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。
考虑到事前阶段在认定过程存在的缺陷，反垄断执法机构可考虑适用“通知-删除”等较为缓和的措施予以前期规制。但这些措施具有一定的执法灵活性，应当在立法上相应限制其处罚权以保障企业的合法权益。而我国反垄断法在此方面尚不完善，仅《反垄断法》第四十四条有一简要表述。为兼顾执法灵活性与处罚权力，美国联邦贸易委员会（FTC）在作出处罚时需从如下方面证明相关主体的行为具有反竞争效应：（1）可能会对消费者造成重大损害；（2）消费者无法合理避免该损害；（3）其行为的有利影响并不能抵消对消费者、竞争环境的损害效果。[27]这一标准是原则性、抽象性的，所以在限制处罚权的同时也一定程度上确保执法的灵活。
如何保证数据管控措施得到有效执行，很大程度依赖于相关法律法规的解释、完善。我国目前与此较为相近的是《电子商务法》第31条关于电子商务平台经营者记录、保存商品和服务相关信息的规定，其对信息的基本类型、保存时间都作出相应要求。但在引入反垄断法时，还应注意对信息类型的具体说明以确保数据管控措施的可执行性。如采用列举式的方法指明数据来源信息、终端价格信息等常见的数据信息类型，再辅以概括式的描述保障执法者自由裁量空间。此外还应当注意到此规定强调信息的完整性、保密性、可用性等原则，这一原则可为《反垄断法》第52条所借鉴—即当受调查经营者以不当方法致使披露信息不完整或不可用时也应当认定为是拒绝、阻碍调查的行为。
[27]OECD: Algorithms and Collusion: Competition Policy in the Digital Age.
c4d032d1-1359-488d-9493-075c1cede8f9.jpg)