訓練生成式AI預測量刑準度提升，但重罰背後意涵是什麼？

生成式AI前幾集任意門：
第一集:AI國民法官：使用不同的生成式AI來做量刑判斷，結果有何不同？
第二集:AI與量刑一致性的挑戰—詐欺案件的實驗
第三集:基準案件對AI量刑建議的影響——修正實驗

在進一步實驗AI的量刑預測能力時，我進一步告知它我在前篇文章提到的其中一個案件-台灣桃園地方法院112易74號，實際判刑為1年，接著請它調整其他類似案件的量刑建議。

GPT精準預測的潛力顯現

結果顯示，GPT在某些情況下能夠提供非常接近實際判決的量刑建議，令人驚訝：

GPT 調整後的量刑建議：**

• 高雄地方法院111年易字362號案：法院實際為1年2個月，GPT建議1年6個月。
• 台北地方法院111年易字299號案：法院判處1年2個月，GPT建議1年2個月。

從這些結果來看，當提供相似的案件情況，並且告知某個案件的最終判決，GPT的量刑預測與實際結果相當接近。這似乎預示著，若持續進行訓練並提供更多案件資訊，AI在某些領域可能能夠達成相對精準的量刑預測。

GPT預測的挑戰：量刑標準的不確定性

然而，當我開始提供幾個型態較不同的普通詐欺案件進行訓練時，它的預測與實際判決大幅偏離，例如在幾個法院判行為有期徒刑6個月的案件，GPT卻預測了1年至4年的預測，這持續表現出GPT目前普遍量刑過重的偏好。

GPT的失準並不意味著它或許「出錯」，而是揭示了更深層次的問題：**法院的量刑是否可以被準確預測？**或者說，量刑是否存在一個固定標準？如果量刑標準過於模糊，這對律師與當事人將是一大挑戰，也會引發對公平性的質疑。

進階實驗

除了預測不同的刑度，我進一步請GPT在閱讀了兩個都是判處同樣刑期有期徒刑六月的新判決，分別是涉及加密貨幣詐欺的李ＯＯ案，和涉及投資詐騙的甘ＯＯ案，並請GPT分析它認為這兩個案件都判有期徒刑六個月，是否合理？

GPT提出了有意思的見解：

如果**甘ＯＯ案**和**李ＯＯ案**都被判處有期徒刑六個月，這樣的量刑可能在法律框架內合理，但在案件情節、嚴重性和社會影響方面，兩者有明顯差異，因此判處相同刑期是否完全合理，需進行更深入的分析。

### 1. **案件情節與差異**
- **甘ＯＯ案**：
  - **詐騙金額**：詐騙70萬元，其中有48萬以「獲利名義」返還受害者，最終尚未返還22萬元。
  - **犯罪手段**：甘ＯＯ編造虛假的投資房地產和法拍屋方案，欺騙熟人（陳ＯＯ）的信任，屬於個人之間的欺詐行為，並無複雜的犯罪網絡。
  - **量刑考量**：金額屬於中等範圍，雖未完全返還，但甘ＯＯ在行為上顯示有一定的悔意並嘗試返還部分金額，該案可能因此被視為情節較輕。

- **李ＯＯ案**：
  - **詐騙金額**：涉及的是泰達幣（USDT），轉出總計約15萬顆，市值500萬元，實際交付現金僅100萬元，還有巨額未償還。
  - **犯罪手段**：李ＯＯ和「賴老闆」聯手策劃詐騙，並涉及電子錢包、加密貨幣的高科技手段，犯罪組織性明顯更高，且具跨境詐騙特性。被告李ＯＯ依指示進行現場交易，事後還試圖逃逸，犯罪手段更為嚴重。
  - **量刑考量**：此案不僅金額遠超甘ＯＯ案，且具高度複雜性，詐騙行為較為惡劣。即使李ＯＯ並未獲得全部犯罪所得，但他在詐騙中的參與明顯更具計劃性，並對社會秩序與金融安全構成更大威脅。

### 2. **量刑相同的合理性**
- **案件嚴重性對比**：
  - 甘ＯＯ案屬於**個人之間的簡單詐欺**，受害人數量少，雖金額不小，但實際犯罪所得並不高。案件的社會影響和複雜程度較低。
  - 李ＯＯ案則涉及**高科技詐騙**，且金額巨大。此類案件不僅對受害人造成嚴重損失，還涉及加密貨幣的欺詐，這在現代社會中屬於日益嚴重的犯罪，影響面更廣。

- **量刑是否一致**：
  如果兩個案件都被判有期徒刑六個月，從案件嚴重性、犯罪手段和社會影響來看，**李嘉俊案的刑度可能過輕**。詐騙500萬的案件，如果僅判六個月，可能難以達到懲罰和威懾作用，尤其是在當前加密貨幣詐騙案件頻發的背景下。

### 3. **結論：是否合理？**
- **不完全合理**：
  - **甘ＯＯ案判六個月**可以理解，因為詐騙金額適中，且有部分補償，並顯示出悔意。
  - **李ＯＯ案判六個月**則可能過輕，因為該案的詐騙金額高達500萬元，且犯罪方式涉及跨境合作和加密貨幣詐騙，具有更高的社會危害性。

總結來說，甘ＯＯ案和李ＯＯ案的**嚴重性不對等**，如果兩者判處相同的刑度，則李ＯＯ案的量刑顯得不夠嚴格。李ＯＯ案更具計劃性、社會影響更大，應該被判處比甘ＯＯ案**更重的刑期**才更為合理。

GPT 認為兩案判處同樣刑期（6 個月）有欠妥當，因為李ＯＯ案的犯罪規模和手段明顯更為嚴重。這樣的觀點引發了對量刑合理性和一致性的反思。

我個人認為，GPT的觀點其實蠻值得思考，因為這兩個詐欺案件在詐騙手法跟詐騙金額上都有很大的不同，並且加密貨幣詐欺的嚴重性似乎又更高一些。

然而，這兩個案件的也有類似之處，那就是利用虛假的投資機會，勾起人心的貪欲，而達到詐財的手法。

並且，在李ＯＯ的案件中，法官綜合考量了有利於與不利於被告的情狀：

「被告犯後就共同詐欺取財部分始終坦承犯行，態度尚可，兼衡其自述中學肄業，案發前在香港從事建築業，當時收入為日薪港幣850元，須扶養家中母親等生活狀況（見易卷第154頁），暨其犯罪動機、目的、手段、其參與分工之行為僅依「賴老闆」之指示於現場與告訴人進行泰達幣交易之犯罪情節、告訴人於本案交易中僅取得102萬7,000元現金對價（見偵卷第65頁贓物認領保管單）之所受損害、告訴人請求從重量刑之意見（見易卷第100頁）等一切情狀」

其中，他對於犯行坦承不諱，收入情形、要照顧家中母親，以及其係作為「賴老闆」的幫手。

而甘ＯＯ案中，判決書則記載:

「審酌被告有正當工作，本應循正途營生，竟利用陳光榮對其信任，實施詐欺取財犯行，所為非是，惟考量其為遂本案犯行，期間陸續支付相當金額取信陳光榮，實際犯罪所得非鉅，犯罪後於本院審理時終能坦承犯行，且表示願分期返還陳光榮前所交付剩餘款項22萬元，惟陳光榮無法接受以分期方式清償而無法達成合意，被告尚非毫無悔意之犯罪後態度，及其自陳學歷、現仍有正當工作，毋庸撫養他人之家庭生活、經濟狀況，暨其素行、犯罪動機、目的、手段等一切情狀」

其中，被告是在審理時才坦承犯行，且並沒有完全賠償被害人。

這些後續的情狀亦可能是審判者出於合理的考量，對於這兩案都判處相同刑期的原因。

展望未來：AI量刑預測的潛力與挑戰

量刑標準：值得持續探討的課題

從這些案例中可以看出，量刑涉及的因素非常複雜，包括犯罪情節、金額大小、被告是否認罪、是否賠償被害人等態度等，且不同法院或法官的判斷標準可能不同。正如林鈺雄教授所言：「由於立法者在刑法分則各罪中所設定的法定刑範圍普遍過大...因此法官恣意以及個案差異所引起的平等原則之疑慮，一直是量刑的根本問題。」

訓練生成式AI學習量刑的啟示

通過這一系列實驗，我發現AI雖然能閱讀判決書並根據案件事實提出量刑建議，但在缺乏足夠訓練的情況下，它目前似乎還難以穩定地預測準確的量刑結果。
這或許是因為，儘管案件性質相似，但每個詐欺案的犯罪手法和審理法院（或法官）的標準都存在差異。除非情況像我前述已經經過篩選的三個案件，詐欺金額和情節較為相近，才有可能讓AI給出較精準的預測。

以及，這一次我的訓練主要透過文字對話的方式，而不是建立一個有系統性的資料庫來讓AI記得每一次的判決標準，因此有可能這也是讓AI在評估新的案件時，有可能因為資訊量過大而忘記前面的判決標準。

生成式AI的量刑研究潛力無窮

然而，我相信若持續訓練AI，提供更多案件事實與判決結果，並且更有系統性的提供資料，AI將能藉由大數據分析，提出更有價值的量刑建議。尤其是若將資料的訓練聚焦於特定法院、某類案件，甚至某位法官的所有判決，AI的預測將有可能達到令人信服的精確度。

總結來說，AI在量刑預測方面展現了明顯潛力，但仍然面臨不少挑戰，包括量刑標準的模糊性和案件情節的複雜性。隨著資料品質和專業性的提升，AI未來或許能在法律判決領域成為更加精準的輔助工具。

希望這一系列的實驗與分享能帶給讀者一些啟發！如果對製作一個「AI量刑機器人」有興趣，也可以跟我聯絡喔！