法学自古以来便是一门极具“经验感”与“思辨性”的学科。法律被认为“是具有大家心领神会的限度的事务，是一套封闭在明确范围内的教义”，而法学被认为是反映人的经验理性的学问，是人的法律经验、知识、智慧和理性的总和体现。与此相应，法学教育的重心长久以来在于围绕法条和问题展开“适用型”论辩，也即以正确适用法律为核心，以说理和论证为主线，以养成法律思维与法律技能为己任。最典型的形式，莫过于起源于哈佛大学法学院的“苏格拉底教学法”。

然而，自2022年底ChatGPT问世以来，以大型语言模型（LLM）为代表的人工智能技术不仅改写了法律检索、文书生成的效率曲线，更对传统的“苏格拉底教学法”提出了挑战。2018年4月，教育部印发的《高等学校人工智能创新行动计划》提出：“加快人工智能在教育领域的创新应用，利用智能技术支撑人才培养模式的创新、教学方法的改革、教育治理能力的提升，……是实现教育现代化不可或缺的动力和支撑。”2023年2月，中共中央办公厅、国务院办公厅印发的《关于加强新时代法学教育和法学理论研究的意见》，也提出“适应‘互联网+教育’新形态新要求，创新教育教学方法手段”。国际上，联合国教科文组织同一年推出了“人工智能与法治”在线培训慕课。可见，法学教育同人工智能深度融合已成为人工智能时代建构新型法学教育体系的必然要求。在这一背景下，探讨人工智能技术对法学教育的影响，不仅关涉技术问题，更是关乎“未来法官与律师如何养成”的核心命题。本文认为，生成式人工智能赋能法学教育瑕瑜互见，既有其显著优势，又有其内在缺陷和风险。为了去“瑕”存“瑜”，人工智能时代的法学教育要积极应对新技术的发展趋势，进行自我调整和重构。

（一）教学模式的个性化与智能化

在传统法学教育模式中，受限于教学资源与师生比例等现实原因，教育过程往往呈现出“大规模+标准化”的特征。教师难以针对每一位学生的法律思维逻辑、知识掌握程度及职业规划进行精准指导。然而，人工智能技术（尤其是生成式人工智能与自适应学习算法）的介入，正在驱动法学教育从“以教为中心”向“以学为中心”、从“大班授课”到“智慧私教”的范式转变，实现真正的个性化、精准化教学。

一方面，学习者的角色将从传统的被动接受者向智能辅助下的自适应学习者（adaptive learner）转变。自适应学习系统通过大数据分析与机器学习，能够为每一位法学生绘制动态的“知识图谱”，从而打破了传统课堂“一刀切”的进度限制。其一，人工智能技术能够促成知识盲区的精准识别与动态补强。法学知识体系浩如烟海，涵盖了民商法、刑法、宪法、行政法等多个庞杂分支。传统考核只能通过期末考试和周期性平时作业反馈结果，具有明显的滞后性。人工智能系统通过记录学生在日常练习、案例分析中的交互数据，能够动态识别其思维短板。例如，系统若发现学生在学习处理合同纠纷时，频繁在“效力未定合同”与“无效合同”的界分上出错，将自动调整其学习路径，推送针对性的判例对比与理论解说视频，而非让其在已掌握的其他部分浪费时间。未来的法律教育将不再是死记硬背，而是通过智能系统辅助下的精准知识习得。其二，人工智能技术能够提供学习节奏的个性化定制。在学习过程中，每位学生对法学理论的抽象理解能力存在差异。人工智能平台允许学生根据自身的认知负荷调整进度，系统则根据学生的实时表现动态生成难度适当的后续课程，确保学习始终处于“可及发展区”。这种“千人千面”的教育方案，将极大提升知识内化的可能。

另一方面，教学者的角色将从“知识传递者”被重塑为“思维引导者”。人工智能对教学模式的赋能，并非削弱了教师的作用，而是实现了教师职能的迭代升级。其一，人工智能技术将法学教师从重复性劳动中解放出来。教师不再需要反复讲授基础性的法条、日常案例及其既有学说（这些可以由人工智能辅助微课完成），而可以将精力更多投入伦理与价值观教育（讨论法律背后的正义观、职业道德与社会责任）以及复杂疑难案例研讨（涉及人工智能目前无法解决的复杂社会利益博弈和价值权衡）之中。其二，人工智能技术将辅助法学教师实现数据驱动的教学决策。由于生成式人工智能（如GPT-4等大型语言模型）具备强大的语义理解与逻辑推理能力，能够模拟极高水平的对话者，所以可以很好地提供模拟交互式的思维训练。例如，模仿法官或对方律师通过不断提出挑战性问题，引导学生提高法律论证的准确度。其三，人工智能技术能辅助法学教师获得学习情况的即时反馈与多维度评估。在传统模式下，学生提交一篇小论文或读书报告可能需要数周才能得到教师反馈，此时学习热情与记忆已大幅消退。而人工智能能实现毫秒级反馈，评估论证逻辑的严密性、证据使用的合理性以及修辞的专业度。再如，通过人工智能后台生成的教学看板，教师可以清晰地看到全班同学在哪些知识点上普遍存在误解，从而在面授课程中进行有针对性的深度讲解。由此，人工智能时代的法学教育将由知识传授转向能力培养，教学模式逐步从传统的“师生交互”向“师-生-机”深度交互转变。

（二）实践教学效能的提升

法学是一门实践性很强的学科，法学教育要处理好知识教学和实践教学的关系。习近平强调：“学生要养成良好法学素养，首先要打牢法学基础知识，同时要强化法学实践教学。”《中共中央关于进一步全面深化改革推进中国式现代化的决定》明确提出，“完善以实践为导向的法学院校教育培养机制”，为高校法治人才培养指明了新方向、提出了新要求。传统法学教育重知识的传授而轻能力的培养，且在实践教学环节长期面临案源接触难、模拟仿真难、实习反馈难的三重困境。诊所式法律教育虽然强调“在做中学”，但往往受限于场地、师资及真实案件的保密性要求，难以实现规模化覆盖。人工智能技术的介入，可以让学生在零成本的状态下进行高频次的实务训练，极大地缩短从理论到实务的转化周期，填补法学理论与法律实践之间的鸿沟。

一是虚拟仿真实验室的沉浸式场景化。人工智能与VR/AR技术的融合，使得法学实验室能够超越物理限制，为学生提供逼真的职业训练。例如，利用人工智能驱动的虚拟角色（Avatar），实验室可以模拟出包括法官、公诉人、辩护人、证人及旁听群众在内的完整法庭生态，模拟高保真法庭环境，提供即时性的程序训练。再如，人工智能能够通过分析历史卷宗，复刻极端复杂法律场景，自动生成具有法律冲突的模拟场景（如医疗纠纷的现场勘验、国际贸易争端中的港口查验）。学生可以在这些“数字孪生”场景中进行证据提取与事实认定，训练其法律敏感度。

二是法律检索与文书生成的自动化。在法律实务中，法律检索与文书写作是核心基本功。人工智能技术将这两项技能的教学重点从“机械搜寻”提升到“策略分析”。传统的关键词检索依赖经验，而集成人工智能驱动的检索工具（如LexisNexis的人工智能助手）能够在秒级内完成成千上万份判例的归纳与类比，并且（如基于RAG的法律检索系统）允许学生使用自然语言进行提问。学生通过观察人工智能如何从数百万份裁判文书中提取“同案同判”的逻辑，学习如何构建检索策略。这不仅是寻找法条，更是学习如何通过大数据分析法官自由裁量权的行使边界。生成式人工智能工具可以根据案件事实草拟初稿，以作为供学生校准的“基准参考”或“反面教材”。例如，教学中可以要求学生分析人工智能生成的起诉状在论证逻辑、证据罗列顺序及法律适用上的瑕疵。这种“审校式学习”将极大地锻炼学生对法律文本精细度的把控能力。

三是法律诊所教育的规模化。人工智能技术能够有效解决法律诊所教育中“案多人少”的矛盾。在参与学校组织的法律援助活动时，人工智能导诉机器人可以先期对咨询者进行信息采集与初步法律分析，自动生成案件概要。这使得法学生能够迅速切入核心法律争点，提升处理咨询的效率，从而让学生在有限的教学时间内接触到更多元、更真实的社会矛盾，增强其法律实务经验。通过法律大数据预测工具，学生可以对真实案件的胜诉率、赔偿数额进行模型预测。这种基于概率论的思维训练，能帮助学生在未来的实务中更好地为当事人提供预判，实现从理论分析到实务风险控制的跨越。

（三）教育资源的普惠化

在传统法学教育体制中，教育资源的分配呈现出明显的“中心—边缘”结构。大城市顶尖法学院集中了绝大多数的资深教授、海量纸质藏书、高端学术论坛以及与法律实务机关的沟通渠道。这种空间上的资源聚集，客观上造成了东部与西部、部属院校与地方院校学生在知识视野、实务技能及职业竞争力上的巨大鸿沟。然而，人工智能技术的介入正在重塑这一地理版图，从而为跨越地域与资源的“数字鸿沟”，实现法学教育资源的公平分配提供前所未有的技术条件。

一方面，法学教育数字化打破了名校的“知识围墙”。首先，人工智能赋能法学教育的主要贡献，在于将过去沉淀在特定物理空间（如名校图书馆、线下讲座）中的知识存量，转化为可全球流动的数字化资产。传统的“精品课程”往往仅限于视频录制，由于缺乏交互，远端学生的吸收率较低。人工智能技术能够对名校名师的讲课内容进行实时转写、语义标注与知识图谱构建（自动关联相关学术论文和指导性案例），并实时推送给数千公里外的学生，实现“法学知识包”的自动下沉。其次，地方院校法学教育面临的最大挑战往往不是“没教材”，而是“缺名师”。人工智能通过构建虚拟教研室，实现了师资力量的跨时空共享。即便在资源相对匮乏的地区，只要有网络，人工智能助教就能为学生提供逻辑严密的法理答疑。最后，法学是一门极其依赖文献资料的学科，国外法律数据库（如Westlaw、LexisNexis）价格昂贵，许多普通院校可能难以负担。随着国产法律人工智能平台（如“法信”“北大法宝”）的发展，基于大规模语言模型的智能检索系统大幅降低了获取精准法律信息的成本。人工智能能够自动翻译、总结复杂的跨国法律条文及外文判例，让偏远地区学生也能实时追踪全球法律动态，突破了语言与成本的双重障碍。这必将打破法学教育的壁垒，使全球范围内的法学教育机构真正成为“没有围墙的大学”，使高质量法学教育成为法科学生和全体人民可触及、可分享的公共产品。

另一方面，司法实践资源的数字化下沉实现了“同案同教”。一个案例胜过一沓文件，法学教育的灵魂在于案例。基层院校往往缺乏与高级法院、知名律所的合作机会，导致教学案例来源有限。人工智能通过对数以亿计的公开裁判文书进行清洗、脱敏与聚类分析，可以实时提取出当前司法实践中的热点与难点问题。同时，人工智能法律辅助工具降低了学生参与法律援助的专业门槛。例如，清华大学计算法学师生团队自主研发的大众普惠版的法律智能问答工具“水木智法”，通过专业的技术与法律团队亿万级法律数据库确保了回答的全面性与准确性。在人工智能的辅助下，即便经验尚浅的学生也能在简单法律事务上不出错，从而有信心、有底气参与到基层法律援助中去。这不仅是法学教育，更是法治精神向基层的有效渗透。这种法学教育资源的普惠化进程，正在为法治中国建设储备更加多元、均衡的高素质人才力量。

在人工智能技术赋能的时代浪潮下，其潜藏的内在缺陷与衍生风险亦不容忽视。法学教育不仅是法律知识的传递，更是法治精神的铸造与伦理人格的培养。如果过度依赖缺乏透明度的算法与存在偏差的数据，法学教育可能陷入技术决定论的窠臼，进而侵蚀公平正义的法律价值观。

一方面，数据偏见会带来歧视的自动化与正当化。人工智能的输出依赖于其训练数据集。如果训练数据中包含历史性的地域歧视、性别偏见或特定法律解释的偏差，人工智能可能会在辅助教学中隐蔽地传递这些偏见。在法学实验教学中，若使用存在数据偏见的量刑预测或风险评估工具，学生可能会潜移默化地接受某种不公正的“概率规律”。例如，算法可能因历史数据中特定群体的犯罪率较高，而在模拟实训中对该群体，向学生给出更严苛的倾向性建议。美国在刑事司法领域中应用于人身危险性评估的COMPAS系统，在威斯康星州对埃里克·洛米斯（Eric Lommis）的量刑案中就暴露出其性别歧视的缺陷。进而，在有的情形中，算法决策者虽然使用了客观中立的基础数据，但这些合法的客观中立的数据组合在一起却会产生歧视性的后果。这种隐含的偏见还可能来自算法设计者缺乏文化适应性设计（culturally competent designs）的意识。所以，数据偏见不仅是技术问题，更是价值观问题。如果训练数据中存在历史性的司法不公，人工智能则会将这种不公转化为“科学规律”。而且这种“自动化歧视”披着技术中立的外衣，极易消解法学生对平等价值的信仰，使司法公正沦为数据的复刻。

另一方面，算法黑箱也会导致法律推理中“解释义务”的缺位。法学教育的核心在于培养学生“法律说理”的能力，即在充分的法律依据与事实理由的基础之上，通过合乎逻辑与情理的方式展现出从法律与事实推导到裁判结论的过程，强调论证过程的公开性与可质证性。然而，算法的目标并非复现法律推理，而是寻找判决中各个参数间的相关性。深度学习算法往往呈现“黑箱”特征：其输出结果是基于海量参数的复杂运算，而非人类可理解的规范演绎。如果学生在学习中频繁使用判决预测工具，而该工具仅给出结果（如“预计判处三年有期徒刑”）却无法提供符合法教义学的逻辑链条，学生将逐渐丧失对法律规范背后“立法本意”和“客观意旨”的探求欲。当学生习惯于接受人工智能提供的“预测结果”或“法律意见”而无法追溯其论证逻辑时，法律思维将从“理由论证型”退化为“结果导向型”。这种对算法权威（=法律权威?）的盲从，会削弱法学生对程序正义的敬畏，使其误认为法律结果可以脱离公开说理而存在。

法律是一个容错率极低的行业，法学教育教导学生“每一个案件都关乎人生”，强调个案的特殊性。但人工智能的本质是概率预测，也即“将数学算法运用到海量的数据上来预测事情发生的可能性”。如果法科生习惯于用大数据概率来审视案件，而非通过证据核实每一个案件事实，司法公正将从一种绝对的价值追求退化为概率的最优解。这种思维偏差一旦固化，将导致未来法律人群体在面对“疑案”“新案”时，因算法未曾涵盖而无所适从。此外，生成式人工智能还存在输出结果的随机性问题。因为生成式人工智能的核心运作机制并非基于笛卡尔式机械论世界观下的线性因果推演，而是依托深度神经网络在高维参数空间中的概率采样与分布式表征，其最终输出的内容依赖于路由机制对专家组合的瞬时选择。如果输入相同的案件事实数据经常导致不同的法律结论，将会消解学生对法的安定性的信仰，使得司法公正蜕变为随机事件。无论如何，法学教育中不能用“统计学正义”来替代“个案正义”。

（二）对法科生批判性思维的削弱

人工智能对法学教育的侵蚀，本质上是工具理性对价值理性的僭越。法律是人学，它处理的是复杂的人际冲突与道德博弈。过度依赖人工智能技术，会使学生失去对真实社会复杂性的感知力。算法可以预测判决，但无法感知法律实践的温度。如果人工智能成为“标准答案”的提供者，法律人的批判精神将失去用武之地。如果学生不再质疑算法给出的结论，缺乏对既有学说和判例的挑战与反思，法律的进化动力也将枯竭。

一方面，“机器幻觉”（hallucination）会导致法律信用的破产。由于大语言模型是生成模型，它的任务是生成语言，而不是检索和调用以往的准确信息。因此，大语言模型生成的文本中常会包含一些不实信息。目前，无论怎样训练出来的法律大语言模型，都难以解决机器“一本正经地胡说八道”问题。人工智能有时会杜撰并不存在的法条、案例或文献，这要求使用者具备极强的核查能力。2023年美国发生的“Mata v. Avianca”案中，律师就因引用ChatGPT编造的虚假判例而遭到法院处罚。在法学教育阶段，如果学生过度依赖人工智能提供的信息，而忽略了对原始卷宗和法条原文的核对，这对职业习惯的养成将是致命的。法学教育必须警惕这种“二手知识”甚至“虚假知识”对专业信用体系的侵蚀。

另一方面，“信息茧房”会导致法律思维多样性的丧失。法律的进步往往源于对既有通说的挑战，法学的魅力，很大程度上在于疑难案件中的价值权衡，以及对少数意见的包容与尊重。但人工智能学习的是历史裁判数据，它天生具有保守性。法律语言大模型基于概率分布生成文本，其本质只倾向于输出“统计学上的最大公约数”，其同质化输出极易抹杀法律解释的多样性。当法科学生过度依赖人工智能获取案例分析或法律解释时，实际上被困在了一个由算法构建的“通识茧房”中。如果法学教育完全由人工智能赋能，那么教育的内容将始终停留在“过去”的平均水平。过度技术依赖会导致学生的逻辑推导、批判性怀疑及复杂法律关系解析能力的萎缩，因为“算法提供了标准答案”。长此以往，学生将失去对非主流法律观点、法理创新的敏锐度，导致思维的平庸化与单一化。

人工智能的介入正在从深层逻辑上挑战法科生的思维主体地位。法律职业的精髓在于“人对人的判断”，包含道德直觉与同理心。当学生们面对复杂的学术论文、冗长的法律合同或是需要缜密推理的哲学著作时，如果总是习惯性地将其丢给人工智能去生成摘要，他们的分析能力、长句解析能力以及在模糊文本中寻找逻辑线索的思维肌肉将无可避免地发生萎缩。这种行为实际上是在进行一种“认知外包”，不仅会削弱法律论证能力，更会导致认知主体地位的丧失，学生将从法律问题的“建构者”沦为人工智能输出结果的“搬运工”，成为“大脑腐化”和“自动化偏差”的受害者。而当批判性反思能力被算法生成的结论输出所取代，法科生将难以在司法实践中承担起独立判断的责任，成为缺乏灵魂的技术附庸。

（三）对学术规范与法律伦理的挑战

在生成式人工智能时代，法学作业、课程论文甚至学位论文的生产方式都可能发生质变。法学研究要求深度的文本理解、价值判断与观点创新。生成式人工智能能够迅速生成结构完整、辞藻华丽的法律论文或案例分析，但这是基于概率分布的“幻觉式写作”，缺乏真实的理论思考。因为它只有言词组合能力，没有概念性创新能力，而这种写作对于法科生而言却会带来不良的后果。

一方面是学术诚信的瓦解。生成式人工智能通过语义拼接生成的文本，虽然符合语法逻辑，却往往缺乏“灵魂”。其风险在于，当学生发现可以通过简单的提示词（prompt）获得高分评价时，学术诚信将面临坍塌。因为传统的查重工具难以识别由人工智能生成的独一无二的文本。这导致教师在评估学生学术能力时难以区分哪些部分源自学生的独立思考，哪些部分又来自算法的语词拼接。长此以往，学生的法律检索能力、论证能力及文书写作的基本功将大幅衰减，形成学术能力的“虚假繁荣”。

另一方面是法律伦理与职业操守的滑坡。法学教育不仅要进行技能培训，更要进行职业伦理的养成。传统的中国法学教育本就存在着重技能教育轻德性培养的不足，无法有效实现德法兼修的法治人才培养目标。而人工智能技术的过度运用有可能放大这种不足，因为生成式人工智能在处理法律文书时，可能存在数据隐私泄露、虚构虚假案例等风险。如果学生在教育阶段未能建立清晰的人工智能使用边界，其职业生涯极易跨越法律职业伦理的红线。人工智能生成的“现成答案”容易诱发学术惰性，使学生忽视作为法律人必须承担的真实性核查义务。这种伦理意识的淡薄，是对法学教育作为一种人格教育功能的根本挑战。而没有德性的法学教育所培养出的法律人，对于社会法治的构建所产生的负面作用可能要更大。

更进一步而言，过度依赖人工智能技术还会挑战受教育者的主体地位。人工智能不但会挑战法科生的思维主体地位，也会挑战法律人的道德主体地位。越来越多地运用和信赖人工智能技术会带来运用者认知欲望的下降和自由意志的丧失（而不仅是能力!），造成他们的道德钝化。人工智能辅助下的教学模式，往往侧重于逻辑分析与结果预测。然而，法律解决的是人的痛苦与冲突，法学教育不仅关乎智力，更关乎同理心。当学生在模拟实训中面对的是人工智能模拟的证人或当事人时，他们无法对真实人类的法律困境感同身受。这种“数字化隔离”可能导致未来法律人职业人格的弱化与法律温度的流失，将复杂的社会正义问题简化为数据演算。习惯于数据演算的法律人，是否会越来越像机器?“那些透过算法所无法达致的心灵能力，在人类社会的运作中，是否有可能会越来越不重要?”假如在未来法律“人”的逻辑真的让位于“机器”的逻辑，那么无疑会带来阿伦特（Arendt）所说的“平庸的恶”。

生成式人工智能的崛起正在重塑法律职业生态。在智慧法治建设和法律大模型广泛应用的背景下，传统法学教育面临知识更新滞后、评价体系脱节等严峻挑战，而人工智能技术的引入也急需构建伦理防线。人工智能时代法学教育应秉持“去瑕存瑜”的原则，真正实现技术的正向赋能。

（一）课程体系改革：引入“数智素养”教育

在人工智能与法律实务深度融合的背景下，法学教育必须超越单纯的条文阐释，转向培养具备“数字领导力”的复合型人才。这就要求法学院打破学科壁垒，将算法逻辑、数据科学与法学进行实质性整合。

其一，实现“人工智能法学”的跨学科转向。传统的法学教育侧重于规范演绎，但在大模型时代，法律问题的呈现往往交织着技术特征。从某种角度看，法律不再仅仅是纸面上的文字，而是可以被数字化、结构化的数据。法学教育需要向学生提供介绍计算机算法、法律人工智能技术等方面基础知识的课程，教授包括人工智能的基本概念体系，人工智能技术基本工作原理，如何判断、验证、解释人工智能技术产出的结果，如何通过定量分析、自然语言处理（NLP）技术来研究判决趋势等知识。教学目标在于两个方面：（1）理解算法的底层逻辑。例如，生成式人工智能是如何通过概率分布生成法律文书的?这种“预测性”推理与法官的“论证性”推理有何本质区别?只有理解了算法，法律人才能在庭审中质疑人工智能辅助证据的可靠性。（2）建立法律工程思维。法学院应通过实验课程，引导学生学习如何将复杂的法律咨询拆解为可被人工智能处理的标准化模块。例如，在处理大规模破产重整案件时，学生需学会决定哪些债权核算可以交给算法模型，哪些涉及债权人利益平衡的实质性谈判必须由人类介入。只有将法律的逻辑思维和人工智能的科学思维、算法的程序思维融为一体，把握法律思维与计算思维的深层融通，形成融合性、交互性、流变性的智能思维方法，才能在算法泛在的人工智能时代科学分析和有效应对更为复杂的法律问题。

其二，建设“数智素养”核心课程模块。目前国内外相关大学法学院已开设一些人工智能相关课程。为了更为系统地培养学生的数智素养，法律人工智能课程体系应围绕以下三个维度进行重构：（1）技术原理与法律应用层。设置“人工智能与法律实务”“区块链与智能合约法”等课程，让学生掌握与人工智能协作的技能。例如，如何撰写高质量的“法律提示词”以获得精准输出结果。一个具备数智素养的法学生，能够将“比例原则”“正当程序”等抽象原则转化为人工智能可理解的约束性指令，从而引导人工智能生成高质量的法律分析。同时，培养学生在复杂技术环境下识别法律风险的能力，如识别人工智能生成的虚假判例（幻觉问题）。（2）数据治理与隐私保护层。课程体系的设计不仅要重视人工智能法律实务操作，也要重视人工智能时代的法律制度建构。通过设置“数据法学”“个人信息保护实务”等课程，让学生深入探讨“数据标注”中的法律责任、数据跨境流动的监管框架以及匿名化技术的法律效力。（3）科技伦理与前沿理论层。课程体系设计还需深入制度背后的“价值层”。通过设置“人工智能伦理”“数字法哲学”等课程，讨论算法偏见、机器人的法律人格地位，以及自动化决策对正当程序原则的冲击等。

其三，构建人机协作的新范式。数智素养并非要求每个法律人都成为程序员，而是要求其具备“科学素养”和“技术审美”能力。实习是培养数智素养的实战场。法学院应与智慧法院、顶尖律所深度合作，构建“双师制（人类导师+人工智能辅助系统）”的实践模式。在未来的智慧法院或智慧检察院中，法律人需决定人工智能技术介入司法裁量的程度。在法院实习中，学生应深度接触“类案自动推送”或“刑期计算辅助”系统。锻炼数智素养的重点在于，通过大数据分析发现裁判规律，为以后同类型的案件树立正确的裁判思维。同时，当人工智能给出的类案与当前案件存在细微的事实差异时，敏锐觉察并否定人工智能的建议，而不是盲目采信。在律所实习过程中，学生需学习利用大模型进行初级职业训练。数智素养要求学生在有限的时间内，协调人工智能完成基础数据的清洗，并将节省下来的精力投入到更具商业价值的复杂法律架构设计中。这种对技术红利的分配能力，是未来律所合伙人的必备素质。在更高层次的研究生法学教育中，应创造条件让学生参与科技企业人工智能法律产品的研发标准制定，确保技术从设计源头就符合法治精神。

（二）评价体系创新：从结果导向转向过程监测

法学教育的重点是培养学生处理规范性问题的能力，即“应当如何”。而人工智能技术辅助判决工具本质上是概率统计，即“通常如何”。人工智能赋能法学教育过程中遇到的最大问题，是算法的“统计学逻辑”与法学的“规范性逻辑”之间的张力。为此，必须革新法学教育的评价体系。传统的考核往往关注法律学习的结果，而在人工智能可以轻易通过检索和拟合给出“标准答案”的今天，考核的重心必须从“结论的正确性”转向“过程的合理性”。未来的法学考核应更多侧重于课堂讨论、复杂法律案件的具体分析以及对人工智能生成内容的纠错与评析。法学教育评价体系必须完成以下转型：

一是增加“逆向论证”考核。一方面，要求学生对人工智能生成的法律结论预测进行“反驳训练”。在批判性审查过程中，学生不仅要指出人工智能结论的错误和人工智能逻辑中的盲点（如忽略了某个细微的自由裁量因素），更需运用法学工具分析该错误是如何在算法演算中产生的（例如，是否因为人工智能错误地类比了不相关的判例?是否忽视了法律原则对具体条文的修正?）。评价不再看学生“写出了什么”，而是看学生“删减或修正了什么”。这种“除垢”式的考核，更能真实反映学生对技术边界的敏感度。另一方面，引入“多路径证成”的比较评估。人工智能往往倾向于提供最符合概率分布的“平均答案”，逆向论证考核则要求学生针对同一结论，提供至少两种以上不同路径的证成策略。例如，在法律解释过程中，要求学生分别从文义解释、体系解释、目的解释等多个维度，对同一结论进行逆向重构。考核权重应侧重于学生对不同解释路径之间交叠点和分歧点的发现。如果学生能论证出为何路径A在当前语境下优于路径B，即使结论与所谓的“标准答案”不符，也应给予高分。

二是强化现场交互评价。文字性的、离线的考核极易被人工智能深度渗透，而法律人的核心素养之一，即瞬时的逻辑架构、情感共鸣与现场博弈，是当前通用人工智能最难模拟的领域。因此，法学教育评价体系必须大规模向“现场交互”倾斜，增加口头辩论、诊所教育、模拟法庭等课程的比重。一方面，要增加苏格拉底式的“追问压力测试”。可借鉴英美法学院的经典传统并结合数智化反馈，将课堂表现与口头测试作为核心评分依据。教师或评价专家通过微调假设事实，观察学生在前提条件改变时，其论证逻辑是否会崩塌。高频次的临场变化将迫使学生脱离预设的人工智能脚本，进行原生的思维输出。这种场景中的评价标准包括：学生在面对质疑时的逻辑韧性、对反方观点捕捉的敏锐度，以及在压力下保持法律话语体系专业性的能力。另一方面，将模拟法庭变为人机协同与对抗的复合实验场。在模拟法庭辩论中，要求学生实时应对由人工智能辅助系统生成的突发证据或反方观点。评价者不关注学生是否背诵了辩护词，而关注学生如何调动人工智能工具进行快速检索并转化为有效口头辩论的能力。评价体系应高度激励学生展现出超越算法的、具有现场说服力和感染力的表现。其意旨在于培养知识、技能、信念融会的行动者，弥补现有法学课程体系的不足，实现隐性知识与显性知识一体化教育。

（三）伦理防线构建：确立人工智能技术使用的边界

随着人工智能工具进入课堂和法庭，如果不建立严密的伦理防线，法律作为一种人类的价值实践就将受到技术异化的侵蚀。为此，法学教育必须建立一套明确的“技术正当使用”伦理框架，划定人工智能应用的边界。

一是确立“学习辅助”而非“智能替代”原则。法律判断本质上是一种价值判断，包含同理心、公序良俗和对复杂人性的洞察，这些是算法无法模拟的。教育管理部门应明确人工智能在不同教学环节中的法律地位。在基础调研阶段，鼓励使用人工智能进行文献索引；但在研究选题、核心设计、数据解读、论点撰写等体现原创性的关键环节，应严格限制人工智能的使用比例，防范学生过度依赖人工智能生成的摘要而放弃研读原始判卷，防止法律思维的退化。必须坚持“谁提交、谁负责”的原则，要求学生对人工智能生成的每一个法条、案例和文献引用进行人工核实，确保人类在法律决策链条中始终处于“回路中心”（human-in-the-loop）。因为技术越是逼近人类智能，法律越需通过“人类中心验证机制”守护其规范性根基。随着人工智能的发展，法律职业技能性的培养要求将会缩小，法律职业所具有的共性能力，即法律精神的塑造、价值判断的选择、人性要素的显现以及法律创造性能力的培养将被凸显出来。在此过程中，教师应始终发挥育人主导作用，将生成式人工智能仅作为辅助工具使用。在价值观引导、道德教育、情感培养、心理支持等关键育人环节，教师必须主导完成，不得交由技术替代。

二是建立透明的人工智能使用声明机制。诚实信用是法律职业的基石。在学术研究与实务操作中，必须确立数据来源透明度标准。具体而言包括：（1）建立强制披露制度。正如引用参考文献一样，法学教育应引入“人工智能披露协议”。无论是课程论文还是模拟法庭文书，若使用了人工智能辅助，必须明确标注所用工具、使用环节及生成内容，即使用了哪种模型，使用了何种提示词，在哪些章节使用了人工智能，使用人进行了哪些修正，以及如何对人工智能生成的内容进行核实。这不仅是为了维护学术诚信，更是为了培养学生与人工智能协作时的自我审查习惯，确立算法使用的正当性边界。（2）确立可溯源性要求。强化“算法审计”意识，教育学生在使用人工智能输出结果时，必须能够追溯其原始数据来源，确保引用的法律法规真实有效。

三是引入技术伦理的“负面清单”。法学院校应率先划定人工智能应用的“禁区”，通过负面清单明确哪些行为属于严重的职业道德违规。明确禁止在涉及人格权、隐私权及未公开司法数据的模拟实务中滥用人工智能。严禁使用不可解释、不透明的算法作为涉及剥夺公民基本权利之法律意见的唯一支撑。严禁利用深度伪造技术制造虚假证据，或利用算法漏洞进行“洗钱式”的案例检索以误导公众。严禁在未经授权的情况下，将包含敏感个人隐私的案件卷宗上传至未受安全保护的商用大模型。同时，校方应建立人工智能法律伦理审查委员会，对教学中引入的算法工具进行“合法性评估”，防止带有算法偏见的工具进入法学课堂，从源头上筑牢伦理防线。由此，以点带面地树立“算法正义观”和“数据正义观”，加强人工智能时代学生的伦理情感教育。