刘佳：人工智能算法共谋的反垄断法规制
其他 发布时间：2022-01-18 10:40:41
人工智能算法促进了共谋的达成和有效实施。从便利共谋实现的角度对算法进行反垄断法意义上的分类，可分为监控式算法、平行式算法、信号式算法和自我学习式算法，在此基础上，形成了信使类共谋、轴辐类共谋、代理类共谋和自主类共谋。对人工智能算法共谋进行反垄断法规制的肇因在于“共谋”，而非“算法”本身。对算法共谋进行反垄断法规制时应以“合理规则”为主、“本身违法原则”为辅，对不同类型的算法共谋进行规制时侧重点有所不同。
作者 | 刘佳 山东理工大学法学院副教授，法学博士
来源 | 《河南大学学报（社会科学版）》2020年第4期
引言
人工智能时代，算法共谋问题已引起反垄断法学界和业界的广泛关注。人工智能算法的发展，对传统反垄断法上共谋规制理论的挑战初现端倪，近年来，世界各主要国家或地区出现的司法实践及理论研究佐证了这一趋势。2015年4 月，美国司法部首次针对算法共谋行为提起刑事诉讼，指控亚马逊网站上某电商主管Topkins利用算法定价，与其他电商共谋，固定特定海报产品的价格。该案开算法共谋反垄断法规制之先河。2015年12月，美国公民Meryer向法院起诉，指控网约车平台Uber公司与司机达成纵向共谋，利用算法实现收费标准一致且高峰时段联合涨价，消除Uber司机之间的竞争，最终形成横向共谋。该案首次引发对“轴辐类算法共谋”的关注。2017年2月，欧盟委员会对华硕、飞利浦、先锋等电子产品生产商展开反垄断调查，针对上述公司通过在线定价软件限制其产品零售商自主定价能力的行为，认为其可能涉嫌算法共谋的反竞争行为。该案引起欧盟对数字市场上利用人工智能算法从事共谋行为的重视。
人工智能算法共谋司法实践的发展推动了理论界对算法共谋进行反垄断法规制研究的勃兴。近年来，国内外反垄断法学界对算法的分类、算法的解释权、算法共谋行为的定性、算法定价行为的规制等问题，进行了多角度、多层面的研究，有力推动了对算法共谋行为进行反垄断法规制的发展。然而，随着人工智能技术的深入发展，算法对市场主体的行为及市场竞争的影响日益凸显，传统反垄断法上对共谋行为的规制理论适用于算法共谋时面临偶有“失灵”的困境，给我国反垄断司法及执法实践带来困难。因此，如何从反垄断法角度对算法的分类、算法共谋的运行机理、算法共谋行为的反垄断法规制肇因进行系统的研究，形成一套相对完整的对算法共谋行为的反垄断分析路径成为一个非常重要的问题。现有研究主要着眼于算法共谋行为的个案及技术层面的研究，而对算法共谋进行反垄断法规制的理论论证着力不足，规制路径普适性欠缺。
有鉴于此，本文在既有研究成果的基础上力图对人工智能算法共谋进行类型化分析，揭示算法共谋的运行机理，分析算法共谋引发反垄断法规制的肇因，从而提出人工智能算法共谋的反垄断法规制路径，以期对算法共谋进行规制时对我国的司法及执法实践有所裨益。
一、人工智能算法共谋的内涵及运行机理
人工智能算法共谋的内涵
算法（algorithms）是一系列精准的操作列表，它们机械地、系统地应用于一套令牌（tokens）或对象（objects）中（例如棋子、数字、蛋糕配方等）。令牌的初始状态是输入，终极状态是输出。算法的表现形式多种多样，可以是文字、图表、数据代码等，其核心就在于创建抽象的问题模型和明确的求解目标，而后根据具体问题选择不同的模式和方法完成算法设计。简言之，算法是一系列用以解决问题的、明确的计算机指令。
根据不同的标准，对算法有不同的分类方式。为了便于对算法共谋反垄断法规制路径的探讨，笔者比较倾向于OECD对人工智能算法分为监控式算法、平行式算法、信号式算法和自我学习式算法的“四分法”。其一，所谓“监控式算法”（monitoring algorithms），是指通过对目标进行锁定，利用网络抓取技术，收集目标数据，完成对目标监控的一系列指令。在这一算法之下，发出指令的主体是人，算法只是工具，人具有完全的决策权和控制权，算法是人的意志的体现。其二，所谓“平行式算法”（parallel algorithms），是指在对目标数据进行收集和监控的基础上，设计一系列决策自动化的指令，实现对已收集数据的自动反馈。在这一算法之下，发出指令的主体仍然是人，但是人通过设计自动决策的指令，一定程度上实现决策权的“让渡”，使得算法具有某种程度上的“自由裁量权”。其三，所谓“信号式算法”（signaling algorithms），是指在对已收集数据进行反馈的基础上，自发形成的一种发出信号、处理信号，最终实现动态平衡的一系列指令。相较于前两种算法，信号式算法对于信号的处理过程是自发的，人类并不可控。其四，所谓“自我学习算法”（self-learning algorithms），是指利用人工智能中深度学习和自我认知等技术，自发对目标主体的数据进行监控、收集、预测并作出决策的一系列指令。在这一算法之下，人类的决策权被“剥夺”，算法通过自我学习实现了自主决策。
“共谋”（collusion）最初是美国反托拉斯法上的术语，我国《反垄断法》上称之为“垄断协议”（monpoly agreement），欧盟竞争法上称之为“限制竞争协议”（restrictive agreement），而一度被人们广泛接受的、源于德国法上的“卡特尔”（cartel）术语也是垄断协议的意思。所谓人工智能算法共谋，主要是指利用人工智能算法技术，从事对市场竞争产生影响的协同行为。此处，对于市场竞争的影响既包括促进、增强竞争的积极影响也包括排除、限制竞争的消极影响，具体取决于不同算法共谋行为各自不同的内在运行机理。
人工智能算法共谋的运行机理
当传统反垄断法理论中的“共谋”行为遇上人工智能“算法”技术，算法共谋行为便应运而生。算法有利于共谋行为的发生，监控式算法、平行式算法、信号式算法、自我学习式算法分别会致使信使类共谋、轴辐类共谋、代理类共谋和自主类共谋形成。
信使类共谋依托监控式算法发展而来，主要是指经营者利用算法作为确保共谋实施的工具，用以对相关市场上竞争者的商业决策、定价等信息进行收集，过滤、筛选出与实施共谋相背离的数据，进而迅速反应并启动预设报复方案的过程。在信使类共谋中，共谋的达成在先，系经营者自由意志的选择，监控式算法仅仅充当的是经营者实施共谋的“工具”。详言之，信使类共谋的内在运行机理是经营者事先达成协议价格，然后设计一项“触发战略”的定价算法用以监控共谋者的市场价格，一旦有任何共谋者背离了协议价格，则会立即“触发”算法，进而引发价格战，使其背离行为受到惩罚。由于数字市场上价格高度透明，竞争者的定价信息通过网页抓取技术唾手可得，一旦背离协议价格，“触发”算法的速度运行极快，市场对于价格变化的灵敏度极高，其他共谋者可以通过人工智能算法对背离价格协议的共谋者迅速进行“报复”。因此，达成共谋的经营者并无动机实施背离行为。较之传统市场，监控式算法不仅会促使信使类共谋形成，而且让经营者避免价格战，使得共谋行为的实施更有效率。在前文提到的U.S. v. Topkins案中，Topkins系一家销售海报、版画等艺术品公司的电商主管，该公司通过亚马逊等电商平台向消费者销售艺术品。Topkins与亚马逊网站上同类产品的卖家协商一致，对同类艺术品统一定价，并通过编写计算机代码，设计出一套算法，用以随时“监控”其他竞争者的定价。该行为系典型的“信使类共谋”，Topkins就艺术品价格与其他竞争者达成一致，横向共谋已经存在，算法仅仅是用以监督共谋实施的工具。轴辐类共谋（hub-and-spoke conspiracy）依托平行式算法发展而来，主要是指多个经营者之间，利用算法形成价格共识，达成纵向共谋，然后根据平 行式算法的反馈和决策自动化机制，对协议价格作出市场反应，自动决策多个有竞争关系的经营者之间的定价策略，从而达成横向共谋、消除经营者之间竞争的过程。在反垄断法理论中，轴辐类共谋是一种形象的说法，它描述了这样一种共谋行为：位于上、下游市场的经营者之间，一个生产商或经销商作为“车轴”（Ｈ），与多个下游经销商或上游供应商（Ａ、Ｂ、Ｃ…）之间达成多个纵向共谋，构成“辐条”（Ｓ），这些“辐条”存在的目的是最终形成一个闭合的“车圈”（Ｒ），即：多个下游经销商或上游供应商之间达成横向共谋，封闭市场，消除彼此间的竞争。此为一个完整的“有车圈”轴辐类共谋（见图１），亦有学者将其称为“算法驱动的中心辐射式共谋”。若只有多个纵向共谋，却无法证明存在一个横向共谋，则为“无车圈”的轴辐类共谋（见图２）。文章伊始提到的Meryer v. Uber案中，就是上述“有车圈”轴辐类共谋的典型例证。Uber网约车平台用户Meyer对Uber公司向美国地区法院提起诉讼，指控Uber公司与Uber司机通过算法达成非法固定价格的纵向共谋，进而导致每位司机之间形成横向共谋消除了彼此间的竞争。因为Uber司机并没有就用车价格展开竞争，而是使用Uber统一的定价算法采取一致的计价方式且在用车高峰期采取统一的涨价幅度进行涨价，损害消费者利益。此案中，Uber公司系轴辐共谋的“车轴”，即中心，通过定价算法与Uber司机之间达成一系列的纵向共谋，即“辐条”，进而促进司机之间的横向协调，形成“车圈”，即最终的横向共谋。
代理类共谋是指在动态变化的数字市场上，算法直接充当代理人的角色，对竞争者的定价进行监控，并根据市场数据随时自动调整定价且向竞争者自动发出信号，实现价格协调的过程。代理类共谋中算法就如同传统市场上的企业高管或委托代理人一样，代表各自的企业集聚在一起商量价格策略，达成定价共识甚至是垄断协议，不同的是，信号式算法在经营者之间传递和反馈共谋信号，无需地理空间的转换，一切都在网络虚拟空间自动进行，即使最后达成价格一致，也很难证明共谋的存在，其不过是信号式算法自主地实施价格跟随行为的产物，因而构成传统反垄断法理论上的“默示共谋”。人工智能定价算法的发展，使得默示共谋更为普遍。实践中，经营者通过算法进行价格跟随的行为已经出现。例如，发生在美国的“天价书”事件，两个不同的线上书商，在亚马逊网站上利用算法对待售的图书进行定价，由于定价算法设计上的漏洞，使得价格追随行为机械地发生并无限循环，在人类毫不知情的情况下，自发地进行价格攀升，最终导致一本普通的生物遗传学教科书定价竟高达2000多万美金。该事件中的算法是“信号式算法”的典型例证，只是事发当时，大家并没有意识到其对共谋可能产生的影响，业界只是当作一个技术漏洞来看待，并引发学界对亚马逊网站卖家定价算法的实证研究。然而，随着强人工智能技术的发展，算法的设计与运行也逐步完善，当上述算法“机械的”价格追随变成算法“有意 识”的决策定价，就会发生反垄断法学者担忧的“有意识的平行行为”，引发代理类共谋。自主类共谋，又称为“虚拟共谋”（virtual collusion），主要是指基于人工智能和机器深度学习的技术，算法不仅能够实时处理数字市场上的海量数据，而且可以通过先进的神经网络建立起自己的市场观，进行自我学习和自主决策，形成最优的定价策略，帮助经营者实现利润最大化的过程。这一过程几乎不受人类控制，对于算法的具体运作过程以及共谋如何达成，人们亦不得而知。这意味着，自主类共谋并不需要经营者的参与，甚至可能都不需要他们具备达成共谋的动机，算法自主决定导致了共谋的发生。换言之，存在一种风险，算法通过深度自我学习可以对市场主体的行为作出预判，在不需要人类干涉的情况下达成共谋。尽管自主类共谋的实例尚未发生，然而一旦发生，目前我们的反垄断法共谋规制理论将束手无策。机器如何进行自我学习和自主决策，深度学习之后算法如何自行达成共谋的结果，虚拟共谋中的算法如何运行等等，迄今为止，人们不得而知，整个过程被称为“黑箱”，最后只输出一个协同性的价格。然而，可以确定的是，如果可以将“黑箱”之后输出的协同性价格认定为共谋的话，那么其对市场竞争的负面影响显而易见。由于自我学习式算法比人类可以更精准地处理数据、实现深度学习，其可以通过高速的、反复的试错最终达成合作性均衡，从而更容易确定共谋者之间实现利润最大化的价格最优解，进而最大限度地破坏市场竞争、损害消费者利益。这种负面影响可能不限于新兴的数字市场，甚至可能波及实体经济。对人工智能算法共谋进行反垄断法规制的根源在于“共谋”行为，而非“算法”技术本身。云计算、大数据、算法等信息技术本身是中立的，但这并不意味着其对社会及市场竞争的影响是中立的，它们的性质取决于企业如何使用它们，市场结构如何以及企业使用它们的动机是否与社会利益一致。当然，反垄断法并非禁止所有的共谋行为，而是禁止产生反竞争效果的共谋行为。因此，算法共谋引起反垄断法规制的肇因在于经营者利用算法从事与“社会利益不一致”的、具有反竞争效果的共谋行为。那么，与“社会利益不一致”以及“具有反竞争效果”如何界定？如前所述，人工智能算法对共谋的形成和后续实施具有促进作用，较之传统反垄断法上的共谋行为，人工智能算法共谋更容易实现、隐蔽性更强、实施效率更高、表现形式更加多样、规制难度更大。第一，人工智能算法改变了传统共谋形成所需要的市场结构，使共谋摆脱了市场份额集中、经营者数量很少、市场集中度高、市场进入壁垒大等市场结构的桎梏而更容易实现；第二，由于算法在虚拟网络空间的运行具有隐蔽性，算法共谋不易被发现，经营者从事算法共谋的违法成本更低；第三，人工智能算法降低了实现共谋的成本，只需要开发一套合理的算法，其边际成本近乎为零，用以监测共谋者的行为，降低经 营者背叛共谋的可能性，使得算法共谋的实施更有效率；第四，由于数字市场上产品差异化策略和动态定价等特点，经营者之间一旦达成算法共谋，可以影响多个不同产品或服务的相关市场，通过不断的动态定价寻求平衡，从而将共谋行为持续很长时间。换言之，经营者可以通过实施算法共谋行为迅速消除彼此在市场上的竞争，持续性地提高产品或服务价格，尽可能地限制产出扩大，排挤现有竞争者，阻碍潜在竞争者进入市场，消费者的转向需求无法得到满足，只能为垄断性的高价买单。更有甚者，经营者可能会利用算法偏差和大数据从事“杀熟”定价，根据不同的消费者“量身定制”价格，以实现利润最大化，获取高额垄断利润。此外，经营者还可以通过算法共谋获得“算法竞争优势”，提高在数字市场上的支配力量，甚至通过技术标准、知识产权等共同提高市场进入壁垒，阻止产品和服务质量的提高。由此可见，算法共谋若产生损害市场自由与公平、破坏市场效率与竞争、阻碍技术进步与质量改进、减损消费者福祉与社会总福利等负面影响，可以认定为与“社会利益不一致”以及“具有反竞争效果”，理应受到反垄断法的规制。对于人工智能算法共谋进行反垄断法规制应立足于传统反垄断法理论中的“共谋”理论，即垄断协议规制理论。传统反垄断法上对垄断协议行为进行规制的理论依据是以“合理规则”为主，“本身违法原则”为辅。具体进行反垄断法规制时，通常分两步进行：第一步是对垄断协议进行认定，先证明构成“协议”，再证明构成“垄断”协议；第二步是考察垄断协议对市场竞争所产生的效果，若消极效果大于积极效果，则禁止，反之，豁免。具体到人工智能算法共谋，传统反垄断法理论完全失灵了吗？笔者认为答案是否定的。虚拟竞争为未来研究由于使用日益复杂的算法技术引起的反竞争市场动态提供了强大的理论基础。人工智能算法并非“洪水猛兽”，不会对反垄断法理论和规制范式产生颠覆性影响，立足于传统的垄断协议规制理论，结合人工智能算法的新特点及产生的市场影响，对不同类型的算法共谋进行有针对性的反垄断法规制，在现阶段是可行且必要的。2018年12月，欧盟竞争委员会专员Margrethe Vestager曾言：“我们应该在数字化的世界里保护消费者利益，反对具有强大市场力量的经营者利用算法等技术以牺牲消费者利益为代价，从事反竞争行为。尽管数字世界给我们的竞争执法工作带来新的挑战，但无论技术如何发展，竞争法的原则性规定依然适用。”基于前文的论述，笔者试图依托传统反垄断法理论上以“合理规则”为主、“本身违法原则”为辅的逻辑进路，对四种不同类型算法共谋的反垄断法规制路径进行解构。信使类共谋的反垄断法规制路径在信使类共谋中，由于算法只是经营者达成和实施共谋的工具，从事共谋行为的主体仍然是经营者，其本质上与传统的共谋行为并无二致，因此，可以将传统的垄断协议规制的理论直接适用于信使类共谋。详言之，信使类共谋的反垄断法规制路径有两个要点：
第一，证明“协议”存在，即证明存在信使类共谋行为。根据我国《反垄断法》对垄断协议的界定，垄断协议是指排除、限制竞争的协议、决定或者其他协同行为。这意味着“协议”的表现形式可以是具体的共谋协议、共谋者之间的决定或具有一致性的协同行为。具体到信使类共谋中，以人工智能算法作为达成共谋的工具，经营者之间几乎不会签订具体的垄断协议或建立明确的意思联络，算法的隐蔽性使得共谋不易被举证，降低了共谋者被发现的可能性。因而，反垄断执法面临的挑战之一就是举证问题，证明“协议”的存在。笔者认为，信使类共谋中认定“协议”的存在，可以采取“反向推理”的方式，即发现行为人采用算法定价使得产品或服务价格具有一致性或趋同性之后，若这种价格的一致或趋同只有在彼此协调的情况下才能不违反经营者自身利益最大化的诉求，则可以推定其从事了价格协同行为，构成算法共谋，除非行为人可以提供相反的证据。换言之，当我们判断经营者之间是否存在信使类共谋时，可以进行“逆向思考”：由于共谋者背离协议价格的动机不存在，如果相关市场上的多个竞争者采用触发战略的算法引发价格战，那么可以推定其不存在共谋行为，或者至少可以认定该共谋行为并没有得到有效实施。同样，如果经营者之间的价格趋向一致，并没有相反证据证明其可能发生价格战，那么可以推定发生了信使类共谋行为。第二，认定“垄断”成立，即认定信使类共谋行为的违法性。仅仅证明信使类共谋行为的发生并不必然会导致该行为在反垄断法上被禁止，还需进一步证明该行为不利于市场竞争，存在着“垄断”的目的或效果。根据传统反垄断法理论，判断“垄断”的标准是上述算法共谋行为在市场上“排除、限制竞争”。此处的“排除、限制竞争”既包括具有“排除、限制竞争”的目的，也包括产生“排除、限制竞争”的效果。如果可以证明经营者利用算法定价的目的是“排除、限制竞争”，则可直接适用反垄断法上的“本身违法原则”，认定该算法共谋中的“垄断”要件已经具备，反垄断法直接予以禁止即可；如果无法证明利用算法定价的经营者具有“排除、限制竞争”的目的，则应适用反垄断法上的“合理规则”，进一步考察该算法定价行为对市场竞争所产生的效果，可以重点从算法定价行为是否促进了相关市场的竞争，市场壁垒是否提高，是否有利于改进电商的产品和服务，能否促进科学技术进步，是否带来了可以持续性提高价格而获取垄断利润的能力，消费者能否公平分享由此产生的利益等方面进行考量，若该信使类共谋行为对竞争的积极效果大于消极效果，则予以豁免；反之，反垄断法应予禁止。轴辐类共谋的反垄断法规制路径轴辐类共谋在形式上与传统的轴辐类垄断协议类似，比如上游市场的生产商与下游市场上多个经销商之间签订纵向的转售价格维持协议，最终导致多个经销商之间达成横向垄断协议，价格一致，影响市场竞争和消费者利益。如前所述，轴辐类共谋中实际存在着多个纵向共谋和一个横向共谋，纵向共谋存在的目的主要是为了横向共谋的达成。在这种情况下，无需再考虑作为“辐条”的多个纵向共谋是否具有违法性，而直接将整个法律关系定性为一个横向共谋进行考察。轴辐类共谋是横向共谋的一种复杂形态，既有纵向共谋存在，又有横向共谋达成，其违法性并不在于纵向共谋本身所导致的价格协调结果，而在于纵向共谋存在的目的是最终实现横向共谋，因此，证明横向共谋的存在就成为对轴辐类共谋进行反垄断法规制时的核心，即证明“有车圈”的存在。否则，仅仅证明有“车轴”和“辐条”而“无车圈”的轴辐类共谋，并不必然引起反垄断法的禁止。因此，对轴辐类共谋进行反垄断法规制时核心有两点：
第一，轴辐类共谋被反垄断法禁止的原因在于“车圈”（横向共谋），而非“车轴”或“辐条”（纵向共谋），因此，证明“有车圈”的存在是进行规制的前提。纵向共谋影响的是“品牌内的竞争”，仅仅是上游的产品生产商或服务提供商与下游的经销商或代理商之间对产品或服务的价格进行协调，并不足以使产品生产商或服务提供商具备提高价格的能力，不足以影响产出的扩大或服务质量的提高，不会消除同类产品或服务在相关市场上的竞争，也不会影响消费者的需求转向、损害消费者利益。然而，横向共谋影响的是“品牌间的竞争”，如果下游的产品或服务的经销商之间在前述纵向共谋基础上达成横向共谋，那么，则会使该品牌的产品生产商或服务提供商获得竞争优势，具备提高价格而获取垄断利润的能力，此时，消费者别无选择，转向需求无法得到满足，利益受损。因此，证明“车圈”存在实际上是要证明纵向共谋会影响品牌之间的竞争，导致横向共谋的形成。第二，轴辐类共谋中，横向共谋分析的难点在于“协议”的认定，而纵向共谋分析的难点在于“垄断”的证明。由于算法的隐蔽性，传统共谋理论中通过明确的协议或合同而达成的明示共谋基本不可能发生，因此，在对横向共谋进行认定时，应重点关注默示共谋，即使不存在明确的共谋协议或意思联络，只要存在价格协同行为，就应当对行为产生的反竞争效果进行分析。与此同时，对纵向共谋的违法性进行认定时，重点证明“垄断”的存在，即证明该纵向共谋影响了市场上品牌之间的竞争，具体可从两个方面入手考虑：一是指控该纵向共谋服务于横向共谋，则进一步证明存在多个“辐条”且其市场力量的总和足以防止消费者需求的转向即可；二是指控该纵向共谋服务于支配地位滥用行为，则进一步证明行为人在相关市场上具有支配地位即可。值得注意的是，在数字市场上，对经营者市场力量和支配地位的认定与传统实体经济中的市场份额标准不同，应当将用户数量、用户覆盖率或点击率等因素纳入考量范围。
代理类共谋的反垄断法规制路径代理类共谋中信号式算法更具有决策的“自主性”，经营者通过设计一套算法，自动设置成消费者无从察觉而高级算法可以“感知”的快速迭代程序，不仅节省了传统市场上企业委托代理人进行价格谈判的时间、人力、物力等成本，而且因算法自动的价格跟随行为而达成的默示共谋更具有隐蔽性。实践中，代理类共谋最常见的形态是默示共谋。由于信号式算法已经开始进行自发的价格追随，共谋的产生可能不受经营者控制，也不存在明确的合同或协议，甚至连共谋已经形成，经营者和消费者可能都不得而知。但这并不能成为代理类共谋“逃脱”反垄断法规制的理由。“当垄断者无须通过合同、协议、合资企业、行业协会等明确的手段即可对他们之间的价格进行协调，并因此获得超竞争利润 （supra-competitive profits）时，即发生了默示共谋。默示共谋是对竞争性均衡（competitive equilibrium）的一种偏离，其对社会福利造成的减损，与卡特尔类似。”由于传统反垄断法主要集中在对明示共谋的规制上，因此，以默示共谋为主的代理类共谋对传统理论的确构成威胁和挑战，建构在明示共谋基础上的传统共谋规制理论无法直接适用于代理类共谋，但其内在分析逻辑还是可以遵循的。因此，对代理类共谋进行反垄断法规制可以分两步进行：
第一，证明“默示共谋”的存在。代理类共谋中信号式算法可以比作行为人发出的“共谋要约”，为行为人提供共谋的“联络点”。那么，行为人会通过算法发出在未来某一特定时刻对特定产品或服务进行涨价的信号，接收到“共谋要约”的其他竞争者若存在共谋意图，则会通过算法作出回应，在同一时刻对特定产品或服务从事同步的涨价行为；接下来，发出“共谋要约”的行为人会根据其他竞争者的反应进一步利用信号式算法调整价格，此时，如果其他竞争者继续回应涨价，则可认定默示共谋达成；如果其他竞争者未予回应，则信号式算法会将发出“共谋要约”行为人的产品或服务价格调整到从事涨价行为前的水平，那么，则可认定默示共谋并未达成。第二，对“默示共谋”行为产生的竞争效果进行分析，这是判断代理类共谋违法性的关键。如前所述，信号式算法的运行可以使默示共谋更容易达成，但由于数字市场上的定价一直处于动态变化之中，因此，并不意味着信号式算法可以使默示共谋更容易维持。因此，仅仅证明默示共谋已经达成并不足以让代理类共谋受到反垄断法的禁止，而需要进一步证明该默示共谋得以维持并对市场竞争产生的消极影响大于积极影响。换言之，先分析该默示共谋是否存在“排除、限制竞争”的目的或效果，再考察是否存在抗辩理由，比如：促进算法的开发与技术进步、提高产品或服务质量等，消费者可以因此获益而并没有利益受损。若抗辩理由不成立，则反垄断法对该代理类共谋应予禁止；反之，豁免。
自主类共谋的反垄断法规制路径自主类共谋应该是强人工智能阶段算法共谋的最高形态，算法基于深度学习，可以借助强人工智能技术中先进的神经网络建立自己的市场观，不受控于人类而实现完全的自我学习和自主决策，从而自动达成共谋的结果。人类对该共谋产生的具体过程及结果都无从得知。在自主类共谋中，我们假设人类通过计算机设计算法时预设一个目标，例如：利润最大化或性能最优化等，然后，算法可以直接启用自身先进的神经网络进行识别和判断，设计最优解决问题的方案，自主运行实现目标。人类可以在设计算法时设定一些禁止性的程序约束算法，防止其从事非法活动，例如：固定价格或划分市场，但是，却无法禁止算法进行自学和实验。那么，就会存在这样一种风险，算法可以通过自我学习和深度实验，发现实现利润最大化或性能最优化目标的最佳策略，既不违反人类设计的禁止性规定，又能实施共谋保持价格的持续性上涨。据此，自主类共谋的达成及实施并非人类设计的直接结果，而是算法自我学习、自主决策产生的独立结果。目前，尚没有确切证据证明自主类共谋必然违法。笔者认为，目前对自主类共谋的反垄断分析应重点关注两个问题：一是自主类共谋的责任主体是谁，完全由算法自主达成的共谋是否应归咎于经营者；二是自主类共谋的认定标准和违法性判断标准是什么，传统反垄断法理论应如何适用。
尽管现实中人工智能技术尚未成熟，还没出现自主类共谋的实例，但笔者认为，对自主类共谋进行反垄断法规制的理论探索应做到“未雨绸缪”。目前，对自主类共谋进行反垄断法规制亟待解决的一个先决性问题是：算法在人类不可知、不可控的情况下自发形成的共谋，责任主体是谁？基于康德“人是目的”的哲学视点下，“‘人’（Personen），他们具有绝对的价值，他们的本性凸显为‘目的本身’（Zwecke an sich selbst）”。无论人工智能发展到何种阶段，都只能作为人利用的客体和工具处理，而不能将其拟制为与人享有平等地位的法律主体。鉴于此，笔者认为自主类共谋的责任主体依然是人类，是自我学习式算法的开发者和设计者。至于自主类共谋的认定及违法性判断标准，尽管对于“黑箱”的运作过程人类不得而知，但其对市场竞争造成的影响是可见的，因此，依然可以适用反垄断法理论上的“合理规则”，考察自主类共谋行为对市场竞争带来的正负效果。当然，鉴于人工智能目前发展的阶段，对于自主类共谋的反垄断法规制，竞争执法机构应遵循谦抑执法的理念，尽可能的保护技术创新、鼓励人工智能技术的发展，在没有充分证据的情况下，不宜认定自主类共谋违法。我们正生活在一个算法社会（algorithmicsociety）。把目光投射到不远的将来，人工智能给经济学家、商务人士、政策制定者带来的忧虑更甚于数字化颠覆。对人工智能算法共谋进行反垄断法规制时，理论层面，传统的垄断协议规制理论并非没有适用空间，结合不同类型算法共谋行为的特点，遵循以“合理规则”为主、“本身违法原则”为辅的规制原则，对信使类共谋、轴辐类共谋、代理类共谋、自主类共谋分别进行行为定性和违法性判断；实践层面，反垄断执法机构对算法共谋的规制应遵循谦抑执法的理念，探索一套切实可行的反垄断分析方法。唯有如此，一个公平自由、竞争有序的在线网络市场方指日可待，消费者利益得以维护、社会总福祉得以提高的美好愿景才会早日实现。
在线留言
站内搜索
联系我们
EN
