↑ ↑ ↑ 点击上方蓝字来关注我们
▎
Global IP Update 文｜
静水流深
"
We operate under a jury system in this country, and as much as we complain about it, we have to admit that we know of no better system, except possibly flipping a coin.
”
- Dave Barry
作者按：
以此文献给那杆我们不懈努力坚持守护的天平。
Part One: Justice through a Jury System
参见 [
美国陪审团审判散记：The Beauty is in the Eye of the Beholder （一）
]
Part Two: The Jury Trial
参见[
美国陪审团审判散记：The Beauty is in the Eye of the Beholder （二）
]
Part Three: Modeling the Jury System
天下没有绝对的人治与法治，
有些系统是法律指导下的人治，而有些系统则是人参与下的法治
。美国的Jury系统是
后一种
，算是完美诠释了“公道自在人心”。
然而Justice System系统给出的“公道”并不是“真相”的同义词，诉讼的过程虽然有一定的forensic分析，能一定程度上再现部分的“真相”，它的目的并不是还原“真相”，而只是基于对于“真相”的有限认知，来给出一个孰是孰非的概率，这个概率就是我们所说的“公道”。
专利律师，看什么问题都有不可抑制的理工科情节，所以这一章，我想来用数学物理模型来描述一下这个横在“真相”和“公道”之间Jury System
。
Justice System其实有三个模块组成：取证，把证据传递给陪审员，和陪审员的判断。用系统图总结如下（A和B表示案子的两个Party）：
1．取证（Discover Evidence）- 采样模块（Sampling Module）
取证，其实是对于 “真相”相关信息的一个采样，取证得到的叫“证据”，“证据”是“真相”的蛛丝马迹。
每一件事情都有一个绝对的事实，也就是“真相“。然而我们往往无法重建这个绝对的事实。比如一起凶杀案，我们只知道有人遇害了，但是他究竟怎么死的，除了凶手谁都不知道。但是警察会做Crime Scene的调查，得到比如现场指纹啊，DNA，子弹，弹孔等等，遇害者的亲人朋友也会有些相关信息，比如遇害者同谁有过节等等。这些采样点就是证据，单独的采样点无法告诉我们“真相”到底是什么，但是这些采样点加在一起，就能拼接出“真相”的某个有一定可信度的版本。
通过采样来重建“真相”的一个缺点就是信息的失真，失真来自两方面，第一是信息丢失，第二是信息扭曲。
比如美国专利诉讼中经常会要确定发明具体是何时做出的问题，真相是发明人肯定是在某一个时间点前做出的发明，然而我们能得到的采样点通常非常稀疏，我们会找发明人当初的lab note，有的发明人天天记进度，有的则是想起来就记一笔，想不起来一个月也不写东西，有时候明明发明已经完成，但记的内容不够详细，没法显示权力要求的每个元素在当时的设计里都已经存在了，所以可能明明发明日比专利申请日早了半年呢，
因为采样点缺失，证据不足，可能导致无法证明更早的发明日，只能以申请日为准。
美国诉讼中无比宽泛和漫长的discovery（调查取证）就是帮助双方去收集重要的采样点。这里插一句，很多律师喜欢把discovery摊子铺的很大，以求得到最多的证据，如果有无限的预算来做discovery，那么这么做也没什么错，然而事实是discovery的付出通常是边际效用递减的，
每多砸一百万得到的采样点重要性越来越小
。信号处理理论告诉我们，采样点也不是越多就越能重现“真相”的，关键在于采样点的质量，更何况，我们在乎的并不是还原“真相”本身，而是得到有利于自己的判决。
2．把证据传递给陪审团（Presenting Evidence to the Jury）- 传输模块（Transmission Module）
之前介绍的Jury trial的重头戏就是向陪审团传递证据，从opening statement到closing argument，证据以证人证物的形式，在律师的导演下，传输给陪审团。
在这一场传输中，
律师和证人是信息的发射方（transmitter），而陪审团是信息的接收方（receiver）
，发射方对接收方的接受特性所知甚少，而且这场信息传输是完全单向的，接收方只接不发，不给发射方任何确认或反馈。让这个系统变得更复杂的是，发射方还不止一个，而是两个，他们基于同一“真相”的采样点信号，向接收方陈述截然不同的观点，这两个发射方还互相可见，可以根据对方发射的信号，来调整自己的信号发射方式。
在每一个传输通路（transmission channel）上，证据信号还经历着调制，过滤，解调的过程。
调制是律师对于证据所做的加工和包装，
比如专利案里，对于技术相关的证据，通常要进行简化，有时候会用类比来进行解释
，而且律师还会用有利于自己观点的表达方式来对证据进行陈述，introduce evidence in the best possible light。
这里的过滤器呢则是伟大的证据法规，
比如我们专利案都是在联邦法院来审的，遵循的是Federal Rules of Evidence (简称FRE)
，FRE规定了各种可以阻挡evidence的情况，比如证人说我听见A告诉我他看见B抢劫了C，这信息无法传输给陪审团，因为它是典型的hearsay。有的信息在pre-trial阶段就被阻挡了，
双方可以发Motion in Limine（简称MIL）
，来要求exclude某些证据，有的信息是在庭审当场被阻挡的，就是之前提到的由一方提出objection，法官做出evidentiary ruling，如果objection被sustain，就意味着相应的证据被过滤。
解调是指这信息到了陪审团这边，将会被各个陪审员以不同的方式去接收和理解。曾经有jury consultant做过研究，她给支持死刑和反对死刑的两拨人看同一篇讨论死刑利弊的文章，看完后，两拨人都认为文章支持他们的观点，这说明，我们对于信息都是选择性接受的，那些同我们内心观点有共鸣的信息会被放大，也就是说在这个系统里，某些频率的信号会发生共振而被放大。而难的是你不知道每个陪审员的共振频率是什么。
What matters is not the truth, but the perception。证据信号，最终以陪审员接收到的为准。
3．陪审团判决（Jury Decision）- Bayes模块
之前说了陪审团是一个暗箱，暗箱的输入端就是经历了discovery阶段和trial presentation阶段多层加工的证据信息，暗箱的工作是根据这些证据确定出一个条件概率，然后根据这个概率有没有达到相应的burden of proof来决定双方的输赢。
是的，AI界的朋友一定看出来了，这就是Bayes定理
。AI界奉Bayes理论为人工智能的基石（law of intelligence），但其实，Bayes一直以来都是我们律界凭证据断案的基石（law of justice）。
举个例子，比如判断受害者的死亡原因，一方认为受害者死于谋杀（Murder），另一方认为受害者死于自杀（Suicide），那么，
是在现有的证据E（Evidence）下谋杀M（Murder）发生的概率，而
则是同样的证据E下自杀S（Suicide）发生的概率，
陪审团这个暗箱就是在回答这些概率问题。没有陪审员会真正去计算概率，但是他们的判断在潜意识里符合下面的Bayes理论
：
P(M)和P(S)是陪审员没听证据前，凭自己的人生经验，判断的一个人被谋杀的可能性和自杀的可能性，
也就是先验概率
。
和
则是两个理论对于当前证据的支持率，也就是说如果受害者确实是被谋杀的，那么证据中的事件发生的可能性有多大。
这个判断如果交给机器做，那么大数据一训练，系统可以非常robust，你输入一定的证据，它就可以给出一个精确的概率，而机器的可预测性让我们可以根据机器用的model去估计某个机器它会做出什么样的判断。
但是我们的系统把这个重要的任务交给了陪审团，这个大暗箱所用的model是由陪审员的人生经历训练（train）出来的
，每个人的人生经历不同，model就不同，我们不知道陪审员的人生经历，就无法估计这个model的具体算法，也无法根据想要的结果来给输入，所以jury trial才有了那么多不确定性。
比如先验概率，每个人心里的P(M)和P(S)是不一样的。如果一个陪审员的身边有人自杀过，这将很大程度影响他对自杀概率的判断（在Voir Dire阶段这个陪审员可能会因此被strike）。Bayes定理还告诉我们，证据的强度影响着
和
，而这两者的比值可以一定程度地修正陪审员的先验概率的，从而得出符合本案案情的后验概率。那个
和
考验的是陪审员的逻辑思维能力
，比如受害人是自杀那么死前患忧郁症的可能性就很大。但对这两个概率的判断，也是有个体差异的，
比如某个陪审员家里有人是抑郁症，他可能会潜意识里选择相信抑郁症不会导致自杀
。
