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。
2.异常市场行为预警、调查措施 除对一些基本的市场结构信息进行整理、分析外，反垄断执法机构还应当借助人工智能等相关技术识别、监测异常的市场行为。前文提到外显、直接的垄断协议、沟通线索等证据在自主学习型算法共谋的情境下极难获取，此时尤其应当重视对间接经济证据的分析、提取。但间接经济证据由于其零散、关联性较差的原因，通常难以形成清晰、完整的证据链条。美国联邦第四巡回上诉法院在审理Brooke Group Ltd. v. Brown & Williamson Tobacco Corp.案时就指出，间接经济证据虽然也足以证明有意识的平行行为违法，但考虑到平行行为本身并不具有违法性，只有在间接经济证据达到相当程度时才能认定其违法。[29]考虑到高频价格变动等异常的市场行为发生时间短、发生时间不确定等因素，采取传统手段将很难察觉这类行为。因此反垄断执法机构可以同样采用人工智能等相关技术，对市场异动进行监测、预警。在具体操作上，一方面可以考虑将此前已经查处的案件材料相应整合、提取，作为监管算法的训练样本。而另一方面对于一些较常见的间接经济证据类型，则可以考虑直接将其作为常规化的监管目标，例如相对固定的市场份额、市场价格的歧视、异常的市场价格变化幅度及频率等。[30]在识别出相应的间接经济证据后，可以在贝叶斯模型的框架下结合市场结构、市场特点、监管经验推断出共谋的大致概率进而有条件地展开针对性调查。为更有效识别、利用各类间接经济证据，反垄断执法机构可设置专门小组以提升专业性。如美国联邦贸易委员会就于2019年2月设立技术专门小组（Technology Task Force），以调查美国科技行业的反竞争行为。[31]专门小组在日常调查活动过程中可以以行政指导、建议等方式促进竞争政策的有效实施，并在公平竞争审查过程中反推政策制定。
3.消费者指导措施 消费者是市场经济活动的重要组成部分，在反垄断法中也占据相当位置。在大数据、爬虫技术高度发展的现在，消费者同样可以使用竞价平台等技术服务以减少市场信息的不对称。当使用竞价算法的消费者数量达到一定程度时，则消费者可逐步获得买方势力并以此抵消经营者使用算法所引致的负面福利效应。[32]且消费者在使用过程中如若发现经营者存在异常行为，则可以及时向有关部门举报。美国联邦贸易委员会消费者保护局此前就为此设立了技术研究和调查办公室（Office of Technology Research and Investigation），其一项重要职能就是为消费者以及其他组织提供算法透明性等相关问题的指导。[33]
[29]Brooke Group Ltd.v. Brown& Williamson Tobacco Corp.,509 U.S.209(1993).
[30]William E. Kovacic,"Plus Factors and Agreement in Antitrust Law",110 Mich. L. Rev.393,2011:427.
[31]FTC creates new task force to investigate tech sector[2019-02-26], <https://www.cnet.com/news/ftc-creates-new-task-force-to-investigate-the-tech-sector>，最后访问时间2019年12月18日.
[32]周围：《算法共谋的反垄断法规制》。
[33]FTC Office of Technology Research and Investigation, <https://www.ftc.gov/about-ftc/bureaus-offices/bureau-consumer-protection/office-technology-research-investigation>，最后访问时间2019年11月30日.
c4d032d1-1359-488d-9493-075c1cede8f9.jpg)