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。
自主学习型算法依据人工智能技术使用程度的不同，可分为不纯粹自主学习型算法与纯粹自主学习型算法。不纯粹自主学习型算法指设计者在设计算法时局部采用人工智能技术，如只在构建市场价格预测模型时采用机器学习算法。从形成共谋的方式看，总体而言不纯粹自主学习型算法仅部分采用人工智能技术，实际使用过程中还需要依赖使用者的具体操作。因此在不纯粹自主学习型算法共谋情境下，不纯粹自主学习型算法仅仅是作为使用者实施共谋行为的辅助工具，使用者对其的控制程度仍维持在较高水平。而当市场信息透明度、算力水平达到一定程度的情况下，设计者则可在设计算法时整体采用人工智能技术生成相应模型，这类整体采用人工智能技术的计算机算法可称为纯粹自主学习型算法。在纯粹自主学习型算法共谋情境下，由于整体输出过程均缺乏明确、可修正的行为依据，故此种共谋自主化程度较高且难以为使用者直接控制。纯粹自主学习型算法在实际运作时能够借助分析历史数据、反复试错等方式掌握更为复杂的合谋方式，通常可集合信号算法、监管算法、预测算法等算法的特点自主达成产量层面、竞标层面、销售层面等不同于以往的垄断形式。如在票务在线预订平台等市场信息透明度较高的市场，纯粹自主学习型算法能够在缺乏明确沟通的情况下通过发出价格信号、惩罚背离行为等方法主动开展并维持价格共谋。又如在移动出行平台等算法相似度较高的市场，纯粹自主学习型算法能够基于消费者画像对不同消费者采取差异化定价。有报告显示，优步（Uber）平台曾在一段时期内表现出向不常匹配平台订单的用户设置更高价格的倾向（Surge Pricing）—即在各用户所在地理位置相近的情况下，以往不常匹配平台订单的用户所得到订单价格将高于常匹配平台订单的用户。[2]这些共谋情形将在一定程度上扩大共谋市场范围、提高市场进入壁垒、产生行为歧视、降低消费者福利，对市场公平竞争秩序、消费者权益以及经济运行效率等都构成足够威胁。
[2]Le Chen, Alan Mislove and Christo Wilson,"Peeking Beneath the Hood of Uber", The ACM Conference, Japan,2015.
c4d032d1-1359-488d-9493-075c1cede8f9.jpg)