道格拉斯法官（William O. Douglas）则提出了所谓的伴影（Penumbra）[19]理论：宪法明示的特定权利扩散形成了权利的伴影，它表明在宪法规定的权利之外尚存在权利的边缘地带，这也为婚内隐私权的存在创造了空间。
其实质是践行习近平法治思想，确保人民至上，维护党中央权威，贯彻落实宪法原则，故须加强对授权立法的事前审查。2021年，新修改的《全国人大组织法》和《中华人民共和国全国人民代表大会议事规则》(以下简称《全国人大议事规则》)明确了宪法和法律委员会审查法律案的职责。
立法机关将本属于自己的立法事项委托给行政机关，并保有事后监督的权力，行政机关在未经立法机关同意的前提下不得擅自再行授权，委托给其他机关。[3]参见[日]芦部信喜、高桥和之:《宪法》(第3版),林来梵、凌维慈、龙绚丽译,北京大学出版社2006年版,第258-261页。具体而言，不得违反法律包括如下内容：既不能在狭义上违反法律，亦不得变更法律，还不能抵触法律。[2]在我国，授权立法的定义十分广泛，既包括全国人大对全国人大常委会的授权，也包括全国人大及其常委会对最高人民法院、最高人民检察院、国家监察委员会的授权，还包括全国人大及其常委会对省级人大及其常委会和经济特区人大及其常委会等的授权。同时，应及时总结经验，将实践中宪法和法律委员会审查授权立法决定的经验上升为法律。
(二)同意权之保留在现代民主国家，国会是最高立法机关，其对所授出的立法权保留同意权，由议会中的各委员会行使监督权。该标准具有强制性，无论授权决定还是立法，皆不得违反。如今，主流的联结主义方法则通过对海量数据的有效聚合、识别与分析，自动化完成知识构建与生成工作。
总体而言，ChatGPT类技术已经表现出较之原有法律人工智能更加出色的法律语言语义理解、意图识别、多轮对话能力。目前中文互联网上高质量法律语料相对有限，且主要以裁判文书的形式存在。不仅如此，法律中蕴含着大量的地方性知识，这些知识可能是诸如刑事侵财类案件数额认定标准这类相对显性的知识，也有可能仅仅是默会的、实践性的，甚至无法用语言与一般命题的形式表示。这使得法律知识具有不同于文学、艺术学与美学的规范性要求，在特定时空地域下总是存在着真理与谬误的客观差异。
结 语ChatGPT类技术是联结学派范式下深度神经网络在数据、算法与算力支撑下进一步跃升的产物。对于法律知识的开放性，哈特通过开放结构（Open Texture）概念作出了更为经典的表达。
可以预见，运用ChatGPT类技术等大规模语言模型成果，以开放式、生成性交互能力为核心，深度嵌入现有智能法律咨询、诉讼自动导引、文书智能生成、争议焦点总结等法律人工智能各类已有系统中，为一体化、集约化法律人工智能的构建与实现创造可能。对于非法律专业人群而言，法律用语通常与晦涩艰深难懂相关联。其次，专家学者在法律和人工智能交叉领域的长期耕耘，为本轮法律人工智能发展提供了技术积累。谷歌基于大规模语言模型推出的对话机器人Bard在回答与詹姆斯·韦伯太空望远镜有关的问题时就犯下事实性错误，引发广泛担忧。
然而，大规模语言模型在缺乏足够新训练数据的基础上仍然只能基于已有数据进行知识生成。事实上，即便是以严谨性与确定性自居的法律，也需要适应社会快速变革的现实化需求，并潜藏着各种变化的可能——尽管这种创造性的知识生成行为很少被大陆法系的法官们公开承认。考虑到法律知识的专业性，针对具备一定复杂性的法律问题，语料中的错误知识可能远多于正确知识。一方面，ChatGPT类技术的垄断倾向将阻碍创新扩散，造成可及性层面的数字鸿沟。
然而，法律的权威性确实为所有法学家所一致认同，这也体现在现代法律制定的严密要求、法律实施的完备体系以及作为强制力的后盾保障等方面。从技术逻辑看，法律人工智能应用的实质是通过自然语言处理技术来准确识别用户的法律诉求，同时将其映射到系统中可用的最佳法律知识响应集。
公共法律服务是政府公共职能的重要组成部分，推进覆盖城乡、便捷高效、均等普惠的现代公共法律服务体系则是其中的应有之义。不同的法学流派对法律的差异化认识，使得法律知识的外延进一步模糊，甚至相互冲突。
（三）赋能法律人工智能嵌入性的提升ChatGPT类技术还有望提升法律人工智能的嵌入性，推动法律人工智能与法律人更加紧密的联结。尽管采用了大规模语言模型和生成式人工智能的技术架构，ChatGPT类技术在数据、模型参数和算力要求上的飞跃，极大提升了其自然语言处理能力。与之相反，ChatGPT类技术则通过一个统一的大规模语言模型，改变了传统人工智能分散化、碎片化的建设思路，其通用化的技术架构，有效提升了模型的嵌入能力。法律领域高度依赖语言运用，因此对于法律人工智能而言，自然语言处理是关键的共性底层技术，其研发程度决定了对法律领域语言理解、意图识别、逻辑推理和内容生成的精确性与专业性。有数据显示，ChatGPT的总算力消耗约为3640PF- days，需要7至8个投资规模30亿元、算力500P的数据中心才能支撑运行。然而，ChatGPT类技术智能生成的背后，则是相对低的数据利用效率——尽管已有显著进步，但大规模语言模型在训练时看到的文本比任何人在一生中看到的还要多得多。
这在外观上即体现为，当前的法律人工智能尚无法充分考虑法律场景中庞大且分散的多方需求，也无法借助知识演算、知识推理、知识过滤等方式深入构建生成复杂法律知识以实现对公众需求的精准回应。ChatGPT类技术与传统机器学习方法的联结学派法律人工智能存在相似之处——即均通过检查大量数据中的模式形成规律性认识。
即便是在法律人工智能的寒冬期，仍有一批学者耕耘其中。在ChatGPT类技术兴起前，基于机器学习与深度神经网络的分析式人工智能占据研发主流，其通过从大量数据中寻找对象的隐藏模式，并对未来的内容进行分类预测。
据统计，在GPT-3的训练语料中，中文文档数、中文词语数和汉字数量分别仅占总语料数的1.1‰、1.0‰和1.6‰，在所有语种位列第15、第17和第14位。这种不平等是从起点到结果的全方位的不平等，这是罗尔斯、桑德尔和森合起来也无法对付的。
这也决定在法律人工智能语料训练时，对数据样本、模型参数与计算能力的需求，与一般自然语言理解技术存在明显差异。实际上，大规模语言模型与生成式智能的技术架构与法律人工智能具有极强的内在契合性，有望破除法律人工智能在自然语言理解方面的技术瓶颈，推动法律人工智能的技术进化，极大提升互动性、生成性与嵌入性，对法律人和社会公众形成一次重大的赋权赋能。尽管近年来法律人工智能发展迅速，但大范围实践应用仍然面临不同程度障碍，凌冬将至的悲观情绪开始在法律人工智能界蔓延。从赋权角度出发，通过政府购买公共服务的方式为社会公众提供ChatGPT类技术赋能的法律人工智能，以产业政策等各种治理工具推动ChatGPT类技术在法律领域的创新扩散，有助于避免其在可及性层面的数字鸿沟。
一方面，法言法语与日常用语存在语义鸿沟，体现为大量专业化的概念与术语，以及高度程式化与学究式的精确措辞。商业化和市场竞争以及政府产业政策最终会使新技术扩散到那些在最初扩散中处于不利地位的阶层。
从上个世纪中叶产生之初，法律人工智能就承载着通过技术提高法律服务的数量、质量与可及性的普遍期待。与此同时，作为普遍适用于社会成员的行为准则，法律语言还有着不同于日常用语的统一性与规范性要求，具体体现为运用大量复杂词组、较长的句子结构，以及并列、补充、递进、转折等句群的混合使用。
另一方面，在即便是看似精确的法律用语中，也充满了语义上的微妙差别。这使得ChatGPT类技术对于知识吸收与再生产具有以下缺陷：首先，以数据化形式呈现的样本语料，无法涵盖法律领域中大量隐性知识与默会知识。
这是因为，法律与文学艺术解释的对象都是人们所创造的某种东西，而非客观存在的事物。另外一个简单解释是，ChatGPT类技术结果生成是基于既往数据的反思与回顾，然而以司法裁判为核心的法律知识生成，则是一个面向未来的建构性环节。与此同时，根据职业受人工智能影响（AI Occupational Exposure, AIOE）榜单的测算，法律行业高居与大规模语言模型联系密切的行业之首。那么，以ChatGPT为代表的大规模语言模型与生成式人工智能技术（下称ChatGPT类技术）有望在何种程度上增强当前的法律人工智能？上述增强究竟是改进性的亦或是颠覆性的？本文拟对上述问题做一简要展开。
按照这种分类，传统法律知识检索问答、文书审查生成、数据分析预测等，均属于专用人工智能的范畴。充分汲取法律人工智能发展的历史经验，将其演进规律、技术逻辑与法律精神、法治理念有机结合，方能在推动法律科技健康发展的同时，保有人类的独立人格、情感与思想。
首先，世界范围内普遍的司法数字化建设，为本轮法律人工智能的发展提供了可观的数据储备。广义上讲，数字鸿沟包括可及（Have or Not Have）和可用（Use or Not Use）两个层面，分别代表接入可及性差异或接入后的运用差异。
对于法律人工智能而言，法律指令集的实质是法律领域所有潜在智能化需求的集合，例如要求法律人工智能撰写诉状、判决书、分析诉讼风险、预测诉讼结果等。根据Crunchbase的数据显示，2021年美国全年175宗法律科技领域的风险投资超过16亿美元，既远超2020年的5.22亿美元投资，也高于2019年的9.89亿美元，创造历史新高。