法律科技

核心事件 法律科技实验室 PLI Labs 创始人 Nick Mermiges 发布其“GPU 律师”系列第三弹，展示了在两台 NVIDIA DGX Spark 服务器及 RTX 3090 集群上运行 DeepSeek-V3/Flash 的极致性能，实现了超过 2,600 tok/s 的预填充速度与 322 tok/s 的结构化输出，且全过程由 Claude Code 自动化驱动。 ▶ 极致推理效率： DeepSeek-V3 在高性能集群上展现了恐怖的吞吐量，尤其是在处理 256K 超长上下文时，预填充速度突破 2,600 tok/s，为大规模法律文档 RAG 提供了工业级支撑。 ▶ Agent 驱动的运维革命： 作者作为非专业程序员，全程通过 Anthropic 的 Claude Code 命令行工具进行基准测试编写、环境配置与数据可视化，验证了 AI Agent 在复杂基础设施管理中的“降维打击”能力。 ▶ 法律科技的算力平权： 这一案例标志着领域专家（Domain Experts）可以直接掌控顶级算力资源，利用 DeepSeek 等高效架构模型构建私有化、高吞吐的行业大脑。 八卦洞察 DeepSeek-V3 的崛起并非偶然，其 MoE（混合专家模型）架构在 DGX 级别的硬件上释放出了远超同类模型的推理性价比。Nick Mermiges 的实验揭示了一个冷酷的现实：大模型的竞争正在从“参数量”转向“推理效率”与“长文本吞吐”。对于法律、医疗等重文档行业，2,600+ tok/s 的预填充速度意味着万页卷宗的秒级检索与分析已成现实。更值得关注的是 Claude Code 的角色，它不仅是代码助手，更是“云端架构师”，抹平了法律专家与分布式计算之间的技术鸿沟。这预示着未来企业级 AI 的部署将不再依赖庞大的工程团队，而是一组 Agent 与高性能硬件的直接对话。 行动建议 1. 拥抱 Agentic DevOps： 建议技术团队及非技术背景的业务负责人尝试 Claude Code 或类似 CLI 工具，将基础设施的配置与基准测试流程自动化，大幅降低研发成本。 2. 优化 RAG 预填充策略： 针对长文本应用，应优先选择像 DeepSeek-V3 这种在高性能硬件上具有极高预填充效率的模型，以提升终端用户的响应体验。 3. 关注私有化高性能算力： 对于数据敏感型行业，参考 DGX Spark 这种“开箱即用”的高性能工作站方案，结合开源模型构建本地化数据精炼厂。

事件核心OpenAI 正式宣布与数字合同巨头 Ironclad 达成深度合作，旨在通过复杂的法律合同工作流，训练并评估 AI 智能体（Agents）的“计算机使用”（Computer Use）能力。此次合作的核心在于将 AI 从简单的文本生成器，转化为能够跨应用（如浏览器、Word、Slack、CRM）自主操作软件的“虚拟员工”。双方共同开发了一套针对高难度专业场景的基准测试，重点解决 AI 在多步骤、长链路任务中的执行可靠性问题。技术/商业细节在技术层面，OpenAI 利用 Ironclad 提供的真实合同管理场景，针对性地优化了模型的视觉识别与逻辑推理能力。不同于传统的 API 集成，这种“计算机使用”模式要求模型能够像人类一样识别屏幕上的 UI 元素、点击按钮并处理跨软件的数据流。复杂任务拆解：AI 需要完成诸如“在 Ironclad 中找到特定条款，在 Word 中进行修订，并在 Slack 中通知法务团队”等跨平台任务。数据反馈闭环：Ironclad 提供了法律领域的专业知识图谱，用于校准 AI 在处理高风险合规任务时的准确性。基准测试创新：双方建立了一套严苛的评估框架，不仅考核任务成功率，还重点评估 AI 在面对非预期弹窗或复杂 UI 变化时的鲁棒性。八卦分析：全球影响「八卦资本」认为，OpenAI 此举是对 Anthropic 此前发布“Computer Use”功能的强力回应。这标志着大模型竞争已从“参数竞赛”全面转向“能力落地竞赛”。选择法律科技（LegalTech）作为突破口极具战略眼光：法律行业对准确性要求极高且流程极度繁琐，如果 AI 能在此领域证明其“计算机使用”的可靠性，那么向金融、医疗等其他垂直行业的迁移将势如破竹。这预示着“Agentic Workflow”（智能体工作流）将取代简单的“Chatbot”成为企业级 AI 的主流形态，软件交互的逻辑将从“人适应软件”转向“AI 驱动软件”。战略建议对于企业决策者与开发者，我们提出以下建议：构建“动作数据”资产：未来的核心竞争力不再是静态文档，而是记录人类如何操作软件完成任务的“动作轨迹”数据。重塑 UI/UX 设计：软件厂商应考虑“Agent-First”的设计理念，使 UI 界面更易于被视觉模型解析。关注合规与审计：随着 AI 获得计算机操作权限，建立实时监控与操作溯源机制是企业落地的先决条件。

汤森路透（Thomson Reuters）正式宣布推出专为法律、税务及风险管理专业人士打造的自研前沿大语言模型（Frontier Model），标志着这家信息服务巨头从“AI集成商”向“底层模型开发者”的战略级跨越。 ▶ 专有数据资产的胜利：该模型并非简单的通用模型微调，而是利用Westlaw、Checkpoint等数十年来积累的高质量、受版权保护的专业语料库进行训练，旨在彻底解决通用模型在严谨专业领域的“幻觉”痛点。 ▶ 垂直领域AI的深度博弈：通过构建底层模型，汤森路透正试图摆脱对OpenAI或Anthropic等第三方厂商的过度依赖，从而在成本控制、数据合规及专业工作流适配上掌握绝对主动权。 八卦洞察 汤森路透此举是垂直领域AI（Vertical AI）演进的分水岭。在通用大模型进入边际效用递减阶段时，高质量的“围墙花园”数据成为了真正的稀缺资源。汤森路透不甘于只做AI时代的“搬运工”，而是选择将数据护城河直接转化为技术壁垒。这不仅是对法律科技（LegalTech）初创公司的降维打击，更是向大模型厂商宣告：在专业性极强的B端市场，拥有数据主权的人才是规则制定者。这种“数据+模型+工作流”的三位一体架构，将成为未来专业服务巨头的标配。 行动建议 对于拥有海量垂直行业数据的企业，应立即评估从“API调用模式”转向“自研/深度定制模型”的可行性，以保护核心数据资产并提升毛利。法律与金融行业的从业者需关注该模型对现有计费模式（Billable Hours）的冲击，加速向“AI协同”转型。同时，初创企业应避开汤森路透覆盖的强数据领域，转而在细分场景的交互体验或跨平台集成上寻找生存空间。

核心事件 一名美国亚特兰大男子在机场接受海关与边境保护局（CBP）搜查时，其使用的 GrapheneOS 安全手机触发了自动抹除机制清空数据，导致该男子被联邦检察官指控妨碍司法公正。此案成为隐私保护技术自动化功能与执法搜查权力正面碰撞的典型案例。 ▶ 法律定性转型： 执法部门正试图将“自动化数据保护”重新定义为“预谋性证据毁灭”，即便用户在搜查现场并未手动操作，预设的自动销毁逻辑仍可能构成刑事责任。 ▶ 硬核隐私系统的“双刃剑”效应： GrapheneOS 等高度安全定制化系统因其强大的抗取证能力，已从极客圈的隐私工具演变为执法部门执法时的“高风险信号”。 八卦洞察 此案的核心争议在于“自动化意图”的法律认定。在传统法律框架下，妨碍司法通常需要主动的、意识清醒的破坏行为。然而，随着 GrapheneOS、Signal 等工具普及，隐私保护正从“被动防御”转向“算法自动化”。检察官的逻辑是：用户预设自动抹除功能的行为本身，就包含了在未来可能遭遇搜查时阻碍执法的意向。这种“前置意图”的认定，将对全球隐私软件开发者产生寒蝉效应，迫使开发者在功能设计上平衡安全性与法律合规性，甚至可能导致某些自动化安全功能在特定司法管辖区被视为非法工具。 行动建议 对于跨国企业及高净值个人，建议重新评估移动设备的“自毁”策略。在跨境通行时，应意识到使用非主流、高度加固的操作系统（如 GrapheneOS）可能触发更高级别的执法审查。企业合规部门需制定针对敏感地区入境的设备管理指南，避免员工因设备自动化安全设置而陷入法律纠纷。同时，隐私技术开发者应考虑在产品中加入更明确的合规提示，或提供分级安全模式以适应不同的法律环境。

事件核心 Project Mike 是一个旨在打破法律科技（LegalTech）高昂准入门槛的开源AI技术栈。它通过整合检索增强生成（RAG）与针对法律语境微调的大语言模型（LLM），为中小型律师事务所及法律团队提供了媲美顶级商业软件的自动化研究与合规分析能力。 技术/商业细节 Project Mike 的核心竞争力在于其模块化架构。它不仅是一个模型，更是一套处理法律文档的Pipeline。通过精细化的RAG流程，系统能够高效处理复杂的判例库与法规条文，极大地降低了幻觉（Hallucination）风险。在商业模式上，它直接挑战了传统LegalTech公司通过高额订阅费锁定的市场份额，推动法律AI从“昂贵的黑盒产品”向“可定制的开源基础设施”转型。 八卦分析：全球影响 Project Mike 的出现标志着法律AI进入了“民主化”阶段。长期以来，法律科技市场被几家巨头垄断，高昂的部署成本使得大量中小型律所被排除在AI红利之外。Project Mike 的开源策略迫使传统厂商必须重新评估其定价模型，并加速产品迭代。从全球视角看，这不仅是技术层面的竞争，更是法律行业生产关系的重构——AI正在将律师从繁琐的案头调研中解放出来，转向更具创造性的法律策略制定。 战略建议 对于法律科技从业者，建议关注该项目的底层数据处理逻辑，将其作为构建垂直领域AI的参考架构。对于律所管理者，应尽早评估开源AI的部署可行性，以降低对单一供应商的依赖。同时，必须警惕开源方案在数据隐私与合规性方面的潜在风险，建立完善的本地化部署与审计机制。