「我知道，這個已經走了10多年的趨勢對美國法律學校和產業造成巨大的衝擊，過往法律學校畢業生加入事務所後先擔任法律助理，考過bar，負責你講的這些資料搜集和分析的工作多年後，才有機會成為真正的律師，開始接案。但這個部分的大量外包，使得許多律師事務所不再聘用法律助理，不只法律學校的畢業生失業率年年升高，從法律學校到律師的養成路徑也斷掉了，影響甚鉅。」
「是啊，然後正如作為風險資本家的你也知道的，最近的機器學習風也吹進了法律產業。我剛剛講的那間草擬開庭陳詞的新創是一種，另一種更常見的就是處理我上面講的文件分析。所以本來是把掃描好的pdf上傳到雲端給印度外包公司處理，現在是上傳到新創提供的雲端，直接由機器學習的軟體處理。我猜這對亞馬遜的AWS業務應該有加分吧，離峰時間的雲端計算服務變得熱門之類的。」
「喔，那倒不一定，因為亞馬遜AWS雖然打贏了雲端的第一戰，但現在看起來雲端機器學習的戰爭是谷歌的TensorFlow佔了上風，我最近遇到的新創幾乎每間都是使用TensorFlow，其語言也快速地成為雲端機器學習的標準語言。」
麥可邊聽邊點頭，邊叮囑走過身邊的服務生幫我們加水。
「原來如此，我是不太清楚這些技術啦，標準啦，平台啦，不過我真的為現在還在法律學校的學生們擔心，我們這些已經執業多年的其實是受惠於這波新技術的，因為工作變得更快、更有效率而且更少錯誤，但他們要怎麼克服畢業後的職缺巨大斷層，說真的我沒有啥好的建議。」
「反過來從投資者的角度來說，我則是很質疑這些將機器學習應用在法律的新創，他們相對於彼此的競爭優勢到底在哪裡。就像我常講的，機器學習正在快速地民主化，如果使用同樣的資料庫和同樣谷歌的機器學習雲端服務，剩下能夠差異化的只有演算法和商業模式。而演算法的部分，分析書面的自然語言遠比分析語音對話容易多了，所以效能上大概也很快就會拉平。那剩下能差異化的就只有商業模式了，感覺又變成精實新創歷史重演。」
「呃，你說的不完全對，因為我遇到的幾個新創其中一個差異化是在資料庫的部分。」
「咦？法庭文件和判決書不是應該都是公眾資產，任何人都可以取得嗎？」
「訴訟的文件和判決書原則上是如此，但是我們工作範圍內閱讀和參考的資料有很大量都不在公開領域，像是期刊文章，還有我剛剛講的企業資料等。事實上不少老牌事務所的競爭優勢就在於他們已經累積了幾十年的私人資料，雖然這些都是客戶的資產，必須保密，但在事務所內閱讀和分析它們並不是問題。話說回來，這樣好像就不能丟到雲端去了對吧？」
