斯坦福 STARA 扫完 50 个州、五亿词法典：AI 只能列出清单，删掉哪一条仍要有人签字

一条法律最容易被人看见的时候，是它刚刚诞生。它有提出者，有争论，有新闻发布会，也可能有一个足够响亮的名字。十年、二十年以后，它仍然躺在法典里，却很少再有人知道它是否被执行、由谁执行，甚至它要求政府提交的那份报告究竟有没有出现过。

现代政府不缺规则，缺的是一张能够回答这些问题的地图。

2026 年 7 月，斯坦福大学 RegLab 团队公布了一个颇有诱惑力的数字：他们用名为 STARA 的人工智能系统，扫描了美国 50 个州法典约五亿词的文本，试图找出陈旧、重复、彼此冲突或已经无人执行的要求。机器可以在几天内读完人类团队几乎不可能逐字读完的材料。这个故事很容易被写成“AI 开始替政府删法律”，但那恰好误解了它最重要的价值。

STARA 做的第一件事不是裁决，而是盘点。它把过去只能凭经验、投诉或偶然发现的制度遗迹，转成一批可以逐项核对的候选条目。机器让问题从“我们大概有很多旧规定”，变成“这一条由谁制定、要求谁做什么、多久做一次、有没有相近条款、是否留下了执行痕迹”。从模糊的抱怨到可检查的清单，才是这项技术真正跨过的门槛。

0.98 的精确率，交付的不是答案，是一份待办清单

法律文本对普通搜索并不友好。同一类义务可以被写成完全不同的句式，“应当提交”“须向某机构报告”“每年告知”可能指向近似动作；一个条款还会引用另一章、另一部法，或者沿用早已改名的机构。只搜“年度报告”，会漏掉大量同义表达；让通用聊天机器人直接回答，则可能得到听起来合理、却无法对应原文的条款。

STARA 的设计因此更像一条审计流水线。研究团队先界定需要识别的法律概念，再让模型抽取候选，用可追溯的法条位置保存结果，最后通过人工标注和统计评估检查遗漏与误报。项目论文选择“联邦刑事条款”作为一项基准任务：STARA 找到 1,983 项，报告精确率为 0.98、召回率为 0.998。相同任务中，论文记录的 Gemini Deep Research、OpenAI Deep Research 与 Westlaw 搜索结果都少得多。

这些数字能说明一件有限而重要的事：在研究者定义的这项法律清单任务里，专门设计、可以回指原文的系统，明显胜过几种通用检索方式。它不能说明 STARA 已经“理解法律”，也不能证明同样的成绩会自动迁移到税收、环保、劳动或地方条例。基准的对象、标注方法和评价口径，决定了数字的含义。

另一个数据集更能显示盘点为什么必要。STARA 项目网站称，它在《美国法典》中识别出 10,954 项向国会提交报告的要求，其中五千多个所在条款此前没有出现在一份常用的众议院书记官清单中。这里的关键不是谁“漏掉了”谁，而是两种清单生成方式的差异：传统清单依赖行政流程和持续维护，机器抽取则能对庞大文本重新扫一遍。项目也在数据页上直接提醒，自动抽取可能出错，使用者必须回到法条核实。

换句话说，AI 提供的不是答案，而是一个更好的待办列表。

两成候选被标为可删，不等于两成法律该删

“过时法规”听上去像电脑里的重复文件，找到以后删除即可。真实世界远没有这么整齐。

一项多年无人提交的报告，可能确实只剩纸面义务；也可能是负责机构长期缺人，公共监督因此失灵。一项必须邮寄或签署纸质文件的要求，可能是技术时代留下的摩擦；也可能承载了身份确认、证据留存或帮助不熟悉数字工具的人获得服务的功能。两条看似重复的规定，也可能分别保护两类不同人群。

因此，“没有执行痕迹”不能直接推导出“没有公共价值”。如果模型把缺乏数据当成无效，把低频使用当成无需求，制度中最不显眼的人往往会先被抹掉。那些很少调用、却在危机时刻保护人的条款，尤其无法仅凭使用次数衡量。

斯坦福团队发布的跨州材料已经给出一些值得追问的线索：加利福尼亚州法中的报告要求在 2000 至 2025 年间增长约四倍；研究者估计，约三成持续性报告可能从未完成；马里兰州全部法典若由一个人连续阅读，所需时间可能长过一次立法会期。参与审阅的政府机构把约两成候选项标成可删除或合并。材料还举出一份报告耗费约 3,500 个工时、成本超过 87 万美元的个案。

但这些都不是“应删除两成法律”的结论。首先，机构的初步标记仍要进入法律程序；其次，成本是可量化的一边，权利保障、透明度和风险预防往往难以用同一把尺子折算；再次，研究的完整跨州论文尚未让公众逐段检验所有方法。把候选率写成裁撤率，就是把一次盘点偷换成一次授权。

AI 在这里应当承担“指出”和“解释”的角色：指出条款在哪里，解释它为何与另一条相似、为何疑似失效、证据来自何处。它不应悄悄承担“决定”的角色。

纽约查手续，上海管周期，欧盟改源头

比较不同地区的做法，会发现“清理规则”并不是一套全球通用的软件，而是三种制度哲学。

纽约州州长在 2026 年 7 月签署第 61 号行政命令，要求州政府机构系统审查仍然依赖邮寄、传真、湿签名、收费、定期报告和委员会设置的规定。这个动作的目标很具体：识别数字时代的程序摩擦，提出保留、修改或废止建议。命令文本把审查责任留在各机构和后续法律程序中，州政府的说明还明确提出不能削弱健康、安全、劳动者、消费者与环境保障。

这是一种以行政服务为入口的“监管重置”：先从公众每天碰到的手续寻找阻力，再由有权机构解释为什么改、如何改。AI 可以扩大检索面，却没有获得一键废止权。

上海市 2026 年修订的行政规范性文件管理规定，则更强调全生命周期管理。制定、备案、评估、清理和失效不是彼此孤立的动作，而是一条持续运行的链。中国全国层面的行政规范性文件清理规则，也把“谁制定、谁实施、谁清理”作为责任原则，并设置周期性全面清理和结果公开要求。

这种做法的重心是责任归属：规则不能只在出台时有人署名，退出时却无人负责。它不一定需要先把问题描述成“AI 清理”，因为清理本身已经被嵌入制度周期。AI 最适合补的是跨部门发现能力、版本对照和引用关系追踪，但最终意见仍须由制定或实施机关承担。

欧盟的《可互操作欧洲法案》又从另一个方向进入。它要求公共部门在政策和数字服务设计的早期考虑可互操作性，让规则尽量“生来就能被数字系统执行和交换”，而不是等到几十年后再清扫文本废墟。这里的关键词不是删除，而是“数字就绪”：一项政策如果一开始就能被结构化描述、保留版本和机器可读接口，未来审查会容易得多。

三者不是简单的优劣排名。纽约强调服务摩擦和机构复核，上海与中国全国规则强调文件生命周期及清理责任，欧洲强调制定之初的数字兼容。它们共同提醒我们：技术能够制造一张地图，但地图是否通向更好的政府，取决于谁有权标注、谁能提出异议、谁为删改后果负责。

稀缺的从来不是算力，而是一条可以申诉的程序

当法规数量大到没人能读完时，算法参与几乎不可避免。问题不再是“要不要用 AI”，而是用哪一种制度把它约束在合适的位置。

一个可信的法律盘点系统至少应留下四层痕迹。第一层是原文：每个候选结论都能回到准确的法条和版本。第二层是理由：系统为何认为它重复、过期或缺少执行记录。第三层是异议：主管机构、利益相关者和公众能够补充机器没有看到的现实。第四层是决定：最终的保留、修改或废止，由具有法定权限的人公开签署并说明理由。

这四层少一层，效率就可能变成权力的遮羞布。只有候选没有原文，外界无法核查；只有模型理由没有受影响者声音，数据空白会被误当成社会空白；只有机构决定没有公开记录，自动化便会稀释责任。

STARA 目前仍处于封闭测试阶段。它展示的是一种能力方向，而不是已经普及的治理基础设施。即便系统在一个任务上达到很高召回率，剩下极少数漏项也可能恰好是权利影响最大的条款。法律中的“长尾”不能像广告推荐中的长尾那样被轻易忽略。

更值得期待的未来，不是 AI 帮政府删得更快，而是它迫使制度说得更清楚：这条规则当初为何存在，现在由谁执行，花了多少钱，保护了谁，如果取消，谁承担风险。过去，回答这些问题的成本高到足以阻止问题被提出；现在，技术降低了提问的成本。

可提问，不等于可替人作答。

五亿词的法典被机器读完以后，公共治理最困难的部分没有消失，反而被照亮了。我们终于能看见那座由多年善意、妥协、疏忽和惯性共同搭成的制度仓库。接下来该搬走什么、修复什么、永远保留什么，仍然需要人类在阳光下争论。

AI 最好的位置，也许不是坐上法官的椅子，而是把仓库里每一个尘封箱子的标签，重新递到公众手中。

参考资料清单

• 《STARA 项目与论文》，斯坦福大学 RegLab — https://reglab.github.io/stara/
• 《STARA 数据集说明》，斯坦福大学 RegLab — https://reglab.github.io/stara/datasets.html
• 《纽约州第 61 号行政命令》，纽约州政府 — https://www.governor.ny.gov/executive-order/no-61-directing-new-york-state-agencies-reform-outdated-regulations-and-policies
• 《上海市行政规范性文件管理规定》，上海市人民政府 — https://cgzf.sh.gov.cn/channel_8/20260728/cdd478f6a9464df394ec37fdcc4148dc.html
• 《中国行政规范性文件制定和监督管理规定》，司法部 — https://www.moj.gov.cn/pub/sfbgw/flfggz/flfggzdfzwgz/202512/t20251230_530002.html
• 《可互操作欧洲法案》，欧盟 — https://eur-lex.europa.eu/legal-content/EN/TXT/?qid=1734512402487&uri=CELEX%3A32024R0903
• 《项目报道》，斯坦福经济政策研究所（SIEPR）— https://siepr.stanford.edu/news/how-ai-helping-states-cut-through-decades-red-tape