，推出法律相關產品之前，都會和超過100個法律律所、企業法務部門和政府機構進行調研。我們和他們坐在一起共同進行實驗性的項目搭建，來確定我們推出的法律相關產品。我們的常見做法是選出來10個潛在的可用商業模型，然後在從中選出來一個大家普遍最認可的商業模型。
我們把所有的法律相關的產品，技術，商業模式等放在一起研究。法律領域最重要的一點就是：知識管理。
知識管理並不是聽起來那麼簡單，知識管理需要你在真正做任何事情之前，就調整好你做事情的目標，是對過去、現在所有的信息的整合，也就是認知知識管理，可以讓你從參與項目的專家這裡獲取他們的領域專業知識，並利用你的平臺將這些專業知識擴展到儘可能廣的範圍，AI是你在這個工作當中的工具。
比如說，你的律師事務所為強生集團工作了十年，你一定有你的過人之處，才會讓強生集團願意僱你。讓我們假定強生集團因為你的某項技能而願意僱你。但是假設有了AI的幫助，你不僅可以理解你的事務所的工作內容，還可以理解強生的業務關係，不僅幫助強生完成他們的法律訴求，還可以幫助你把自己放到強生的業務環境之中，為強生而思考，迎合強生的業務需求。那麼結果就是，至少強生集團肯定願意為了你的更高效、更持續的工作產出多付錢。大家都在想辦法更好地服務客戶，如果你不願意這樣去做，自然會有別人去做。
一個具體解決方案
在Watson有一個概念，叫做“暗箱”(cartridges)。這個指的是Watson的記錄系統，用來記錄某一個領域的頂尖專家在他所擅長領域的工作方式。經過了這樣的專家訓練，Watson可以被訓練的就像這些專家本人一樣。一個願意訓練Watson的律所，通過向Watson開放數據，他們可以通過Watson來擴展他們的業務能力，更好的面對客戶。
當然，暗箱還不能完全模仿和取代專家，但是通過暗箱來擴展專家的能力、加速專家的工作，是目前AI領域正在發生的事情。
再給大家分享一個IBM Waston建立一個具體解決方案——一個知識庫管理方案的例子。這個方案有多少價值呢？每一個律所都有自己獨特的“語言”。作為一個外部的、通用的工具，想要學習這樣的不同的“語言”是非常困難的。我們認識到這個困難，但是我們還是決定要接受這個挑戰。考慮到這個任務的困難程度我們從商業法來入手。第一個問題就是外部諮詢的花銷控制，這樣就有了我所創立的第一個工具：“諮詢內外通”(Outside Counsel Insight)。我們的第一個客戶每年在外部諮詢上花費13億美元，僅靠幫助客戶閱讀各種諮詢文檔，兩年內我們幫助他們節省了4億美元。
AI，對Watson來說最重要的是場景，環境。不管是你叫他人工智能也好，增強智能也好，他們存在的目的就是為了擴展人類的能力。
那需要我們做什麼？
我們需要教育我們自己。我們要為AI找到合適的場景。有價值的場景的特點包括：場景數據的批量化，有足夠的數據可以用來對AI進行訓練；相對固定的業務主題，比如我們可以只談論物業，保險等業務，業務內部可以有不同的變量，但是我們始終談論某個具體業務。
本文內容來自Brian Kuhn在法律科技峰會上的演講:
Brian Kuhn IBM Watson Legal聯合創始人、首席專家.
作為 IBM Watson Lega的創立者，他全面負責該機構在全球的人工智能法律解決方案業務。IBM "Outside Counsel Insights"等產品發明人、法律智能全球知名推廣人。
Brian Kuhn
閱讀更多 法律服務百事通 的文章
