有学者在回顾、评析国际公法研究四十年的历程后，认为我国的国际法研究缺乏中国元素，存在主体性缺失，过于追求国际而忘了国家。
当然，单有以逻辑规则为基础的推理是不够的，知识才是智能的核心和基础。机器学习和大数据技术与传统的专家系统的结合，使得基于规则和基于案例的专家系统都可以通过学习而实现能力升级。
以206系统为例，其类案推送功能即采用机器学习方式，通过深度神经网络自动抽取各类法律文书中的案件信息，构建深度神经网络模型。不过，产生式系统中的知识单位是产生式规则，这种知识单位由于太小而难以处理复杂的问题。2.基于规则的专家系统的底层逻辑：演绎推理及其他推理形式 由于基于规则的专家系统是根据if-then规则进行推理，因此，其底层逻辑属于演绎推理。当然，该领域还有许多尚待研究的问题，比如在模糊推理中建立隶属函数仍然属于比较困难的工作。如果相似度定义得不好，检索的结果就不理想，也就谈不上应用的成功。
而且，由于智能裁判过程是在极短时间内完成的，这就使得整个裁判是个一次性过程。不过，这与前述法律逻辑的特征（很多情况下属于非必然性推理）是并行不悖的。3. CBR专家系统的底层逻辑：类比推理 显然，CBR专家系统的底层逻辑是类比推理（在技术上表现为框架推理）。
因为，现阶段的法律智能系统仅能对其推理过程予以说明，论辩的方法和修辞的方法都超出了其技术能力。四、法律智能系统的说理：以解释替代论证 法谚云：正义要实现，还要看得见。尤其是，在法律智能系统瞬间即可作出决定，程序的时间和空间要素都被大幅度压缩的情况下，逻辑合理性就成为首当其冲的重要问题。智能系统的论证说理水平直接影响其决定的可接受性。
阿什利教授指出，大部分人工智能与法律研究的目标是开发法律推理的计算模型（computational models of legal reasoning），用于法律论证检索以及预测法律纠纷的结果。在仅提供相似案例不能使用户满意时，可借助知识集装箱（knowledge containers）技术，从词汇、相似性度量和适应性知识（vocabulary, similarity measures and adaptation knowledge）等角度作出辅助解释。
反映在构造上，专家系统有两个必不可少的核心组件：知识库和推理机。例如，有法官表示，很多信用卡违约案件，除了违约主体和金额不同，案件的其他特征并无本质差异，完全可以运用智能系统批量处理。在可预见的将来，智能系统不会取代法律人，而大概率会走向法律智能决策支持系统的发展路径。对技术问题的解释，即智能系统是如何作出决定的，如果不能详细说明其推理过程（例如使用了深度神经网络的机器学习技术），至少应当作出局部解释和粗粒度的概括解释，而不能不提供任何理由。
同样，在论证结果的真实性上，法律逻辑要求的并不是可靠性而是其可信度。不难设想，如果我们完全不知道这些机器是如何作出决定的，无论其外在表现看起来多么智能，我们都无从确定能否信任机器，也无法接受其决定。在人工智能的研究中，逻辑作为描述和模拟人类思维的工具，成为重现智能的手段。迄今为止，AI技术在司法领域的运用还处于试验探索阶段，法律智能系统只能直接用于处理简单案件。
如图1所示，可以用三段论直接处理简单案件，但是一旦法律规范与个案事实之间存在落差与断裂，单靠三段论就无能为力。无疑，应当让人类和计算机去做那些他/它们各自所擅长的事情，而不是相反。
2.大数据分析过程中的建模与推理 大数据分析是从数据到信息，再到知识的关键步骤。人工智能技术借助深度学习实现了一个新飞跃。
另一为人们所津津乐道的罗斯法律问答系统（Ross Intelligence, 2015），虽然能使用自然语言提供有关法律问题的简明答案，但尚不能帮助用户作出论证。五、结语：法律智能系统的未来 目前，新一代人工智能系统已广泛采用混合智能技术路径。1.机器的智能解释 一般来说，基于规则的专家系统能够解释它们是如何得出结论的。CBR法律专家系统的构建，也符合当今世界两大法系逐渐融合的趋势。3.大数据分析的逻辑基础：复杂问题的初步分析 按照学界通行的定义，大数据（Big Data）泛指海量的数据集。三、法律智能系统的基本推理方法 新一代法律智能系统往往集成了包括专家系统、数据挖掘和机器学习等在内的多种人工智能技术，也就是说，实践中已广泛采取混合智能方法，因此，我们可按照技术发展的时间脉络，对不同历史时期出现的智能系统及其运用的基本推理方法进行逐个分析，以求在解剖麻雀的基础上，更深入地理解新一代法律智能系统的总体运行逻辑。
综上，法律智能系统的推理可概括为前述四种基本的推理方法，每种方法涉及到的具体推理形式相当复杂，特别是在处理不确定性问题时，推理的有效性需要运用概率理论和模糊逻辑进行判断。这就违反了司法的亲历性特征。
从技术角度来说，逻辑的重要性亦复如是。尽管一直有人尝试对价值规范进行数值化处理，但这种努力至少就现阶段来说是过高估计了计算机对那些不可计算问题的计算能力。
如果问题关系到法律的内容而非形式推理，形式逻辑就无能为力。在人机协同的合作关系中，机器和用户都起着信息提供者和支持者的作用。
也就是说，通过机器学习（machine learning）提升专家系统的能力。需要强调的是，CBR专家系统是对人类专家经验的模拟，其设计离不开领域专家的参与，如特征辨识、建立索引、相似度排序等，都必须借助领域专家的经验知识才能转化为机器智能。此外，人工智能系统缺乏常识、无法理解人类语言的真正涵义，这两个问题也构成法律论证计算机化的关键障碍。CBR解决问题是基于案例间的相似性，这同时也是系统生成解释的关键。
有关部门也一再强调，要加强行政决定和司法裁判的论证说理。这也是为什么人工智能研究在曾经两度陷入寒冬的曲折发展过程中，人们对研发法律专家系统仍然充满热情、锲而不舍的一个重要原因。
例如，206系统在2017年6月试运行时，所使用的上海刑事案件大数据资源库已汇集了 1695 万条数据，其中案例库案例9012 个、裁判文书库文书1600万篇、法律法规司法解释库条文948384条。这种策略称为冲突消解。
也就是说，基于规则的法律专家系统只能用于处理简单案件。如，可以通过使用训练好的神经网络模型分析数据获得知识，进而将知识转换成产生式规则，提供给推理机在求解问题时使用。
法律智能系统的落地应用，在带来便捷和高效的同时，也不可避免地引发了某些疑虑。（三）大数据分析：基于计算模型的推理 1.新一代法律智能系统的兴起：机器学习和大数据的助力 早期，人工智能与法律的研究重点是使用人工智能方法识别出代表案件核心信息的法律构成要件，建立基于规则和基于案例的法律推理专家系统。处理不确定性的方法主要有两种：一种是概率论的方法，另一种是模糊逻辑的运用。该系统的量刑参考功能也基于同样的原理，建立量刑预测模型，为检察官提出量刑建议并为法官量刑提供参考，从而起到规范量刑、减少量刑偏差和量刑失衡的作用。
当然，框架法也有不足之处，它不善于表达过程性知识，需要与产生式方法及其他更具有灵活性的、特别是辅助自然语言理解的语义网络表示法、脚本表示法等结合起来使用，以取得互补效果。客观世界具有一致性（regularity）和重现性（reproducibility），相似条件下会产生相似结果。
只不过，它使用的知识不是既定的规则而是案例，这决定了CBR专家系统的核心组件是案例库。产生式规则是一种通用的表示世界的方式，也是人类进行问题求解的基本范式。
再者，运用大数据分析方法得出的推断结果，实际上是一种预测（prediction）而并非严格意义上的逻辑推理。由于模糊逻辑是一种近似而非精确的推理方法，因此非常适合于包括法律领域在内的涉及人文因素的复杂系统。