大家好，我是吾鳴。
之前吾鳴给大家分享过浙江大学的DeepSeek系列公开课内容，包含PPT+视频，它们分别是：
浙江大学|DeepSeek系列公开课|第二季|DeepSeek技术溯源及前沿探索
浙江大学公开课|第二季|从大模型、智能体到复杂AI应用系统的构建——以产业大脑为例
第一期（上）：吴飞（浙江大学）DeepSeek：回望AI三大主义与加强通识教育
第一期（下）：Chatting or Acting？——DeepSeek的突破边界与“浙大先生”的未来图景（浙江大学 陈文智）
第二期（上）：孙凌云（浙江大学）DeepSeek：智能时代的全面到来和人机协作的新常态
第二期（下）：王则可（浙江大学）DeepSeek模型优势：算力、成本角度解读
第三期（上）：陈静远（浙江大学）语言解码双生花：人类经验与AI算法的镜像之旅
第三期（下）：吴超（浙江大学）走向数字社会：从Deepseek到群体智慧
第四期（上）：陈建海（浙江大学）DeepSeek的本地化部署与AI通识教育之未来
第四期（下）：朱朝阳（浙江大学）DeepSeek之火，可以燎原
今天吾鳴要给大家分享的是浙江大学DeepSeek系列公开课第二季第三期的内容，报告主要的内容是讲解生成式AI如何赋能智慧司法，使得司法系统更加智能化，以便更好地服务大众。报告一共有64页PPT，完整版PPT+视频下载地址都放到了文末。
内容摘要
生成式人工智能的基础与发展脉络
从人工智能的基本定义出发，区分生成式模型（学习数据分布并生成新内容）与判别式模型（聚焦分类与区分）。以GPT系列为例，梳理生成式AI的技术演进：从GPT-1的初步语义理解到GPT-4的多模态融合与专业领域突破。同时介绍中国团队DeepSeek的模型迭代（如参数规模、混合专家架构等），强调其在开源、低资源优化与垂直任务中的创新。核心训练方法包括自监督学习、提示微调、人类反馈强化学习，并分析了大模型依赖数据、算力与参数的“扩展定律”。
生成式人工智能在智慧司法中的应用
针对司法领域痛点（如案件数量激增、裁判标准不统一），提出生成式AI的赋能方案：
- 智能审判辅助系统：自动生成争议焦点、证据链分析、判决文书，缩短庭审时间，提升当庭宣判率。
- 法律知识增强：通过因果反事实模型解决数据偏差，结合法律知识图谱与一阶逻辑编码，提升判决可解释性。
- 垂直领域大模型“智海-录问” ：整合海量法律数据（法规、案例、司法解释），通过指令微调与知识注入，增强模型的专业推理能力。
- 大小模型协同：通用大模型（如DeepSeek-R1）处理复杂推理，小模型优化具体任务（如罪名预测、刑期计算），通过协同提升效率与准确性。
生成式人工智能的局限性
- 关联学习的缺陷：依赖数据驱动的虚假相关（如冰激凌销量与犯罪率），导致不可解释、决策不可靠、结果不稳定及伦理风险（如人脸识别偏见）。
- 专业领域瓶颈：法律知识更新滞后、推理中的“幻觉”问题、政法场景思维链专业性不足。
- 技术与资源门槛：大模型依赖海量数据与算力，面临训练成本高、数据耗尽风险，且垂直领域需定制化优化。
未来方向与人类角色
- 技术路径：构建因果推理框架，区分因果关联与虚假关联；通过领域专用数据、知识注入与强化学习优化垂直模型。
- 人机协作：强调人类在制造与利用工具中的核心地位，AI应作为辅助工具提升效率，而非替代人类判断。
- 社会影响：需规范AI应用（如法律大模型评测标准），平衡技术创新与伦理安全，推动“人类与AI共同进化”的协作模式。
精彩内容
报告下载地址：kdocs.cn/l/ci1DfElGC…
