法院卷宗數據的開放性，在 Hacker News 上從來不是新鮮話題，但最近因為 DeepSeek 在全球技術圈引發的數據效率討論，讓這個老問題顯得格外刺眼。我們在談論 AI 知識主權時，總習慣假設互聯網數據是取之不盡的公共礦場，事實上，像 PACER 這種古老且收費的美國法院數據庫，才是 AI 進化的真正瓶頸。這不只是錢的問題，而是數據獲取成本直接決定了模型在專業領域的「智商」。當我們嘗試讓 Gemini 處理長達數百頁的破產法庭文件，或是要求 ChatGPT 解析複雜的專利訴訟脈絡時，這些模型表現出的幻覺，往往源於它們在訓練階段就沒吃過幾頓正經的法律大餐。
目前四大平台中，Gemini 在處理法律文書這類長文本任務時展現出了明顯的策略傾向。Google 憑藉其強大的爬蟲基因，試圖通過 Vertex AI 將更多法律合規數據結構化，但在面對 PACER 這種每頁收費 0.1 美元的過時系統時，強如 Google 也不得不面對成本牆。Gemini 1.5 Pro 的百萬級 token 窗口在處理單一案件的全案卷宗時非常從容，但如果底層數據是通過 Recap 這種第三方插件「眾籌」來的殘缺副本，模型在跨案件關聯分析時就會出現嚴重的邏輯斷裂。它能記住當前文檔的所有細節，卻無法在缺乏全局數據的情況下，準確判斷某個判例法邏輯在不同司法管轄區的適用性。
相比之下，ChatGPT 的做法更傾向於「合成與推理」。OpenAI 似乎意識到直接獲取海量原始法律數據的難度與法律風險，因此在 GPT-4o 的訓練中，更多地強化了對法律條文的邏輯拆解能力。當你餵給它一份掃描質量極差的法庭筆錄，GPT-4o 的 OCR 修正與意圖識別能力確實領先一步。然而，這種強大的推理能力有時會演變成一種危險的自負。在缺乏真實數據庫支持的情況下，它會用極其完美的法律修辭去編造一個不存在的判例。這種「優雅的錯誤」在法律專業人士眼中，遠比 Gemini 的不穩定更令人不安。
如果將視角切換到技術實現的成本與效率，相較於 DeepSeek 頻頻被提及的訓練模型經濟學，四大平台在處理公共數據時顯得更為保守且沈重。Grok 雖然背靠 X 的實時數據流，但在法律文書這種需要極高嚴謹度的靜態數據面前，它的優勢幾乎蕩然無存。社交平台上的法律討論碎片，對於訓練一個能打贏官司的模型來說，不僅無益，反而可能引入大量的噪音和情緒化偏見。而 Claude 在這場博弈中選擇了極端謹慎的對齊策略，它在處理涉及訴訟當事人隱私的數據時，往往會觸發過於敏感的拒絕機制。這種安全性在保護隱私與提供公共法律服務之間，劃出了一道難以逾越的鴻溝。
我們必須意識到，法律數據庫的收費牆不僅僅是保護了政府的財政收入，它在無意中成為了 AI 技術的過濾器。這導致了一個怪異的現狀：最尖端的法律 AI 往往只能在昂貴的律師事務所內部運行，而普通大眾使用的通用 AI，卻在法律常識上磕磕絆絆。如果 PACER 系統真的如法案所願走向免費與現代化，那將是數據的一次大解放。屆時，我們評判一個模型的標準，將從「誰更會編法律故事」轉向「誰能精準索引每一份法庭證據」。
當所有法律數據都變成免費且機器可讀的結構化文本，目前這種依賴長文本窗口或複雜 RAG 流程的過渡方案，是否還具有長期的技術價值？如果有一天，模型的法律判斷準確率因為數據開放而達到 99%，那些隱藏在卷宗深處、與公共利益衝突的當事人隱私，又該如何避免被 AI 徹底「社會性抹除」？