桑本谦：法言法语是法律人思考的翅膀还是笼子？|数学|桑本谦|法律人|法言法语|翻译|语词

以下文章来源于中国法律评论，作者桑本谦（中国海洋大学法学院教授）。

01

好消息是，法言法语确实是法律人思考的翅膀；坏消息是，它也可能是笼子。展开讨论之前，我要先讲一个更根本的问题：语言和思考，究竟是什么关系？问题很深奥，也很跨学科，但我可以给出一句不会偏离当代主流讨论中轴线的答案：

语言不只是表达思想的媒介，它还是构建思想的技术；语言将模糊的思考过程结晶为稳定的可传达形式。

“读心社会”在理论上是不可能的。

人脑每秒并行处理的感觉信息大约1100万比特，其中意识处理的，不过40比特。语言将海啸般的信息压缩成数量极少的串行输出，通常每秒两到三个词。如果你试图绕开语言而直接读取他人的心灵，那么，你读到的不是思想，而是无穷无尽的噪声。你不可能知道他在想什么，因为他自己也不知道。

尽管有时语言会掩盖思想，但若没有语言，思想就会被噪声淹没。任何问题、现象或性质，都要在脑子里被语言“固定”之后，才能对它进行稳定地分析、比较和推演。不能被表达的想法，通常也不能被真正思考。

你不是先有清晰思想之后再去表达的，而是在表达过程中思想才逐渐变清晰的。你肯定有过这样的体验：原本以为自己已经想明白了，但当开口讲给别人听或动笔写下来时，却突然就发现卡壳了，根本说不清。

为什么？因为表达是对思考施加约束的过程。当你把思想从脑子里“晒”出来，变成可以被检验的语言时，那些原本隐藏在头脑深处的断裂和假设就暴露出来了。

语言不仅是人际之间的通讯协议，而且人脑内部的思考规范。作为思考规范的语言，其本质不是规则，而是把高成本的即时判断变成可复用、可预期的处理程序。

语言是思想的操作系统。它能减轻你的思考负担，因为部分思考被你“外包”给了语言。语词可以把复杂的推理树和丰富的意义网压缩成一个可直接调用的节点。掌握一个语词，并不是记住一个标签，而是一次性支付理解成本，然后就可以去反复调用语词压缩的推理树或意义网。

语言把分散的、隐性的计算结果组织成可交流、可反思、可扩展的形式。当你“感觉对或不对”时，不需要语言，但当你和我争论为什么时，就离不开语言。个体理性可以没有语言，但集体理性离不开语言。没有语言，人类思考会在规模上坍缩。

如果三体人只靠读心交流，那么三体世界就没有文明。

语言不只是思想的载体，它还是思考的制度渠道。就像人类在驯化小麦的同时也被小麦驯化了一样，我们在用语言表达思想的同时，语言也在塑造我们的思考。法言法语塑造法律人的思考，它是法律人的思考操作系统。

但法律人思考可以尝试其他语言。

02

现在我们就尝试，用不同类型的语言来回答同一个问题，看看切换语言是否会让思想发生变化。我设定的问题是：法律为什么偏好硬规则？这个问题在法学领域中极具穿透力。

然而，面对这一旗舰式提问，外行人也能给出答案：不能开口子。

“为什么刑事责任能力和民事责任能力以年龄划线？”——不能开口子。

“为什么不知法免责？”——不能开口子。

“为什么醉酒或忏悔难以成为从轻处罚的理由？”——不能轻易开口子。

经验语言不抽象，但很精准，能抓住要害，但它只是一种经验语言。经验语言描述了一种身体记忆——讲不清机制，但看得见后果。它不解释为什么，但把风险钉了出来：只要规则允许例外，例外就会被复制；例外一旦被复制，规则就开始乱套。

经验语言的局限是很难“以理服人”，很难在复杂情境中迁移。克服经验语言的局限，需要理论语言。法律人擅长的理论语言是法言法语。对于法律为什么偏好硬规则？法言法语的答案是：形式正义和程序正义有时会优先于实质正义。与此相关的一套概念体系如下：

· 法的安定性——让规则稳定、可预测。

· 可预测性——让人们知道行为的后果。

· 形式正义/平等适用——同样的案子同样处理，不给例外留余地。

· 防止恣意/裁量权限制——不让权力任性。

· 罪刑法定/明确性——什么是罪、怎样量刑，要说清楚。

· 证据规则/证明责任——谁主张，谁举证；证明度要达到证明标准。

· 形式要件——必须满足哪些“看得见”的条件。

· 推定——在某些情况下，可以假定某事为真

· 裁量基准/量刑规范化——减少法官的主观任性

这些概念构成了法律人思考问题的基本框架。它们精致、系统、自洽，让法律成为一门专业。法律人往往意识不到被法言法语掩盖的思维缺口。但一种语言的思维缺口，可以在另一种语言的参照下暴露出来。

03

我们不妨把问题翻译成经济学和统计学的语言，请看下面的翻译对照表：

一旦将法言法语翻译成经济学语言，你会立刻发现“计算感”变得很强。不可通约的价值变成同一个数学模型里的变量和参数。再看所谓“开口子”，它就不再是价值选择了，而是法律决策者在有限资源的约束下做总体风险管理。

经济学语言最常见的简式数学模型包括（把下面的几段文字输入给AI，你就能获得更多解释，还有数学公式）：

（1）效用最大化模型：决策者在预算约束下最大化效用函数。这个模型要求在收入有限的情况下，通过合理分配资源以获得最大满足。

（2）成本-收益分析模型：比较不同规则严格程度下的收益与成本。这要求精确测算每一种规则设计带来的社会收益和执行成本，然后找到使净收益最大的那个点。

（3）激励相容约束模型：确保说真话的效用不低于说谎的效用。这需要设计一套机制，让每个人认为诚实是最好的策略，从而自动实现信息真实披露。

（4）委托-代理模型：在代理人参与约束和激励约束下设计最优合同。委托人（比如立法者）要设计合同，让代理人（比如法官）的利益与委托人一致，同时还要保证代理人愿意接受这个合同。

（5）信息不对称下的筛选模型：通过合同设计分离不同类型的当事人。设计者要找到一组合同，让不同类型的人自我选择，从而暴露自己的真实类型。

这些模型展现了经济分析的精妙之处：它们把法律问题转化为可以用数学求解的优化问题。问题有了解决的思路，而且思路很清晰。

然而，这些微分模型只是刻画了计算的思路和优化的方向，但在实践中，高维优化问题的最优解是计算不出来的。

为什么？

第一，变量维度太多：当问题的复杂度随变量数量呈指数级增长时，哪怕仅仅增加一个维度，计算资源的需求也会急剧上升。现实法律决策往往涉及数十乃至上百个相互作用的变量，早已超出任何穷举式或精确优化方法的可计算边界。

第二，信息不完全：模型假设你知道效用函数的具体形式、成本函数的参数以及每个人的类型分布。但在现实中，这都是未知的，甚至是不可观测的。你无法准确测量守法者的效用损失或违法者的策略性响应。没有这些基本数据，优化就无从谈起。

第三，策略性互动高度复杂：当系统中存在多个策略性主体（法官、律师、当事人、执法者）时，问题变成了多重博弈的均衡求解。每个人的最优选择取决于其他所有人的选择，而其他人的选择又依赖于他的选择。这种相互依赖往往导致没有解析解，甚至数值解都难以收敛。

第四，动态演化不可预测：法律是一个演化系统，今天的规则会改变明天的行为，明天的行为又会反馈到规则的调整。这种动态反馈使得静态优化模型失效。你以为找到了最优规则，但实施后人们的行为变了，原来的最优就不再是最优。

因此，经济学的微分模型本质上是一种概念工具，它告诉你应该朝哪个方向思考，但不能给你一个可执行的答案。它说你应该权衡边际成本和边际收益，这肯定没错，但它不能告诉你边际成本究竟是多少。它说要实现激励相容，这也没错，但它无法告诉你具体怎么设计。

法律是一个信息不完全、资源有限且必然有实施误差的装置，规则设计绕不开假阳性、假阴性、识别成本和执行成本。如果规则变软，容纳更多弹性，那么，

· 可能让个案看起来更有温度（某些错误减少）；

· 但会让另一类错误上升；

· 也会增加核查与证明的成本；

· 同时诱发更多策略性利用。

硬规则不是追求零错误，而是把错误变得可预测、可承受。到这里，法言法语的缺口就暴露出来了：

· 其一，各种“正义”没有明确定义；

· 其二，形式正义或程序正义让位于实质正义的条件不明确。

经济学语言给出了一个可操作的框架——用成本收益、系统误差来、假阳性和假阴性分析制度选择。但经济学语言也有其缺口，数学模型意义上的可计算不等于结果能够算得出来。一个优雅的公式可能包含着指数级膨胀的计算量，涉及不可观测的参数以及无法预测的动态反馈。经济学模型指明了思考的方向，但提供不了优化问题的计算结果。

04

我们可以把问题翻译成系统科学，然后提供另一个翻译对照表：

同一套概念被再次翻译，就出现了新的维度。

系统科学把“不要开口子”翻译成“对抗鲁棒性”（adversarial robustness。所谓“鲁棒性”，就是在噪声、冲击、操纵和策略性博弈之下，系统仍能维持其结构和功能，而不被轻易击穿。

系统科学语言最常见的简式数学模型包括（把下面的几段文字输入给AI，你就能获得更多解释，还有数学公式）：

（1）迭代优化模型：系统状态沿着目标函数的改进方向逐步更新，逐渐逼近最优解。每一步都只做一个小的改进，不要求一次性找到全局最优。就像爬山，你不需要知道山顶在哪里，只要每一步迈出的都是上坡路。

（2）反馈控制模型：控制输入根据目标和实际输出的偏差进行调整，实现自适应。系统不断观测实际效果，发现偏差就调整，再观测再调整，形成试错、调整、再试错的反馈循环。

（3）动态系统演化模型：系统状态随时间演化，受当前状态、控制输入和外部扰动影响。系统不是静止的，而是在不断变化。优化不是一次性完成的，而是在系统演化过程中持续进行的。

（4）鲁棒性优化模型：在最坏情况下（对抗性扰动）仍保持系统性能。目标不是在理想情况下达到最优，而是在最坏情况下仍然可接受。宁可牺牲一些效率，也要保证系统不被击穿。

（5）多智能体学习模型：多个智能体同时学习和调整策略，系统在交互中演化。系统不需要中央计算器，每个主体根据局部信息独立调整，通过交互涌现出整体秩序。

这些模型展现了系统科学的核心思想：计算是一个逐渐优化的过程，而不是一次性求得全局最优解。与经济学的微分模型不同，系统科学承认并接受局部信息，强调反馈调整和动态适应，追求鲁棒性而非最优解。

鲁棒性优化的目标不是在理想情况下达到最优，而是在最坏情况下仍然可接受。这正是硬规则偏好的数学表达——宁可牺牲一些个案正义，也要保证系统不被击穿，在对抗性环境下仍能维持功能。

一个鲁棒性强的系统，不是最优化的系统，而是最抗折腾的系统。硬规则偏好不再只是法律内部的价值选择，而是系统工程的选择——让制度在最坏情况下仍能活下去。

软规则非但不会让系统更公正，反而会让系统更脆弱。它给策略性操纵者留下了更多操作空间。当你允许考虑具体情况时，就有人会制造具体情况；当你允许酌情处理时，就有人会去影响酌情的标准。相比之下，硬规则看起来呆板僵硬，但它很难被操纵。

经济学给你一个优美的公式，告诉你理论上应该怎么做，但现实中做不到。系统科学给你一套可操作的流程，告诉你虽然达不到理论最优，但可以持续改进，逐步逼近。

05

同一个问题，我们用不同语言讲了四次。翻译语言相当于切换操作系统，并因此改变思维方式。在这个过程中，以下三件事同时发生：

第一，盲点暴露

当你只用一种语言思考时，你看不到这种语言本身的局限。比如，当你只用“形式正义优先”的法言法语来思考时，你可能意识不到这个概念本身是模糊的，边界条件不清楚，它无法回答“什么时候应该例外”。

但当你把它翻译成经济学语言——“信息成本最小化”和“代理成本控制”——你就会发现，所谓“形式正义优先”，是一个关于成本和效率的权衡问题。

再翻译成系统科学语言——“对抗鲁棒性”和“可审计性”——你又会发现，硬规则偏好不仅是成本问题，而且是在对抗性环境中的生存问题。

每一次翻译都能让你获得新发现。

第二，直觉被校准

很多时候，我们的直觉是对的，但我们说不清为什么。

“不能开口子”——这是经验；

“形式正义优先”——这是把经验理论化；

“激励相容约束”——这是把理论量化；

“对抗鲁棒性”——这是把量化问题放进对抗性环境里重新审视。

每一次翻译，都在校准你的直觉。你不再只是感觉不对，而是能说清楚哪里不对、为什么不对以及在什么条件下不对。

第三，分辨率提升

这是最重要的。当你只用一种语言思考时，你的认知分辨率是粗糙的。你只能看到对和错、好和坏、允许和禁止。但当你学会在多种语言之间切换时，你的分辨率就提升了。你从非黑即白走向了连续光谱，从单一视角走向了多维空间。你可以把零散经验抽象化，把朦胧直觉语言化，把语言结构化，再把结构系统化。最终，在处理个案的同时，你会思考个案裁判对制度系统的影响。

法言法语确实能让你像个法律人一样思考。但如果你的思考停留在法言法语，只学会调用术语，没学会来回互译，那么法言法语就会变成思考的笼子——把概念当理解，把框架当世界，把顺口当深刻。你可能只是给问题贴了个标签——“这是程序正义问题”“这是法益侵害问题”“这是构成要件问题”——然后就觉得自己理解了。

若要防止法言法语窒息思考，让法言法语成为思考的引擎，就需要养成一个习惯，每逢看到“构成要件”“法益侵害”或“程序正义”之类的法言法语，就尝试去追问：

· 这个构成要件为什么这样设计？

· 法益保护的边界在哪里？

· 程序正义在什么情况下可以取代实质正义？