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。
（三）面向数据来源的事前预防与监管路径设计
由于动态市场的复杂性，自主学习型算法通常需要极长时间的训练以建立模型。经济政策研究中心（CEPR）的一篇报告指出，自主学习型算法在仅为50*50的网格实验中便需要约500,000个周期才能实现收敛（可以理解为实现价格共谋状态）。[25]如若将该算法置于真实市场环境下，其需要的周期则会更多。除训练时长外，训练样本量也有相应的要求。美国东北大学研究人员在推导优步（Uber）激增定价模型时，仅四周内少量时段的数据量就达到2.1TB。[26]如此的训练时长及训练样本量，使得设计者根本无法实现自主学习型算法的实时训练。因此，设计者必然选择转向本地化的训练模式。
针对本地化训练模式的特点，反垄断执法者在前期市场调查阶段应当要求相关主体保留一定时期内的训练样本（数据）并就其来源作出解释。一方面，由于前期市场调查的随机性、不确定性，自主学习型算法共谋的实施者难以及时对训练样本作出修改、清理，从根本上保证了训练样本的可审核性。反垄断执法者可以要求设计者解释算法的构造并在一定情况下选择性地对这些训练样本进行测试，通过测试对训练样本设置上的倾向性进行进一步审核。但在数据披露的基础上还需要谨防干扰性披露的问题，即通过披露大量冗余、干扰性的数据以妨碍关键数据内容的解释。故反垄断执法机构在抽检、审核数据时可引入第三方机构协助，以期审核过程有序进行。另一方面，对数据来源的审查可以初步判断出竞争者是否具有潜在的共谋意思以及其对市场信息对称性的影响程度。数据的分享、使用本身并不当然为反垄断法所规制，但如成本价格、生产数量等关键市场信息则可以降低市场竞争不确定性进而促进共谋。对于此类关键市场信息的来源则必须予以关注，例如数据是否是由同业竞争者提供独立接口获得、数据内容是否含有单边公告信号、经营者对关键市场数据是否予以必要防护等。如若确实存在前述问题，则可以很大程度上认定共谋行为的存在。如欧盟《横向合作协议指南》就价格、产量等信息作出规定，若经营者间存在交换此类关键信息则可直接认定为具有限制、排除竞争目的。
[25]Emilio Calvano and others,"Artificial Intelligence, Algorithmic Pricing and Collusion", Centre for Economic Policy Research Discussion Paper, No.13405,2019:21.
[26]Le Chen,Alan Mislove and Christo Wilson,"Peeking Beneath the Hood of Uber".
c4d032d1-1359-488d-9493-075c1cede8f9.jpg)