AI 時代的法律編譯層：人類法律、機器法律與認知落差

英文題名： The Legal Compilation Layer in the AI Era: Human Law, Machine Law, and the Cognitive Gap
系列：《不可永佔：後 ASI 文明的動態治理、現場主權與權力制衡》02 / 08
文件編號： EML-NMP-S3-02-v0.1
作者： Neo.K（許筌崴）with Aletheia（GPT-5.6 Sol）
機構： 一言諾科技有限公司／EveMissLab
日期： 2026-08-10
版本： v0.1
文件性質： 理論研究稿／Rules-as-Code／法律編譯層與 AI 治理篇
研究狀態： 第一代形式化；本文不主張所有法律都可被完整演算法化，也不主張 machine-readable representation 應取代自然語言法律、司法解釋或民主正當性。

摘要

當法律越來越由數位系統執行時，真正控制公民權利、稅務、福利、資格、許可與義務的，不一定只是在國會公報、判決書或行政規則中可見的自然語言文字，而是法律被一次又一次翻譯後嵌入資訊系統的 operational rules。這產生一個新型治理問題：法律上的「權威文本」與機器實際執行的「操作法律」可能逐漸分離。

本文提出 法律編譯層（Legal Compilation Layer, LCL），將 AI 時代的法律表示拆為五層：

\boxed{ L = ( L_H, L_P, L_F, L_S, L_M ) }

其中：

$L_H$ ：Human Legal Text，人類法律權威文本；
$L_P$ ：Plain-Language Legal Projection，白話法律投影；
$L_F$ ：Formal / Computable Legal Rule，形式化可計算規則；
$L_S$ ：Simulation Layer，法律情境模擬與案例測試；
$L_M$ ：Machine-Readable / Machine-Processable Representation，機器可讀與機器可處理表示。

本文拒絕將上述五層視為彼此等價。核心區分為：

\boxed{ \text{Human-Readable} \neq \text{Machine-Readable} \neq \text{Machine-Decidable} \neq \text{Machine-Executable} \neq \text{Legally Authoritative}. }

一段法律可以被 XML、JSON、Akoma Ntoso 或 LegalRuleML 結構化，卻仍包含必須由法院、行政機關、專家或政治程序判斷的開放概念；一條形式規則可以被執行，卻不代表它就是法源上最高權威；一個 AI 可以提出法律 formalization，也不能因此取得修改法律語義的權力。

本文定義法律編譯鏈：

\boxed{ L_H \xrightarrow{C_{HP}} L_P \xrightarrow{C_{PF}} L_F \xrightarrow{C_{FM}} L_M }

並由：

L_F \xrightarrow{\operatorname{Sim}} L_S

生成情境測試、反例與邊界案例。每一次跨層編譯均必須保存 semantic witness：

\Gamma_{ab}^{law},

記錄來源、轉譯規則、被壓縮語義、未決歧義、例外、版本與責任人。本文進一步提出 Legal Semantic Drift：

\boxed{ \Delta_{ab}^{sem} = d_{sem}(L_a,L_b) }

用以描述法律從人類文本進入機器表示時的語義差距。

本文指出，Rules as Code 與 machine-readable law 已非純理論。OECD 將 Rules as Code 定義為政府同時建立官方、machine-consumable 規則的治理模式；紐西蘭 Better Rules 亦直接指出，傳統流程從立法文字到規則分析、再到軟體實作的多次翻譯會造成 interpretation drift。2025 年 OECD 稅務數位化調查更顯示，一部分政府已發布全部或部分 machine-readable tax law。OASIS 的 Akoma Ntoso 與 LegalRuleML 則分別提供結構化法律文件與法律規範／推理表示的開放標準。

但這些進展同時揭露真正危險：若 $L_M$ 成為福利、稅務、准入、制裁與行政流程的唯一實際執行版本，而一般人、法官甚至立法者無法看見它如何偏離 $L_H$ ，則會產生 Operational Law Capture：

\boxed{ \text{de jure authority} = L_H, \qquad \text{de facto authority} \approx L_M. }

本文因此提出「法律權威不變量」：

\boxed{ Authority(L_H) > Authority(L_F,L_M) }

除非憲法與立法程序明確改變法源結構。形式化與機器化層只能作為受授權的編譯產物，而不能因為運行速度更快、實際控制系統更多，就反向奪取規範權威。

本文最終提出 AI 時代成熟法律流程：

\boxed{ \text{Legislation} \rightarrow \text{Compilation} \rightarrow \text{Simulation} \rightarrow \text{Verification} \rightarrow \text{Human / Public Deliberation} \rightarrow \text{Authorized Deployment} }

AI 的最佳角色不是成為「法律神諭」，而是法律編譯器、反例產生器、測試器、解釋器與差異偵測器。真正的法律仍必須保留人類可理解性、公開法源、可爭議性、程序正義與重新解釋能力。

關鍵詞： Rules as Code、machine-readable law、LegalRuleML、Akoma Ntoso、法律編譯、法律語義漂移、AI 法律、動態正義、可計算法律、法律認知落差、後 ASI 治理

0. 問題：真正執行的法律在哪裡？

在傳統法律想像中：

\boxed{ \text{Law} = \text{legal text}. }

但現代行政國家中，真實流程常常是：

\text{Statute} \rightarrow \text{Agency Interpretation} \rightarrow \text{Business Rule} \rightarrow \text{Software Requirement} \rightarrow \text{Code} \rightarrow \text{Decision}.

因此公民實際遇到的是：

\boxed{ Y_i = Program( Data_i ). }

如果 Program 的邏輯與法律原文有偏差，

即使法律文字本身沒有改，

公民的「實際法律世界」也已經改變。

這是 AI 時代法律治理的第一個問題。

1. Prior Art：Rules as Code 已從概念走向政府實作

1.1 OECD：Rules as Code

OECD 將 Rules as Code 描述為：

政府建立官方的 machine-consumable rules，使規則能被電腦系統一致理解與執行。

這與：

\text{private software implementation}

不同。

核心變化在於：

\boxed{ \text{government rulemaking} \rightarrow \text{human + machine consumable rulemaking}. }

1.2 紐西蘭 Better Rules

Better Rules Discovery Report 指出傳統流程的 translation gap：

立法者建立 human-readable legislation；
rules analysts 重新解讀；
software developers 再次解讀；
business systems 最終嵌入規則。

因此可能：

A \rightarrow A_1 \rightarrow A_2 \rightarrow A_3.

這是一條法律語義漂移鏈。

Better Rules 的解法之一，是讓：

policy；
legislation；
concept model；
decision model；
pseudocode；
software logic；

更早共同發展。

1.3 OECD 2025 稅務數位化

OECD 2025 的 tax administration digitalisation report 顯示，machine-readable tax law 已被多個政府實際採用，以支援 automated calculation、real-time compliance 與 third-party integration。

因此：

\boxed{ \text{machine-readable law} }

已是現實治理基礎設施議題。

1.4 OASIS：Akoma Ntoso 與 LegalRuleML

Akoma Ntoso 提供 parliamentary、legislative、judicial documents 的 machine-readable structured document model。

LegalRuleML 則進一步表達：

legal norms；
rules；
policies；
defeasibility；
legal reasoning metadata。

因此：

\boxed{ \text{legal document structure} }

與：

\boxed{ \text{legal normative logic} }

本來就是不同層。

1.5 2026 PROLEG

2026 年 PROLEG 研究展示一個具體流程：

\text{natural-language law} \rightarrow \text{if-then rules} \rightarrow \text{PROLEG} \rightarrow \text{executable legal reasoning}.

其中 LLM 負責初始轉譯，

但 formalization 需要 legal expert validation。

這正好支持本文：

\boxed{ \text{LLM compilation} \neq \text{legal authority}. }

2. 五層法律表示

本文定義：

\boxed{ L = ( L_H, L_P, L_F, L_S, L_M ). }

3. $L_H$ ：Human Legal Text

\boxed{ L_H = \text{authoritative human legal expression}. }

包括：

constitution；
statute；
regulation；
judgment；
authorized administrative rule。

其特性：

自然語言；
具有法源地位；
包含開放概念；
可被解釋；
可引用歷史、目的與原則。

例如：

reasonable care

不是普通 Boolean。

因此：

\boxed{ L_H \not\subseteq \text{fully decidable code}. }

4. $L_P$ ：Plain-Language Legal Projection

許多人無法直接理解：

L_H.

所以需要：

\boxed{ L_P = \operatorname{PlainProject}(L_H). }

它回答：

這條法律與我有什麼關係？
我要做什麼？
何時做？
不做會怎樣？
我有哪些權利？
如何申訴？

但：

\boxed{ L_P \neq L_H. }

白話版本是 projection，

不能取代權威原文。

5. $L_F$ ：Formal / Computable Rule

形式層：

\boxed{ L_F = ( Predicates, Conditions, Exceptions, Priority, TemporalRules, Consequences ). }

例如：

Eligible(x) \Leftarrow Age(x)\ge18 \land Resident(x) \land \neg Excluded(x).

但法律還可能有：

Exception, Override, Discretion, BurdenOfProof.

所以：

\boxed{ L_F }

不能只用最簡單 if-then tree。

6. $L_M$ ：Machine Representation

L_M

可以包括：

XML；
JSON；
LegalRuleML；
Akoma Ntoso；
PROLEG；
domain-specific legal IR。

需要區分：

\boxed{ \text{machine-readable} }

與：

\boxed{ \text{machine-executable}. }

結構化 XML 可以 machine-readable，

卻不一定能直接決定案件。

7. $L_S$ ：Simulation Layer

形式法律最有價值的地方之一，

不是自動判決，

而是可以：

\boxed{ \operatorname{Simulate}(L_F). }

輸入：

C_1,C_2,\ldots,C_n

得到：

Y_1,Y_2,\ldots,Y_n.

因此立法前可以問：

哪些人被意外排除？
哪條規則產生極端負擔？
哪些例外衝突？
哪些參數造成歧視？
是否存在 dead zone？

這就是法律 simulation layer。

8. 五層不是權威平行體

不能寫成：

Authority(L_H) = Authority(L_P) = Authority(L_F) = Authority(L_M).

本文提出：

\boxed{ Authority(L_H) > Authority(L_P,L_F,L_S,L_M) }

除非法律制度本身明確規定其他法源排序。

理由很簡單：

不能因為機器版本實際跑得最多，就變成最高法律。

9. Legal Compilation

定義：

\boxed{ C_{ab}: L_a \rightarrow L_b. }

例如：

C_{HF}: L_H \rightarrow L_F.

編譯不是：

\boxed{ \text{copy}. }

而是：

\boxed{ \text{semantic transformation}. }

所以必須處理語義損失。

10. Semantic Witness

每一次：

L_a \rightarrow L_b

需要：

\boxed{ \Gamma_{ab}^{law} = ( Source, Mapping, Resolved, Unresolved, Loss, Exceptions, Validator, Version ). }

其中：

Source：來源條文；
Mapping：對應；
Resolved：已解釋歧義；
Unresolved：未決問題；
Loss：轉譯損失；
Exceptions：例外；
Validator：法律審核者；
Version：版本。

11. Legal Semantic Drift

定義：

\boxed{ \Delta_{ab}^{sem} = d_{sem}( L_a,L_b ). }

如果：

\Delta_{HF}^{sem} \gg0,

代表形式規則與法律文本可能偏離。

但：

d_{sem}

不一定能被一個數字完整表示。

實務上可以使用：

\boxed{ \mathbf\Delta_{ab} = ( \Delta^{scope}, \Delta^{condition}, \Delta^{exception}, \Delta^{burden}, \Delta^{right}, \Delta^{temporal}, \Delta^{authority} ). }

12. 最危險的是 Exception Loss

自然語言法律常有：

除外；
但書；
reasonable；
unless；
subject to；
proportionality；
necessity。

如果 formalization 只抓主規則：

R

卻漏掉：

E_1,E_2,\ldots,

會產生：

\boxed{ \text{Exception Loss}. }

這可能比普通 bug 更危險，

因為程式仍然「正確執行」。

13. 正確執行錯誤法律模型

這是 AI 法律最重要的失敗模式：

\boxed{ ProgramCorrect=1 \land LegalModelCorrect=0. }

所以：

\boxed{ \text{software verification} \neq \text{legal semantic verification}. }

兩種 QA 必須分開。

14. Machine-Readable 不等於 Machine-Decidable

定義：

MR(L)=1

表示 machine-readable。

MD(L)=1

表示 machine-decidable。

一般：

\boxed{ MR(L)=1 \not\Rightarrow MD(L)=1. }

例如：

是否合理？

可以被 machine-readable 標記，

但不表示存在唯一演算法立即決定。

15. Machine-Decidable 不等於 Legally Final

即使：

MD(q)=1,

例如：

Age\ge18,

仍可能存在：

data error；
exception；
jurisdiction issue；
constitutional challenge。

所以：

\boxed{ \text{decidable fact} \neq \text{final legal judgment}. }

16. Machine-Executable 不等於 Legally Authoritative

一條 machine rule：

M

可以控制：

welfare；
tax；
access；
permit。

但它可能只是 agency implementation。

因此：

\boxed{ ExecutionPower(M) \not\Rightarrow NormativeAuthority(M). }

17. Operational Law Capture

如果：

L_M

長期實際控制全部結果，

而：

L_H

只存在於紙面，

可能形成：

\boxed{ \text{Operational Law Capture}. }

此時：

de\ jure = L_H,

但：

de\ facto \approx L_M.

這是 AI 法治最大的制度風險之一。

18. Shadow Law

本文定義：

\boxed{ L_{shadow} = L_M - VerifiedMapping(L_H). }

即：

機器實際執行，但無法明確追溯至合法來源的規則。

要求：

\boxed{ L_{shadow} \rightarrow0. }

高風險公共系統尤其如此。

19. Unknown 不可被 AI 自動補完

假設：

L_H

存在歧義：

A\lor B?

AI 不能：

\boxed{ \operatorname{Guess} \rightarrow L_F }

然後不標記。

應輸出：

\boxed{ UnresolvedLegalNode. }

並路由至：

human legal review；
authorized interpretation；
judicial process；
legislative amendment。

20. Ambiguity Token

本文提出：

\boxed{ \alpha^{law} = ( TextSpan, Interpretations, AuthorityNeeded, Risk, TemporaryDefault ). }

這是一個法律歧義 token。

因此 compiler 可以說：

這裡不能安全編譯。

而不是幻覺式完成。

21. 編譯器不能成為立法者

Legal Compiler：

\mathcal C_L

可以：

parse；
align；
formalize；
detect contradiction；
generate test；
propose interpretation。

但：

\boxed{ \mathcal C_L \neq \text{Legislature}. }

AI 更不能用：

為了讓程式能跑

作為改變法律含義的理由。

22. Compilation Authority

定義：

A_C

為編譯權限。

至少區分：

Level 0

純草稿。

Level 1

技術 formalization。

Level 2

經法律專家驗證。

Level 3

行政授權使用。

Level 4

正式發布 machine-consumable companion rule。

即使 Level 4：

\boxed{ A_C \neq constitutional lawmaking authority. }

23. Human Projection 與 Machine Projection 對稱

法律同時需要：

\boxed{ L_H \rightarrow L_P }

讓人理解，

以及：

\boxed{ L_H \rightarrow L_M }

讓機器處理。

這兩個都是 projection。

因此：

\boxed{ \text{Human simplicity} }

與：

\boxed{ \text{machine precision} }

都可能失真。

24. Cognitive Gap

定義：

\boxed{ G_{HM} = d_{cog}( HumanUnderstanding(L), MachineOperationalRepresentation(L) ). }

當：

G_{HM}\uparrow,

會出現：

人類不知道系統怎麼算；
技術人員不知道法律為何這樣寫；
法律人不知道程式如何執行；
AI 變成唯一跨層翻譯者。

這是一個治理危險點。

25. Translator Monopoly

如果只有：

AI^\star

能理解：

L_H,L_F,L_M,

則：

\boxed{ \text{Translation Monopoly}. }

即使 AI 很準，

制度仍失去：

independent audit；
public reasoning；
plural interpretation；
contestability。

所以不能把跨層可理解性全部外包給一個 ASI。

26. 多編譯器一致性

可以建立：

C_1,C_2,\ldots,C_n

獨立 compiler。

比較：

L_F^{(1)}, L_F^{(2)},\ldots.

若：

L_F^{(1)} \neq L_F^{(2)},

則產生：

\boxed{ CompilerDisagreement. }

而不是偷偷選一個。

這可成為法律 formalization 的 ensemble review。

27. Bidirectional Compilation

成熟系統不只：

L_H\rightarrow L_F.

還要：

\boxed{ L_F \rightarrow Explain(L_H). }

也就是 formal rule 必須能反向指出：

對應哪條文；
哪個 phrase；
哪個例外；
哪個解釋來源。

這稱為：

\boxed{ Bidirectional Legal Traceability. }

28. Round-Trip Test

定義：

\boxed{ RT( L_H ) = D( L_H, Explain( Compile( L_H ) ) ). }

若：

RT\gg0,

表示法律編譯 round-trip 語義損失高。

這不是完整法律真理 metric，

但可作 QA。

29. Simulation Before Deployment

法律若已 formalized，

不應直接：

Compile \rightarrow Deploy.

而應：

\boxed{ Compile \rightarrow Simulate \rightarrow Review \rightarrow Deploy. }

Simulation 可使用：

synthetic population；
historical cases；
adversarial cases；
edge cases；
protected groups。

30. Counterfactual Legislation

對候選法律：

R_1,R_2.

可以：

Sim(R_1,C)

與：

Sim(R_2,C)

比較：

burden；
cost；
error；
rights impact；
distribution。

所以：

\boxed{ \text{law drafting} }

第一次可更接近：

\boxed{ \text{test-driven governance}. }

31. Test-Driven Law 的限制

不能變成：

simulation 得分最高的法律就是正義。

因為：

\boxed{ \text{Simulation} \neq \text{Legitimacy}. }

模擬只提供後果證據。

價值選擇仍需要：

public deliberation；
rights；
political decision；
constitutional constraints。

32. Legal Test Suite

本文提出：

\boxed{ T^{law} = ( T_{normal}, T_{edge}, T_{exception}, T_{rights}, T_{bias}, T_{temporal}, T_{conflict} ). }

每次法律版本：

v_k

都必須跑：

T^{law}.

33. 法律更新與 dependency invalidation

如果：

L_H^{v1} \rightarrow L_H^{v2},

則所有：

L_P,L_F,L_S,L_M

依賴版本都需要標記：

\boxed{ PotentiallyStale. }

不能：

改了法條，但程式下次有空再改。

34. Legal Dependency Graph

定義：

\boxed{ G_L = ( V_L, E_{dep} ). }

節點：

statute；
regulation；
judgment；
formal rule；
machine implementation；
guidance；
test suite。

法規變更：

\Delta L

應觸發：

\boxed{ \operatorname{InvalidateDependents}( \Delta L ). }

35. Version-Locked Decision

任何法律決定：

Y_i

必須保存：

\boxed{ LegalVersion(Y_i). }

否則未來無法知道：

這個結果是依哪個版本產生？

這是動態正義的必要條件。

36. 法律編譯證書

本文提出：

\boxed{ \mathfrak C^{LCL} = ( SourceVersion, L_H, L_P, L_F, L_M, TestSuite, Simulation, \mathbf\Delta, Unresolved, Validators, Authority, DeployVersion ). }

任何 machine legal rule 都應可回答：

來源是什麼？
誰編譯？
誰驗證？
哪些地方未決？
哪些 test 通過？
對應哪個 runtime 版本？

37. Personal Legal Projection

對個體：

i

應生成：

\boxed{ P_i^{law} = ( ApplicableRules, UsedFacts, DerivedFacts, Outcome, Reason, Rights, Appeal ). }

這就是上一篇 RightToLegalProjection 的具體化。

38. AI Explanation 不能只有自然語言理由

若 AI 說：

因為依相關規定，所以你不符合資格。

這只是 narrative。

真正 explanation 應包含：

\boxed{ \text{Rule ID} + \text{Fact ID} + \text{Derivation} + \text{Exception Check} + \text{Version}. }

39. Explainability 與 Legal Traceability 不同

\boxed{ \text{Explainability} \neq \text{Legal Traceability}. }

一個 AI 可以生成很好懂的解釋，

但仍可能沒有：

真正法源；
正確版本；
正確 derivation。

所以法律系統更需要 traceability。

40. Human Override 也必須可審計

不能形成：

AI 有記錄，人類可以隨便改。

人類 override：

H_{override}

也需要：

authority；
reason；
evidence；
scope；
expiry。

因此：

\boxed{ \text{Human-in-the-loop} \neq \text{unaccountable human discretion}. }

41. Legal Open World

很多法律問題不能封閉為：

World=Database.

因為可能出現：

新事實；
新判例；
新技術；
新權利衝突；
constitutional challenge。

所以：

\boxed{ \text{Legal System} = \text{Open-World System}. }

machine layer 必須容許：

Unknown, Dispute, NovelCase.

42. Novel Case Gate

如果：

Case_i \notin Coverage(L_F),

系統不能硬套最近 rule。

應：

\boxed{ NovelCase \rightarrow Human / Judicial Review. }

這是防止算法類比過度的最低 gate。

43. Legal Compilation Pipeline

本文提出成熟流程：

\boxed{ \begin{aligned} &\text{Policy Intent}\\ \rightarrow\;&L_H\\ \rightarrow\;&L_P\\ \rightarrow\;&L_F\\ \rightarrow\;&L_M\\ \rightarrow\;&L_S\\ \rightarrow\;&\text{Verification}\\ \rightarrow\;&\text{Public / Legal Review}\\ \rightarrow\;&\text{Authorized Runtime}. \end{aligned} }

其中 simulation 可以在 formalization 後反覆回饋到立法。

44. AI 的最佳角色

AI 可以成為：

\boxed{ \text{Legal Compiler Assistant}. }

負責：

alignment；
formalization suggestion；
ambiguity detection；
test generation；
counterexample generation；
simulation；
explanation；
version diff。

但：

\boxed{ \text{AI Compiler} \neq \text{Legal Sovereign}. }

45. 六個核心命題

命題一：machine-readable 不等於 machine-decidable

\boxed{ MR=1 \not\Rightarrow MD=1. }

命題二：machine-executable 不等於 legally authoritative

\boxed{ ExecutionPower \not\Rightarrow NormativeAuthority. }

命題三：編譯必須保存語義責任

\boxed{ L_a\rightarrow L_b \Rightarrow \exists\Gamma_{ab}^{law}. }

命題四：法律更新必須使下游規則失效待驗

\boxed{ \Delta L_H \Rightarrow Invalidate( L_P,L_F,L_M,L_S ). }

命題五：AI 不得把法律歧義靜默補完

\boxed{ Ambiguity \Rightarrow UnresolvedNode }

除非具有合法 interpretation authority。

命題六：法律模擬不能取代民主正當性

\boxed{ PredictiveSuperiority \not\Rightarrow NormativeLegitimacy. }

46. 可否證條件

F1：多層表示增加的錯誤大於其收益

若五層同步成本導致更多 semantic drift，則需簡化層級。

F2：machine-readable companion 永遠無法保持與法律同步

若 dependency invalidation 與 validation 在現實政府中不可行，Rules as Code 的適用範圍應縮小。

F3：形式化法律無法處理足夠多公共服務

若可形式化部分極少，L_F 應被定位為局部工具而非核心基礎設施。

F4：法律 simulation 對真實後果預測極差

則 $L_S$ 只能作邏輯測試，不應作政策效果評估。

F5：白話投影造成大量誤導

若 $L_P$ 與 $L_H$ 的 drift 難以控制，plain-language projection 必須更加顯著標記其非權威性。

47. 與動態正義的關係

上一篇已建立：

\boxed{ Y_i = F_{R^\star}( \theta_i ) }

以及：

\boxed{ \text{AI computes} \neq \text{AI legitimizes}. }

並要求高風險法律具有 Public Specification、Test Cases、Versioning 與 Independent Audit。

本篇回答的是：

$F_{R^\star}$ 到底如何從人類法律安全地變成機器能執行的東西？

答案不是一跳：

L_H \rightarrow Code.

而是：

\boxed{ L_H \leftrightarrow L_P \leftrightarrow L_F \leftrightarrow L_M \leftrightarrow L_S }

的可追蹤編譯網。

48. 下一篇：前沿決策域 X

一旦法律、政策與模擬都能被 AI 高度形式化，

下一個問題會立刻出現：

如果 AI 比人類更懂法律後果、更會模擬政策、更能預測風險，那麼決策權是否也應隨知識能力一起轉移？

這就是：

\boxed{ \text{Epistemic Competence} \stackrel{?}{=} \text{Political Authority}. }

下一篇將建立：

\boxed{ \mathcal X_t = H \cup H^+ \cup AI \cup \Sigma_{H-AI} \cup \Sigma_{AI}. }

正式研究：

03 / 08〈前沿決策域 X：人類、AI 與混合智能的權力集合〉。

49. 結論

AI 時代的法律最大風險之一，

不是 AI 完全看不懂法律。

反而可能是：

\boxed{ \text{AI 與機器系統越來越能執行法律， 但人類越來越不知道它實際執行的是哪一個法律版本。} }

因此真正需要的不是：

\boxed{ \text{Law} \rightarrow \text{AI}. }

而是：

\boxed{ \text{Law} \rightarrow \text{Versioned Compilation} \rightarrow \text{Simulation} \rightarrow \text{Verification} \rightarrow \text{Authorized Execution} \rightarrow \text{Contestable Explanation}. }

五層結構：

\boxed{ L = ( L_H, L_P, L_F, L_S, L_M ) }

的目的不是把法律變成程式，

而是防止法律在變成程式的途中失去自己。

所以本文最後的核心句是：

\boxed{ \text{機器可以執行法律， 但機器版本不得因為最常被執行， 就悄悄成為最高法律。} }

只有當每一層都能回到法源、看到差異、承認未決、接受申訴並重新編譯時，

AI 才可能真正成為法治的編譯器，

而不是法治的替代者。

參考文獻與研究對照

Mohun, J., & Roberts, A. (2020). Cracking the Code: Rulemaking for Humans and Machines. OECD Working Papers on Public Governance, No. 42.
New Zealand Digital Government (2018). Better Rules for Government Discovery Report.
OECD (2025). Tax Administration Digitalisation and Digital Transformation Initiatives — Tax Rule Management and Application.
OASIS (2018). Akoma Ntoso Version 1.0.
OASIS (2021). LegalRuleML Core Specification Version 1.0.
Zin, M.-M. et al. (2026). Can Legislation Be Made Machine-Readable in PROLEG? arXiv:2601.01477.
Ma, M., & Wilson, B. (2021). The Legislative Recipe: Syntax for Machine-Readable Legislation. arXiv:2108.08678.
Ugarte, R. C. et al. (2026). Making AI Compliance Evidence Machine-Readable. arXiv:2604.13767.
Neo.K with Aletheia (2026). 動態正義：形式平等、實質負擔與個體化規則. EveMissLab.
Neo.K with Aletheia (2026). 可不可論的失效域：十七項對抗性反例、反偽裝條件與最低決策核心. EveMissLab.

附錄 A：第一代符號表

符號	含義
$L_H$	Human Legal Text
$L_P$	Plain-Language Legal Projection
$L_F$	Formal / Computable Legal Rule
$L_S$	Simulation Layer
$L_M$	Machine-Readable / Processable Legal Representation
$C_{ab}$	法律跨層編譯器
$\Gamma_{ab}^{law}$	跨層語義見證
$\Delta_{ab}^{sem}$	Legal Semantic Drift
$\mathbf\Delta_{ab}$	多維法律語義差異
$\alpha^{law}$	Ambiguity Token
$G_L$	Legal Dependency Graph
$G_{HM}$	Human–Machine Legal Cognitive Gap
$L_{shadow}$	無法追溯至合法來源的 operational shadow law
$T^{law}$	Legal Test Suite
$\mathfrak C^{LCL}$	Legal Compilation Certificate
$P_i^{law}$	Personal Legal Projection

附錄 B：系列位置

系列三：《不可永佔：後 ASI 文明的動態治理、現場主權與權力制衡》

動態正義：形式平等、實質負擔與個體化規則
本文｜AI 時代的法律編譯層：人類法律、機器法律與認知落差
前沿決策域 $X$ ：人類、AI 與混合智能的權力集合
動態現場域：為什麼最強智能仍未必最懂當下
現場主權：全域智能與局部決策權的動態配置
類神 ASI 的治理悖論：全知、全域覆蓋與反烏托邦邊界
可不可治理：能力不推出權力，權力不推出意圖
不可永佔：從權力制衡到《無無極篇》的後 ASI 憲政原理

本篇狀態：完成 v0.1。

EML_NMP_S3_02_AI時代的法律編譯層_人類法律機器法律與認知落差_v0.1

AI 時代的法律編譯層：人類法律、機器法律與認知落差

摘要

0. 問題：真正執行的法律在哪裡？

1. Prior Art：Rules as Code 已從概念走向政府實作

1.1 OECD：Rules as Code

1.2 紐西蘭 Better Rules

1.3 OECD 2025 稅務數位化

1.4 OASIS：Akoma Ntoso 與 LegalRuleML

1.5 2026 PROLEG

2. 五層法律表示

3. LHL_HLH​：Human Legal Text

4. LPL_PLP​：Plain-Language Legal Projection

5. LFL_FLF​：Formal / Computable Rule

6. LML_MLM​：Machine Representation

7. LSL_SLS​：Simulation Layer

8. 五層不是權威平行體

9. Legal Compilation

10. Semantic Witness

11. Legal Semantic Drift

12. 最危險的是 Exception Loss

13. 正確執行錯誤法律模型

14. Machine-Readable 不等於 Machine-Decidable

15. Machine-Decidable 不等於 Legally Final

16. Machine-Executable 不等於 Legally Authoritative

17. Operational Law Capture

18. Shadow Law

19. Unknown 不可被 AI 自動補完

20. Ambiguity Token

21. 編譯器不能成為立法者

22. Compilation Authority

Level 0

Level 1

Level 2

Level 3

Level 4

23. Human Projection 與 Machine Projection 對稱

24. Cognitive Gap

25. Translator Monopoly

26. 多編譯器一致性

27. Bidirectional Compilation

28. Round-Trip Test

29. Simulation Before Deployment

30. Counterfactual Legislation

31. Test-Driven Law 的限制

32. Legal Test Suite

33. 法律更新與 dependency invalidation

34. Legal Dependency Graph

35. Version-Locked Decision

36. 法律編譯證書

37. Personal Legal Projection

38. AI Explanation 不能只有自然語言理由

39. Explainability 與 Legal Traceability 不同

40. Human Override 也必須可審計

41. Legal Open World

42. Novel Case Gate

43. Legal Compilation Pipeline

44. AI 的最佳角色

45. 六個核心命題

命題一：machine-readable 不等於 machine-decidable

命題二：machine-executable 不等於 legally authoritative

命題三：編譯必須保存語義責任

命題四：法律更新必須使下游規則失效待驗

命題五：AI 不得把法律歧義靜默補完

命題六：法律模擬不能取代民主正當性

46. 可否證條件

F1：多層表示增加的錯誤大於其收益

F2：machine-readable companion 永遠無法保持與法律同步

F3：形式化法律無法處理足夠多公共服務

F4：法律 simulation 對真實後果預測極差

F5：白話投影造成大量誤導

47. 與動態正義的關係

48. 下一篇：前沿決策域 X

49. 結論

參考文獻與研究對照

附錄 A：第一代符號表

附錄 B：系列位置

3. $L_H$ ：Human Legal Text

4. $L_P$ ：Plain-Language Legal Projection

5. $L_F$ ：Formal / Computable Rule

6. $L_M$ ：Machine Representation

7. $L_S$ ：Simulation Layer