自主学习型算法共谋的事前预防与监管*
作者：王健 吴宗泽 2021-08-30 15:51 新传播 【字号：大 中 小】
近年基于人工智能技术的自主学习型算法在信息推荐、动态定价情境下显现出如价格歧视、性别歧视等异常，逐渐引发学界对自主学习型算法问题的担忧。囿于自主学习型算法的不透明性及行为隐蔽性，往往难以在反垄断执法、司法层面对其予以及时、有效规制。因而须依据自主学习型算法自身特点构筑起合法、有效的事前管控路径，从技术监管、数据控制、算法审核等层面对自主学习型算法加以规制，及时遏止自主学习型算法共谋不当影响的出现和扩张。
[摘 要]近年基于人工智能技术的自主学习型算法在信息推荐、动态定价情境下显现出如价格歧视、性别歧视等异常，逐渐引发学界对自主学习型算法问题的担忧。囿于自主学习型算法的不透明性及行为隐蔽性，往往难以在反垄断执法、司法层面对其予以及时、有效规制。因而须依据自主学习型算法自身特点构筑起合法、有效的事前管控路径，从技术监管、数据控制、算法审核等层面对自主学习型算法加以规制，及时遏止自主学习型算法共谋不当影响的出现和扩张。
[关键词]人工智能 算法共谋 技术监管 事前管控 反垄断法
[中图分类号] D912.29；TP18 [文献标识码] A [文章编号]1671-3575（2020）02-0147-12
大数据、云计算等技术的逐步成熟，使得复杂计算机算法在商业上的普及应用成为可能。越来越多的企业开始使用计算机算法改进产品的定价模型、服务策略并预测市场变化趋势，商品定价也呈现出由统一定价模式逐渐过渡至差异化定价、动态定价模式的倾向。欧洲委员会于2017年5月10日发布的《Final Report on E-Commerce Sector Inquiry》（《欧洲委员会：电子商务产业调查总结报告》）显示，约有53%的受访零售商表示会采取一定措施监控竞争对手的在线价格，其中约67%的受访零售商会选择借助自动化软件来进行价格监控。[1]但在算法广泛应用的同时，近年Spencer Meyer v. Travis Kalanick、U.S. v. David Topkins等相关算法共谋案例也引发学界对算法反竞争效应的思考。基于计算机算法的功能差异，学界大体将其划分为信号算法、监管算法、平行算法、预测算法四种。随着人工智能技术的发展以及大数据、云计算等底层技术的成熟，自主学习型算法（Self-Learning Algorithms）如今也值得充分重视。虽然部分自主学习型算法在功能细分上仍不外乎前述信号、监管、预测等，但由于机器学习等人工智能算法的输出过程并不会有明确的行为依据（即代码指令），其输出过程即便对于设计者、使用者而言都如同“黑箱”一般不可获知。考虑到算法运行方式的独特性，需要将自主学习型算法较其他算法进行单独区分。
*本文为国家社会科学基金重点项目“反垄断法制裁的现代化研究”（18AFX019）的阶段性成果。
[1]European Commission, Final Report on the E-Commerce Sector Inquiry, Commission Staff Working Document, SWD (2017)154 Final,2017.
c4d032d1-1359-488d-9493-075c1cede8f9.jpg)