這項由Equall公司的Pierre Colombo、Malik Boudiaf等研究團(tuán)隊共同完成的研究，發(fā)表于2025年12月21日的arXiv預(yù)印本平臺（論文編號：arXiv:2512.18658v1），探討了如何用人工智能技術(shù)徹底改變風(fēng)險投資中最繁重的法律工作之一——股權(quán)表核查。對于想要深入了解技術(shù)細(xì)節(jié)的讀者，可以通過論文編號arXiv:2512.18658v1查詢完整的原始論文。

每當(dāng)一家初創(chuàng)公司準(zhǔn)備融資時，就像準(zhǔn)備一場重要的婚禮一樣，需要進(jìn)行大量的準(zhǔn)備工作。其中最讓律師頭疼的，就是所謂的"股權(quán)表核查"（capitalization tie-out）。這個過程就像是要把一個巨大的拼圖重新拼好，確保每一塊都在正確的位置上。

股權(quán)表核查到底是什么呢？簡單來說，就是要確認(rèn)公司的每一份股票、期權(quán)、認(rèn)股權(quán)證都有對應(yīng)的法律文件支撐。就像你在銀行里存錢，銀行需要確認(rèn)你的每一筆存款都有相應(yīng)的憑證一樣。在公司融資之前，律師必須翻遍成千上萬頁的法律文件，逐一驗證股權(quán)表上記錄的每一個條目。

這個過程有多復(fù)雜呢？研究團(tuán)隊發(fā)現(xiàn)，從種子輪到B輪融資，公司的法律文件會從大約2000頁增加到6700多頁，涉及的證券數(shù)量從184個飆升到1292個。這就像是從整理一個小書架變成整理整個圖書館一樣。更令人頭疼的是，這些文件之間存在復(fù)雜的關(guān)聯(lián)關(guān)系，一份股權(quán)授予可能需要追溯到最初的股權(quán)計劃、董事會決議、簽署的期權(quán)協(xié)議，以及后續(xù)的各種修訂文件。

傳統(tǒng)的核查方式完全依賴人工，律師需要一頁頁地翻閱文件，交叉對比不同的記錄。這個過程不僅耗時費(fèi)力，還容易出錯。研究顯示，從種子輪到B輪，人工核查的時間從5小時激增到近27小時，而且錯誤率隨著復(fù)雜度的增加而上升。這就像是要一個人記住一個巨大迷宮中每條路徑的詳細(xì)信息，隨著迷宮越來越大，出錯的可能性也越來越高。

雖然大語言模型在法律推理基準(zhǔn)測試中表現(xiàn)出色，但面對股權(quán)表核查這種實(shí)際工作時卻顯得力不從心。研究團(tuán)隊發(fā)現(xiàn)了三個關(guān)鍵問題。首先是多文檔推理的挑戰(zhàn)，就像要同時閱讀幾十本書并找出它們之間的聯(lián)系一樣困難。其次是嚴(yán)格的證據(jù)追溯要求，每個結(jié)論都必須能夠追溯到具體的源文件，不能有任何模糊地帶。最后是一致性要求，同樣的文檔處理兩次必須得出完全相同的結(jié)果，這對于具有隨機(jī)性的AI模型來說是個巨大挑戰(zhàn)。

現(xiàn)有的AI方法主要采用"懶惰構(gòu)建"的策略，也就是在需要驗證某個信息時才去搜索相關(guān)文檔。這種方法就像是每次做菜都要重新去超市買菜一樣效率低下。當(dāng)需要驗證一個期權(quán)授予的生效日期時，AI代理會生成搜索查詢，從文檔庫中檢索相關(guān)片段，然后進(jìn)行推理和提取。但這種方法在處理"缺失文檔"類型的異常時表現(xiàn)糟糕，因為要證明某個文檔不存在需要搜遍整個文檔庫，這對于基于檢索的方法來說幾乎是不可能完成的任務(wù)。

針對這些挑戰(zhàn)，研究團(tuán)隊提出了一種名為"Equall"的創(chuàng)新解決方案，采用"急切構(gòu)建"的策略。這種方法就像是提前把所有食材分類整理好，需要時可以立即取用。Equall的工作分為三個階段，形成了一個層次化的世界模型。

第一階段是基礎(chǔ)提取，就像是把雜亂的文檔庫整理成分門別類的檔案柜。系統(tǒng)首先將文檔按照功能分類，比如股票購買協(xié)議、可轉(zhuǎn)換證券、雇傭合同等，然后提取出基礎(chǔ)元素，包括利益相關(guān)者信息、證券類別、具體數(shù)值（日期、股份數(shù)量、價格等），每個信息都明確標(biāo)記其來源文檔。

第二階段是事件建模，這是Equall的核心創(chuàng)新。系統(tǒng)將這些基礎(chǔ)事實(shí)組織成一個連貫的、按時間排序的公司法律歷史表示。研究團(tuán)隊定義了高級"概念節(jié)點(diǎn)"來表示業(yè)務(wù)事件，包括發(fā)行、轉(zhuǎn)讓、修訂、轉(zhuǎn)換、行權(quán)和公司行為（如股票分割）等。這就像是把零散的歷史片段編織成一個完整的故事線。比如，一個修訂事件節(jié)點(diǎn)會鏈接到修訂文件、具體更改的條款，以及最重要的是，指向它所修改的先前發(fā)行或協(xié)議事件的關(guān)系邊。

第三階段是目標(biāo)化的神經(jīng)符號驗證。這個階段結(jié)合了AI的靈活性和邏輯的確定性。"神經(jīng)"部分是指用于構(gòu)建事件圖的強(qiáng)大的大語言模型驅(qū)動的提取和事件合成，處理法律文本的模糊性。"符號"部分則是應(yīng)用確定性邏輯來聚合這些事件，得出最終的虛擬股權(quán)表狀態(tài)。

舉個具體例子，當(dāng)需要驗證某個股東當(dāng)前的股份數(shù)量時，這不再是模糊的檢索任務(wù)，而是結(jié)構(gòu)化查詢：遍歷事件圖中該股東的所有發(fā)行事件，減去后續(xù)的轉(zhuǎn)出事件，加上轉(zhuǎn)入事件，并應(yīng)用相關(guān)公司行為事件（如分割）的調(diào)整。這個過程就像是在銀行系統(tǒng)中查詢賬戶余額一樣準(zhǔn)確和可靠。

為了驗證這種方法的有效性，研究團(tuán)隊在四個匿名的真實(shí)數(shù)據(jù)庫上進(jìn)行了測試，涵蓋了從種子輪到B輪的不同融資階段。他們將異常情況分為三類：條款差異（虛擬視圖和參考視圖存在但不同）、缺失文檔（參考股權(quán)表上的項目缺乏充分的支持證據(jù)）、以及股權(quán)表缺失（文檔中識別的有效證券或股東在參考股權(quán)表中缺失）。

實(shí)驗結(jié)果令人印象深刻。在精確度、召回率和F1分?jǐn)?shù)的綜合評估中，Equall達(dá)到了平均85%的F1分?jǐn)?shù)，顯著超越了傳統(tǒng)的代理方法（29%）和改進(jìn)的代理方法（42%）。更重要的是，傳統(tǒng)代理方法在處理"缺失文檔"和"股權(quán)表缺失"類型的異常時表現(xiàn)糟糕，而Equall在所有類型的異常檢測中都保持了穩(wěn)定的高性能。

效率提升同樣顯著。傳統(tǒng)的代理方法就像是每次檢查都要重新開始復(fù)雜的推理過程，每次檢查需要45秒。而Equall雖然需要15分鐘的前期建模時間，但每次檢查只需要2秒，這帶來了22倍的速度提升。當(dāng)需要進(jìn)行數(shù)百次檢查時，這種差異變得極為明顯：100次檢查，傳統(tǒng)方法需要77分鐘，而Equall只需18分鐘；500次檢查時，差距進(jìn)一步拉大到377分鐘對32分鐘。

在現(xiàn)實(shí)世界的應(yīng)用中，這種效率提升轉(zhuǎn)化為了實(shí)際的時間節(jié)省。傳統(tǒng)的人工核查從種子輪的5小時增長到B輪的近27小時，而使用Equall輔助的工作流程只需要從64分鐘增長到300分鐘。這意味著在最復(fù)雜的B輪融資中，Equall能夠節(jié)省約81.5%的時間，而且隨著復(fù)雜度的增加，這種優(yōu)勢變得更加明顯。

研究還揭示了一個有趣的現(xiàn)象：隨著公司發(fā)展階段的提高，異常的性質(zhì)也在發(fā)生變化。在種子輪階段，問題主要是informal omissions（非正式遺漏），比如商業(yè)意圖沒有轉(zhuǎn)化為正式證據(jù)。到了B輪階段，問題轉(zhuǎn)向了complex inconsistencies（復(fù)雜不一致），需要對多年來復(fù)雜的歷史交易進(jìn)行"追溯"以發(fā)現(xiàn)相關(guān)文檔之間的不一致。這種變化說明了為什么傳統(tǒng)的基于檢索的方法會隨著復(fù)雜度的增加而失效。

Equall的成功不僅僅在于解決了股權(quán)表核查這一具體問題，更重要的是它展示了一種可復(fù)制的架構(gòu)模式。這種事件圖表示法是通用的，可以應(yīng)用于其他需要處理復(fù)雜歷史記錄和關(guān)系的法律任務(wù)。因為這些事件原語（發(fā)行、轉(zhuǎn)讓、修訂等）在不同法律領(lǐng)域中重復(fù)出現(xiàn)，這種架構(gòu)具有內(nèi)在的可泛化性。

當(dāng)前的研究還有很大的發(fā)展空間。研究團(tuán)隊指出，股權(quán)表核查問題具備了部署真正自主系統(tǒng)所需的三個基本要素：密集的可驗證獎勵信號（不像主觀法律任務(wù)，核查提供客觀的真實(shí)標(biāo)準(zhǔn)）、可擴(kuò)展的訓(xùn)練環(huán)境（異常分類法使得能夠通過向驗證的"干凈"數(shù)據(jù)庫注入已知錯誤模式來算法生成大量合成課程），以及最關(guān)鍵的是強(qiáng)大的世界模型。

展望未來，研究團(tuán)隊認(rèn)為將這種基礎(chǔ)世界模型與基于強(qiáng)化學(xué)習(xí)的訓(xùn)練相結(jié)合，將能夠?qū)崿F(xiàn)下一代代理，以超人的可靠性處理復(fù)雜的多步驟譜系任務(wù)，從根本上改變資本化盡職調(diào)查和類似法律風(fēng)險分析工作的實(shí)踐。

這項研究的意義遠(yuǎn)遠(yuǎn)超出了法律科技本身。它展示了如何將看似不可能自動化的復(fù)雜知識工作分解為可管理的組件，通過合理的架構(gòu)設(shè)計實(shí)現(xiàn)人工智能的實(shí)際應(yīng)用。對于風(fēng)險投資行業(yè)來說，這意味著更快的交易速度、更低的成本和更高的準(zhǔn)確性。對于律師來說，這并不意味著工作的消失，而是將重復(fù)性的驗證工作自動化，讓他們能夠?qū)Ｗ⒂诟邞?zhàn)略性和創(chuàng)造性的法律工作。

最重要的是，這項研究證明了在正確的架構(gòu)設(shè)計下，人工智能確實(shí)可以在高風(fēng)險、高精度要求的專業(yè)領(lǐng)域發(fā)揮實(shí)際作用。它不是簡單地用AI替代人工，而是通過智能的工具設(shè)計，讓復(fù)雜的工作變得更加高效和可靠。這種思路對于其他需要處理大量結(jié)構(gòu)化信息和復(fù)雜規(guī)則的行業(yè)，都具有重要的借鑒意義。

Q&A

Q1：Equall的股權(quán)表核查技術(shù)能完全替代律師的工作嗎？

A：不能完全替代，但會大大改變工作方式。Equall主要自動化重復(fù)性的驗證工作，將人工核查時間從最多27小時縮短到5小時左右，讓律師可以專注于更具戰(zhàn)略性和創(chuàng)造性的法律分析工作。

Q2：為什么傳統(tǒng)的AI方法在股權(quán)表核查上效果不好？

A：主要有三個原因：需要同時分析幾十個文檔找聯(lián)系、每個結(jié)論都必須追溯到具體源文件、同樣處理必須得出相同結(jié)果。傳統(tǒng)AI采用"需要時才搜索"的方式，就像每次做菜都要重新去超市買菜，效率很低且容易出錯。

Q3：Equall技術(shù)的核心創(chuàng)新點(diǎn)是什么？

A：核心是"急切構(gòu)建"策略，提前將所有法律文件整理成結(jié)構(gòu)化的事件圖，記錄公司歷史上每個重要事件（發(fā)行、轉(zhuǎn)讓、修訂等）及其關(guān)聯(lián)。驗證時只需要在這個圖上進(jìn)行簡單查詢，就像在整理好的檔案柜中找文件一樣快速準(zhǔn)確。