--- order: 17 date: 2026-08-10 summary: ——贝叶斯定理，与“我这个案子能不能赢”的诚实答案 --- # 胜率的算术 **——贝叶斯定理，与“我这个案子能不能赢”的诚实答案** 律师职业生涯里被问得最多的问题，大概是会议室里的这一句：“我这个案子能不能赢？概率有多少？” 传统上这个问题只有两种答案，而两种都不诚实。一种是拍胸脯——“问题不大”，这既违反执业规范（禁止对办案结果作承诺），也透支了说话人自己都不掌握的确定性。另一种是打太极——“诉讼有风险，结果难预料”，合规，但信息量为零，客户等于白问。两种答案共享同一个缺陷：**里面没有算术**。 AI 让这个问题重新变得尖锐：机器读过的判决比任何律师都多，它能不能给出一个近似值？回答之前，得先把“概率是怎么更新的”说清楚。这件事有一条定理管着——贝叶斯定理。它的名声听起来高深，内核是一条初中乘法。 ## 一条乘法 贝叶斯定理最好懂的写法不用概率，用**赔率**——“成立比不成立”的比值。概率 50% 就是赔率一比一，概率 80% 就是四比一。换成赔率之后，整条定理是一次乘法： > 后验赔率 ＝ 先验赔率 × 似然比 翻译成人话：**你新的相信程度，等于你原来的相信程度，乘上新证据的分量**。三个词各管一段：先验是你看到证据之前站的位置，似然比是这份证据把你往前推的力度，后验是你被推到的新位置。 它的力量要用一个反直觉的例子才看得出来。某种病的患病率是千分之一；有一种检测，患者去测，99% 会呈阳性；健康人去测，5% 会误报阳性。现在你去体检，结果是阳性——你患病的概率是多少？ 多数人的直觉在 90% 以上：检测都 99% 准了，还能有假？算一遍。先验赔率：一千个人里一个患者，一比九百九十九。似然比：阳性这个结果，在患者身上出现的概率是 99%，在健康人身上出现的概率是 5%，相除约等于二十——这份证据把赔率放大二十倍。后验赔率：二十比九百九十九，约一比五十。换回概率——**大约 2%**。 99% 准的检测，阳性之后患病概率只有 2%。没有任何花招，只是那条乘法算完了而已：起点太低（千分之一），一份放大二十倍的证据远不足以把它推过半山腰。直觉错在忽略了起点——只盯着证据本身有多“准”，忘了问出发前站在哪里。这个错误有个名字，叫**基率忽视**，它是人类直觉的出厂设置，法庭上的版本被称为检察官谬误：DNA 随机匹配概率百万分之一，于是宣称“被告无辜的概率是百万分之一”——同一个错，只是换了千倍的赌注。 ## 证据没有绝对的分量 这条乘法里最值得单独端详的是中间那个乘数。似然比的定义：**这份证据在“假说为真”的世界里出现的概率，除以它在“假说为假”的世界里出现的概率**。 这个定义悄悄换掉了一个日常问法。我们习惯问“这份证据可信吗、有力吗”，好像证明力是证据自身的属性，像重量一样挂在它身上。似然比说：不对，证据的分量是一个**比值**——它在两个世界里出现的容易程度差多少。指纹留在现场，如果他做了案，出现概率很高；但如果他没做案呢？假如他此前多次合法到访，出现概率同样不低——两个数字相除，似然比可能只有三，而不是想象中的三千。同一枚指纹，换一个案情背景，分量天差地别。 由此还得到一条清爽的判据：**似然比等于一的证据，什么都没证明**。它在两个世界里同样常见，乘上去等于没乘。法庭上大量煞有介事的“氛围证据”——被告品行不佳、事后没有痛哭、庭审眼神躲闪——多半死在这一条上：你很难说清它们在“有罪世界”里比在“无罪世界”里更容易出现多少。 证据不止一份时，乘法接着做：这一份的后验，是下一份的先验，一路乘下去。但连乘有一个前提——**各份证据必须独立**。三个证人都说看见他进楼，如果三人事先对过口供，或者消息同出一源，那是一份证据被数了三遍。相乘之前先查同源，是这套算术自带的审计要求。 ## 把假说换掉 以上说的假说都是事实命题：他有没有病，他有没有做。现在把假说换成客户真正关心的那个——**“法院会支持我的诉请”**——同一条乘法照跑不误。但有一个关键差别，正是这个差别决定了“胜率能不能算”的答案形态。 “胜诉”不是一个事件，是一串事件的函数。一个案子的不确定性至少堆在三层：事实会被怎样认定（证据钉不钉得住），法律会被怎样适用（争点上法院站哪边），程序开关怎么拨（管辖、时效、证据规则）。一个单点数字——“胜诉概率 65%”——把三层不确定性揉成一团，它错了，你不知道错在哪一层，也就无从追责、无从改进。 概率论对付复合事件的标准动作是拆：把胜诉写成一棵**条件概率树**。若关键争点认定为 A，胜诉概率多少；若认定为 B，又是多少；争点本身认定为 A 的概率多少——胜率等于沿树枝的加权求和。而实务上最有价值的发现往往在剪枝之后：**大多数案件，这棵树修剪完只悬在一两个节点上**。 比较两种交付。第一种：“你的胜诉概率是 65%。”第二种：“你的案子悬在竞业限制条款的效力这一个节点上——若被认定有效，你基本胜；若无效，你基本败；同类情形下这类条款被认定有效的比例约七成。”第二种不但更诚实，而且**可以行动**：它告诉客户仗要在哪里打、钱该花在哪份证据上、对方开出什么条件时该考虑和解。第一个数字什么都指导不了，它只是把全部不确定性藏进了一个自信的小数点。 ## 先验从哪里来 树画好了，枝上的数字从哪来？贝叶斯的回答一以贯之：先验要有出处。对“法院会怎么判”这个假说，唯一正当的出处是**类案基率**——同一争点、同类事实形态下，法院历史上实际怎么判的频数。 注意必须是争点级的。案由级的“胜诉率”——“某类侵权案件原告胜诉率六成”之类——几乎没有信息量，因为它把完全不同的案件形态平均在了一起，就像用“全体病人的死亡率”回答“我这台手术危险吗”。有用的基率长这样：同一个争点、同一种事实构造，历史样本若干件，认定方向的分布如何。 但拿历史判决算基率，有两个坑，报数之前必须心里有账。 第一个坑是**样本被筛选过**。法律经济学有个著名假说：双方对结果预期分歧大的案件才会打到判决——预期一致的，早就和解或撤诉了。所以判决书样本天然偏向“胜负难料”的那一批案件，从中算出的基率，不等于“全部此类纠纷”的基率。这个偏差消除不了，只能申报：读数的分母是“打到判决的案件”，不是“发生过的纠纷”。 第二个坑更隐蔽：**模型的语感不是概率**。直接问大语言模型“这案子胜率多少”，它会流畅地给你一个数——但《平均数不是共识》说过，模型逼近的是“什么话被写下过”的分布，它的自信是语感，不是统计。流畅不是证据。一个合格的数字必须能溯源到一个**可数的分母**：“同争点历史案件若干件、其中认定某方向若干件”——数字是查出来的，模型只负责判断本案与历史案件的形态匹配度，并把偏离基率的理由逐条摆出来：本案比基准形态多了哪个事实特征，那个特征在历史案件里如何影响过结果。 ## 七成值多少钱，可以对答案 到这里还剩最后一个问题，也是最容易被略过的一个：机器（或律师）说的“七成”，怎么知道值不值七成？ 答案是：这不是玄学，是可检验的命题。**所有被报过“七成”的案子放在一起，最后是不是真的赢了七成左右**——统计学称之为校准，有标准的度量方法。而检验的前提是一本台账：每次给出读数时记下争点、条件、概率与依据的基率，结案后回填实际结果。攒够几十个案子，校准曲线会告诉你这台预测机的“七成”值多少钱，也会告诉你它在哪类争点上系统性地过度自信。《一张有答案的考卷》的原则在这里原样适用：**没对过答案的预测器，报出的任何数字都只是修辞**。 在台账攒够之前，诚实的输出是区间而非单点：“六到七成之间”与“65%”传递的信息几乎相同，但前者不虚报精度。小数点后的数字不是严谨，是化妆。 ## 赔率的交付格式 最后是交付。《AI 解决分歧》定过一条纪律：给赔率，不给判决——输出必须是条件化的概率，不是无条件的胜负断言。现在可以看清这条纪律的全部理由：条件化不是谨慎的修辞，是贝叶斯的原生格式。概率本来就是有条件的——条件于先验的出处、条件于已知的证据、条件于争点的走向。把条件写明，数字才可追责；把条件抹掉，数字就成了占卜。 它还有一个务实的好处：执业规范禁止对结果作承诺，而“若某争点获认定，则大概率胜”不是承诺，是分析——条件写明了，责任边界也就写明了。倒是那句拍胸脯的“问题不大”，既不科学，也不合规。 还有一个条件必须最后申报：**读数条件于喂进去的材料**。只听一方陈述算出的胜率，是这一方立场的预演，不是对判决的预测——《平均数不是共识》写过，模型的立场随提问的立场漂移。给客户报数时，“基于你目前提供的材料”不是免责套话，是数学上真实的限定条件：对方手里可能有的牌，在你的先验之外。 所以，“我这个案子能不能赢，概率多少”——AI 能回答这个问题吗？能，但诚实的回答不是报出一个数，而是把问题换成一个答得负责任的版本：你的案子悬在哪个节点，那个节点的历史基率是多少，什么证据能把它移动。这三样都查得到、核得了、事后对得了答案。 概率不是预言，是一种申报格式：先验有出处，乘数有名字，条件写在明处，答案可以核对。做不到这四条的数字，无论出自律师的直觉还是模型的语感，都只是把无知包装成了自信。