自主学习型算法共谋的事前预防与监管*
2021-08-30 15:51 来源：深圳社会科学
为进一步甄别合法的平行行为与违法的默示共谋行为，美国、欧盟常将间接证据引入事实认定过程。间接证据证明规则目前在我国尚存在争议，如有学者赞成使用间接证据和举证责任倒置共同证明默示共谋行为，而有些学者则支持综合间接证据证明默示共谋行为。但无论如何，间接证据证明规则的模糊一方面使得经营者缺乏反垄断规制的可预见性，无法就特定的间接证据类型进行预先整理、留存。例如自主学习型算法训练样本、数据接口等关键间接证据类型，其直接处于经营者控制之下而难以为反垄断执法者调取收集。另一方面，如若反垄断执法机构无法对特定间接证据类型进行有针对性的、及时的收集整理，也会较大程度阻碍执法工作的有效开展。而间接证据的收集过程亦存在局限，主要反映在代码、数据两个层面。就代码而言，除代码整体内容、结构、逻辑极其相似的特殊情况外，反垄断执法者通常难以仅依据代码推断出设计者或使用者的主观恶意。尤其在纯粹自主学习型算法共谋的情境下，即使没有设计者预先针对性设置，自主学习型算法仍能够依据利润最大化的考量自主衍生出合作、惩罚等行为，由此反垄断执法者依据代码对信息交流行为进行推定的能力被大幅削弱。而在数据层面上，由于现行法律法规并未对算法训练样本数据的使用、备份等内容加以规定，故在实际调查中反垄断执法者极有可能无法对相关证据进行及时完整的提存。数据、代码层面证据的缺失，将影响责任主体的认定。若是自主学习型算法在缺乏人为干预的情况下自主衍生出共谋行为，则应认定为是物的责任；若是设计者在设计、训练过程中刻意引导自主学习型算法倾向，则应认定为是设计者的责任；若是使用者在使用过程中通过开放隐蔽接口等方式人为营造数据层面的一致，则应认定为是使用者的责任。[17]而在数据、代码层面证据缺失的情形下，设计者或使用者将有机会把责任归咎于自主学习型算法本身。即便责任终究仍由使用者、设计者等主体承担，但此时意味着该损害的直接原因为自主学习型算法而非使用者、设计者等主体，归责过程必会因此受影响，使用者、设计者等主体所承担的责任将大幅减轻。
[17]杨立新：《民事责任在人工智能发展风险管控中的作用》，《法学杂志》，2019年第2期。