AIモデルの処理と法的推論（legal reasoning）のアナロジー ①:識別モデル

2025年6月5日 17:08

［20250609改訂］
このブログでは、何回かに分けて機械学習と法的推論・判断のプロセスについて比較しました。「法的判断とのプロセスと機械学習は似てる？」などです。例えば、裁判における主要事実・間接事実の選定と評価のプロセスは、機械学習における特徴量設計・重みづけ・モデル調整と深い対応関係があります。analogy とは、ある事柄に基づく情報を、他の事柄との似通いに基づいて適用する認知プロセスをいいます。本稿で言えば、AIの思考や処理プロセスを、法的主張の形成や評価、法的推論に当てはめ応用できるんかい、それにどんな意味があるんかい、ということです。

AIモデルも一様ではありません。大別して「識別型」（Discriminative Models）と「生成型」（Generative Models）があります。識別型は、既存パターンを前提にして、入力に対する結果を導きます。これに対し「生成型」（Generative Models）は、事実から抽象的パターンや構造（＝潜在変数）を探り、そこから、新たなパターンを作り出します。その後の処理は、識別型と同じです。

これを法的処理に当てはめれば、識別型AI＝「既存の法体系に基づく判定」、生成型AI＝「法理未確定領域での仮説構築と解釈形成」という構造に置き換えることができます。

以前のブログのテーマは主に識別型モデルを念頭に置いたものでした。本稿では、法的推論・判断のプロセス、識別モデルについておさらいし、生成モデルと法的判断のさわりについて触れることにします。

1 法的判断とAI

1.1 主要事実・間接事実と特徴量の関係

主要事実（要件事実）とは、法的結論に必要な構成要素（例：不法行為における故意・過失・損害・因果関係）です。間接事実は、主要事実の存在を立証するための具体的な証拠・状況（例：ブレーキ痕、監視カメラ映像、当事者の供述）となります。すなわち、主要事実 ≒ タスクの出力 y に必要な構成要素、間接事実 ≒ x（入力特徴量）の一部として、yを予測する根拠となります。つまり、間接事実の選択は、機械学習における特徴量設計（Feature Engineering）に相当するわけです。

1.2 間接事実の重み ≒ 特徴量の重み（モデル内での影響度）

例えば、ある間接事実（例：制限速度超過）が過失の有無に与える影響は大きいと言えます。逆に、軽微な接触や当事者の主観的な不安感などは、損害の認定にほとんど影響を与えない可能性があります。これはモデルにおける重み付け（weights）や重要度スコア（feature importance）、すなわちどの特徴が出力にどの程度影響するかと概ね対応しています。

1.3 ニューラルネットワークと自動化

ニューラルネットワークや深層学習モデル（特にAttention機構などを含むもの）は、①有効な特徴量の抽出、②特徴の自動重み付け、③非線形な関係の捕捉を自動で学習します。

これは、実務の弁護士や裁判官が行う、①どの事実が重要かを見極め（特徴量選択）、②それをどれくらい重視するかを考慮し（重み付け）、③総合的に判断する（非線形統合）という判断プロセスを模倣しているとも言えます。

1.4 シミュレーションとハイパーパラメータ調整

特徴量の選択や重みを人為的に調整すること、ハイパーパラメータ（例：層の深さ、学習率、損失関数）を操作することは、法的主張の妥当性についての「仮説検証」や「構成のシミュレーション」として有効となります。例えば、「もしこの事実（例：危険運転の証拠）を外すと、過失が認定されないか？」、「この状況下では、因果関係が否定されるのではないか？」という法的仮説を、構成要素の重みの調整としてモデル内で再現できます。

1.5 まとめ

以上のとおり、AIと法的推論は、本質的な構造が似通っています。裁判における間接事実の選定と評価は、機械学習における特徴量設計と重み付けに相当します。ニューラルネットワークやAttention型AIは、これを自動的に学習・最適化します。特徴量やハイパーパラメータの調整は、法的主張の構成・検討のシミュレーションとして理解することができます。よって、「AI的アプローチで法的主張の適否をシミュレートする」ことは、理論的にも実践的にも十分可能性があると言えます。

2 識別モデル

2.1 モデル

交通事故の損害賠償請求を例にとれば、たいていの事故は、これまでの事故パターンに当てはめることができます。このパターンは、弁護士会の「赤本」、「青本」を参照すれば検索ができます。「青本」は「交通事故損害額算定基準」、「赤本」は「民事交通事故訴訟損害賠償額算定基準」（日弁連交通事故センター東京支部編）です（当センターの刊行物について（青本及び赤い本） - 公益財団法人日弁連交通事故相談センター）。

問題となる事故を青本、赤本に書かれているパターンに当てはめれば、これまでの裁判例や実務での処理例に照らして、当事者の過失割合が、おおむね自動的に算出できます。これは、P(y|x) を学習する識別モデルと同型です。

P(y | x) とは、数学的には「条件付き確率」の表記で、x（ある条件）が与えられたときに、y（ある結果）が起きる確率を意味します。

たとえば：

x = ある交通事故の状況（車線、速度、信号の状態など）
y = 裁判での過失割合の判断（例：加害者が8割過失あり）

このとき、P(y | x) = 「その状況のもとで、過失割合がこうなる確率」ということになります。

モデルは、事実xに対して、結果yは何かを学習します。このモデルは、裁判でいえば、規範に事実を適用する裁判官の果たす役割に近いものとなります。

2.2 種類と特性

識別モデル型のAIには、以下のようなモデル群が存在します。これらは主に「入力に対して、ラベルやスコアなどの判別結果を出力する」タスク（分類、回帰など）に用いられます。

識別モデルの特徴として、学習対象はP(y | x)となります。代表タスクは、分類、回帰、スコアリングなどがあります。モデルの利点は、精度が高くタスクに直結する学習が可能ですが、モデルの限界として、データ分布の生成過程（P(x)）は考慮しないなどが挙げられます。

2.3 識別型モデルの処理

識別型AI（SVM、ロジスティック回帰、BERTなど）は、この P(y | x) を直接モデル化します。つまり、x（入力・特徴）が与えられたときに、正しいy（ラベル・結果）を予測するモデルを構築します。具体的には、次のような処理となります。

メールのスパム分類 →
x = 単語の出現頻度、リンクの有無、差出人情報
y = スパム or 正常メール
⇒ P(y | x) を予測して「スパム度が高い」と判定
交通事故の法的責任 →
x = 事故状況の事実パターン
y = 過失割合・有責性
⇒ P(y | x) を予測して、判断支援

2.4 これを法的アナロジーで言えば…

識別モデルは、「この事実（x）に照らして、どの判決（y）が妥当か？」という問いに最適化されたAIです。つまり、すでにルールがあり、それに「事実を当てはめる」作業がメインの局面に強いものといえます。裁判所の行う、事実認定 → 法適用 → 結論）に近いものとなります。

まとめると、識別モデルは、P(y | x) = 「xという事実に対して、yという帰結の確率」を求める予測問題（帰結推定）を扱います。これを法律のアナロジーでいえば、規範が確立されている場面での事実の当てはめいうことになります。

規範が確立していない領域では、識別モデルの紛争処理における有用性は半減します。生成型ＡＩの登場です。

3 生成型AIの特性

3.1 識別モデルとの違い

「生成モデル」とは、新しいデータ（テキスト、画像、音声など）を生成できるAIモデルのことを指します。たとえばChatGPTや画像生成AI（例：DALL·E、Stable Diffusion）は、生成モデルの代表例です。それ以前の「判別モデル」との違いは、次のとおり整理できます。

まず、識別モデルの主たる目的は入力がどのクラスに属するかを分類にあります。これは、ラベルや確率（例：「これは犬か猫か？」）で出力されます。モデルは、ロジスティック回帰、SVM、BERT、ResNetなどがあります。
これに対し生成モデルの目的は新しいデータを生成にあります。これはテキスト、画像、音声など（例：「猫の画像を生成して」）により出力されます。モデルには、GPT、DALL·E、StyleGAN、VAEなどがあります。

・VAEモデル：事実xから潜在構造z（仮説ルール）を抽出 → 再構成
・GANモデル：現実と区別がつかないxを、何もないところから創造
・拡散モデル：ノイズ的事実から時間をかけて構造的意味へと収束

3.2 生成モデル間の違い

次に、生成モデル間の違いは次のとおりです。GAN（Generative Adversarial Networks）の原理は敵対的学習にあり、高品質な画像が得られますが、学習が不安定、再現性に難があるとされます。次に、VAE（変分オートエンコーダ）の原理は確率的生成モデルです。長所としては安定した学習が得られますが、出力がぼやけることがあることが短所とされます。拡散モデル（Diffusion Models）の原理は、ノイズから段階的に生成することにあります。長所として非常に高精度（例：Stable Diffusion）が得られますが、計算コストが高いの短所です。

3.3 LLM（大規模言語モデル）は？
GPTのようなLLMは、多数の事例から言語的パターン・論理を生成し、そこから「それらしいルールと帰結」を生成します。構造的には生成モデル（自己回帰的生成）ですが、fine-tuningやプロンプト次第で分類・推論（判別型タスク）にも応じるため、「生成型AIのふりをした判別器」のような振る舞いもします。たとえば、過去の判例を多数学習して「新たな法的帰結らしき文章」を生成する場合は、①潜在的には生成型的（パターン創出）、②表層的には判別型的（ラベルに近い結論）というハイブリッド性を持ちます。

3.4. 推論モデルとLLM

推論モデルと一般的な大規模言語モデル（LLM）の大きな違いは、回答を生成するプロセスにあります。一般的なLLMが直接的に回答を出力するのに対し、推論モデルは内部で長い思考の連鎖（Chain of Thought）を生成してから回答を行います。与えられた目標に対して、自身で詳細を検討しながら解決策を導き出すというプロセスです。

これに対してGPT‐3.5やGPT-4などの従来型のLLMは、具体的な指示を必要とします。より正確な出力を得るためには、詳細な指示を与える必要があるわけです。プロンプトエンジニアリングの精度により、出力の精度が大きく変動します。この違いは、特に複雑な問題解決やコーディング、科学的推論、多段階の計画立案といったタスクにおいて顕著となります。また、推論モデルの特徴に、「推論トークン」と呼ばれる独自の要素を導入している点があります。これはプロンプトの分析や複数のアプローチの検討に使用されるもので、入力・出力トークンとは別のものです。推論モデルは最終的な回答を生成する前に、これらの推論トークンを使用して「思考」を行います。

3.5. 処理プロセスとanalogy

判別型AIモデルは規範（法律・判例）に事実を当てはめて結論を出すのに対し、生成型AIモデルは、規範そのものが不確定な場合に、事実から法理を構成し判断するものです。

生成ＡＩの処理は、これを法律の推論に置き換えれば、次のとおりとなります。まず、紛争の事実から抽象的パターンや構造（＝潜在変数）を探ります。次にそこから、新たなルールや法的評価軸を構成します。そのうえで事実を当てはめて、主張を構成したり、当事者の主張の判断を行います。

AIモデルの処理（たとえばデータからパターンを抽出して予測や判断を行うこと）と、法的判断（法律や判例に基づいて事実を評価し結論を出すこと）は、いずれも「ルールやデータに基づいて結果を導き出す」という点で共通性があります。他方で、両者の違いも明確です。AIモデルの処理は主に統計的なパターン認識や機械学習による自動化を目指しますが、法的判断は条文や判例の解釈、そして「人情」や特殊事情の考慮など、人間的な要素や社会的文脈の理解が求められます。AIは個別の事情や「人情」を十分に考慮できないため、法的判断のすべてをAIモデルの処理に置き換えることは現実的ではありません。

3.6. 処理の限界

米AppleのAI研究者らは2024年10月7日、「GSM-Symbolic: Understanding the Limitations of Mathematical Reasoning in Large Language Models」（LLMにおける数学的推論の限界を理解する）という論文を発表しました。この論文は、LLM（大規模言語モデル）が、本当に人間のように論理的に考えて問題を解けるのか、という疑問を検証し、結論としては、LLMは今のところ、表面的なパターンを真似て答えを出しているだけで、真の推論能力は持っていないと主張しています。
また、2025年6月8日、LRM（Large Reasoning Model、大規模推論モデル）についても、数学的な問題解決で、真の論理的推論ではなく、訓練データに基づく確率的なパターンマッチングに大きく依存している可能性があるとする指摘がなされています（The Illusion of Thinking:Understanding the Strengths and Limitations of Reasoning Models via the Lens of Problem Complexity、
https://machinelearning.apple.com/research/illusion-of-thinking）。

これによれば、LRMが生成する中間的な推論トレースを分析すると、複雑さに依存したパターンが見られたとされます。比較的単純な問題では、「Overthinking（考えすぎ）」が見られ、正しい解を見つけた後も不要な探索を続ける傾向があること、中程度の複雑さでは、誤った探索の後で正しい解にたどり着くパターンが増えたこと、高度な複雑さの問題では、正しい解を全く見つけられない完全な失敗が観察されたこと、これらのパターンは、LRMの自己修正能力が限定的であり、明確なスケーリング限界があるとされます。

4 まとめ

AIの推論モデルが行う推論と法的推論には違いがあります。人の行う法律の判断や推論に直感が介在します。避けられません。例えば、訴訟での裁判官の判断について心証の雪崩現象があります。これは確証バイアスの働きによるものです。このようなバイアス排除には認知・判断プロセスの可視化が必要となります。AIの推論モデルについて思考・推論プロセスと法的思考・推論の論理構造を比較することは、法的思考・推論のメタ認知を可能にし、その可視化に役立ちます。次回は、生成モデルに焦点を当て、それぞれのモデルごとに法的思考・推論との比較を行うことにします。