自主學習型算法共謀的事前預防與監(jiān)管*
2020-02-21 04:14:02吳宗澤
深圳社會科學 2020年2期
王 健 吳宗澤
大數(shù)據(jù)、云計算等技術的逐步成熟，使得復雜計算機算法在商業(yè)上的普及應用成為可能。越來越多的企業(yè)開始使用計算機算法改進產(chǎn)品的定價模型、服務策略并預測市場變化趨勢，商品定價也呈現(xiàn)出由統(tǒng)一定價模式逐漸過渡至差異化定價、動態(tài)定價模式的傾向。歐洲委員會于2017年5月10日發(fā)布的《Final Report on E-Commerce Sector Inquiry》（《歐洲委員會：電子商務產(chǎn)業(yè)調(diào)查總結報告》）顯示，約有53%的受訪零售商表示會采取一定措施監(jiān)控競爭對手的在線價格，其中約67%的受訪零售商會選擇借助自動化軟件來進行價格監(jiān)控。①European Commission, Final Report on the E-Commerce Sector Inquiry, Commission Staff Working Document, SWD (2017) 154 Final, 2017．但在算法廣泛應用的同時，近年Spencer Meyer v.Travis Kalanick、U.S.v.David Topkins等相關算法共謀案例也引發(fā)學界對算法反競爭效應的思考。基于計算機算法的功能差異，學界大體將其劃分為信號算法、監(jiān)管算法、平行算法、預測算法四種。隨著人工智能技術的發(fā)展以及大數(shù)據(jù)、云計算等底層技術的成熟，自主學習型算法（Self-Learning Algorithms）如今也值得充分重視。雖然部分自主學習型算法在功能細分上仍不外乎前述信號、監(jiān)管、預測等，但由于機器學習等人工智能算法的輸出過程并不會有明確的行為依據(jù)（即代碼指令），其輸出過程即便對于設計者、使用者而言都如同“黑箱”一般不可獲知。考慮到算法運行方式的獨特性，需要將自主學習型算法較其他算法進行單獨區(qū)分。
自主學習型算法依據(jù)人工智能技術使用程度的不同，可分為不純粹自主學習型算法與純粹自主學習型算法。不純粹自主學習型算法指設計者在設計算法時局部采用人工智能技術，如只在構建市場價格預測模型時采用機器學習算法。從形成共謀的方式看，總體而言不純粹自主學習型算法僅部分采用人工智能技術，實際使用過程中還需要依賴使用者的具體操作。因此在不純粹自主學習型算法共謀情境下，不純粹自主學習型算法僅僅是作為使用者實施共謀行為的輔助工具，使用者對其的控制程度仍維持在較高水平。而當市場信息透明度、算力水平達到一定程度的情況下，設計者則可在設計算法時整體采用人工智能技術生成相應模型，這類整體采用人工智能技術的計算機算法可稱為純粹自主學習型算法。在純粹自主學習型算法共謀情境下，由于整體輸出過程均缺乏明確、可修正的行為依據(jù)，故此種共謀自主化程度較高且難以為使用者直接控制。純粹自主學習型算法在實際運作時能夠借助分析歷史數(shù)據(jù)、反復試錯等方式掌握更為復雜的合謀方式，通常可集合信號算法、監(jiān)管算法、預測算法等算法的特點自主達成產(chǎn)量層面、競標層面、銷售層面等不同于以往的壟斷形式。如在票務在線預訂平臺等市場信息透明度較高的市場，純粹自主學習型算法能夠在缺乏明確溝通的情況下通過發(fā)出價格信號、懲罰背離行為等方法主動開展并維持價格共謀。又如在移動出行平臺等算法相似度較高的市場，純粹自主學習型算法能夠基于消費者畫像對不同消費者采取差異化定價。有報告顯示，優(yōu)步（Uber）平臺曾在一段時期內(nèi)表現(xiàn)出向不常匹配平臺訂單的用戶設置更高價格的傾向（Surge Pricing）—即在各用戶所在地理位置相近的情況下，以往不常匹配平臺訂單的用戶所得到訂單價格將高于常匹配平臺訂單的用戶。①Le Chen, Alan Mislove and Christo Wilson, "Peeking Beneath the Hood of Uber", The ACM Conference, Japan, 2015．這些共謀情形將在一定程度上擴大共謀市場范圍、提高市場進入壁壘、產(chǎn)生行為歧視、降低消費者福利，對市場公平競爭秩序、消費者權益以及經(jīng)濟運行效率等都構成足夠威脅。
一、自主學習型算法共謀的特殊性
（一）主觀意識的弱化非自主學習型算法共謀多是由設計者、使用者等主體事先就如何達成共謀制定出策略機制，使得算法能夠在一定條件下執(zhí)行。從本質(zhì)上看，此類算法共謀與反壟斷法以往所規(guī)制的合謀行為并無不同。美國聯(lián)邦貿(mào)易委員會專員Ohlhausen就指出，“如果‘算法’這個詞能被任意一個人名所替換，則執(zhí)法機構可以像處理以往其他反壟斷案件一樣處理這類算法共謀”。②Schwalbe Ulrich, "Algorithms, Machine Learning, and Collusion", SSRN Electronic Journal, 2018．而自主學習型算法共謀事實上是算法基于利益最大化的既定目標，依據(jù)供需關系、成本費用、產(chǎn)品產(chǎn)量、產(chǎn)品差異等相似的市場信息對價格設定、產(chǎn)量設置等行為自主作出近似或相同的預判。自主學習型算法的而設計框架并不需要明確的參數(shù)或公式作為實現(xiàn)共謀的基礎，設計者、使用者等主體通過算法設計環(huán)節(jié)對自主學習型算法施加影響的程度較其他算法類型更為有限。臉書人工智能研究院（Facebook AI Research, NY）的一篇研究報告就指出，強化學習算法并不需要算法設計者特定的設計就可以表現(xiàn)出一定程度的合作行為。倘若條件足夠理想，自主學習型算法將有可能僅僅在基礎設計框架下就自主衍生出平行行為。①Adam Lerer and Alexander Peysakhovich, "Maintaining Cooperation in Complex Social Dilemmas Using Deep Reinforcement Learning", Cornell U．Libr．, Working Paper, 2018:8．
就自主學習型算法的操作過程而言，其過程主觀意識的弱化程度亦極為明顯。如在共謀合作對象的選擇上，自主學習型算法多以價格信號或單邊公告的方式主動進行匹配，其選擇范圍較以往共謀類型更為廣泛、隨機、不特定。當自主學習型算法自主性達到一定程度時，算法操作層面的控制程度將得到進一步弱化：自主學習型算法能夠基于市場信息反復預測、評估并獨立作出信號、監(jiān)管及平行行為，當合作行為產(chǎn)生的收益超出自主學習型算法所期望的閾值則會自主展開合作。設計者、使用者等主體的意志因無法直接參與共謀實施過程而難以得到具體體現(xiàn)，如何認定各共謀參與者的合謀意思將變得更為困難。
（二）共謀狀態(tài)的穩(wěn)定算法共謀狀態(tài)的穩(wěn)定程度，通常取決于行為隱蔽程度高低、懲罰能力強弱、共謀彈性大小等因素。從行為隱蔽程度的角度看，一般情況下借助算法實施的合謀行為在達成價格、產(chǎn)量一致前往往依賴于事先約定、預設固定的參數(shù)或公式，其合謀意思表示較為外顯、明確。此外，一些算法共謀常體現(xiàn)出明顯的跟隨性—如2011年亞馬遜平臺書商在銷售《The Making of A Fly》圖書時利用算法相互參照對方定價，進而陷入循環(huán)定價的窘境。②施春風：《定價算法在網(wǎng)絡交易中的反壟斷法律規(guī)制》，《河北法學》，2018年第11期。而自主學習型算法在達成共謀時通常不需要明確一致的公式、參數(shù)，且能夠依據(jù)市場動態(tài)情況主動調(diào)整共謀價格并達成共謀合意，使得欲達成合謀的經(jīng)營者在面對監(jiān)管時保持較好的隱蔽進而維持共謀的穩(wěn)定。目前多數(shù)算法共謀雖仍需要設計者、使用者經(jīng)由某些外顯的方式進行引導，但部分算法在實驗室環(huán)境中已表現(xiàn)出一定程度的自主交流、協(xié)作能力。如Jacob等學者基于強化學習設計的算法“S++”可以基于預設的信號模塊與其他算法（甚至人類玩家）在游戲中進行協(xié)作，并在多個測試中保持較高水平的性能。“S++”甚至會隨著游戲復雜程度的提升而使用一些復合動作傳遞合作訊息，而人類玩家通常難以理解且不會采用這類復合動作作為傳遞訊息的方式。③Jacob W． Crandall and others, "Cooperating with Machine", Nature Communications, 2018:3．這些復合動作若實施在實際市場情境下，則意味著自主學習型算法共謀的隱蔽性將進一步提升。
考慮到背離行為會造成共謀參與者的利潤損失，識別背離行為并及時作出反制的能力是達成共謀的必然要求。依托大數(shù)據(jù)、爬蟲等相關技術，現(xiàn)有算法也能在有限程度上滿足這一需求。比如采用“以牙還牙”（Tit-For-Tat）策略，共謀參與者能夠采用價格跟隨行為對私自調(diào)整定價或庫存的行為作出及時響應。因而背離行為所能夠產(chǎn)生的利潤空間實際上已經(jīng)被大幅壓縮，共謀參與者間的監(jiān)管、懲罰行為在實際操作中僅僅是“威脅”意義上的存在。但簡單采取價格跟隨行為容易衍生出另一問題，即是背離行為發(fā)生后共謀參與者因無法及時返回合作而造成利潤損失。鑒于上述情況，如何在背離行為發(fā)生后及時返回合作關鍵對于自主學習型算法共謀而言則顯得更為關鍵。臉書人工智能研究院（Facebook AI Research, NY）近期提出，在信息流較為充分的情況下采用附條件的結果主義合作算法（Consequentialist Conditional Cooperation）對歷史信息進行分析，可以有效避免背離行為發(fā)生后難以再次達成共謀的缺陷。①Alexander Peysakhovich and Adam Lerer, "Consequentialist Conditional Cooperation in Social Dilemmas with Imperfect Information", Cornell U．Libr．, Working Paper, 2018:2．具體而言，附條件的結果主義合作算法能夠基于歷史對局信息對對手行為、次回合收益進行實時評估，當合作行為預期產(chǎn)生的收益超出算法的期望閾值時則重新進行合作。
（三）共謀情形的多樣算法共謀普遍需要共謀參與者共同就共謀行為的實施方式、實施條件等內(nèi)容達成一致，據(jù)此協(xié)調(diào)共謀行為并確保共謀狀態(tài)持續(xù)穩(wěn)定。因而算法共謀通常存在于直接競爭的經(jīng)營者之間，多以橫向合謀的形式出現(xiàn)。但在自主學習型算法共謀的情境下，共謀參與者往往能夠經(jīng)由互聯(lián)網(wǎng)平臺、開源數(shù)據(jù)庫、第三方設計者等各類主體達成共謀。其直接影響是達成共謀所需要的市場條件逐步降低、市場競爭者數(shù)量與形成共謀的關聯(lián)關系進一步弱化，使得經(jīng)營者達成共謀的市場范圍趨于擴張。②周圍：《算法共謀的反壟斷法規(guī)制》，《法學》，2020年第1期。囿于現(xiàn)階段并未出現(xiàn)特征較明顯的自主學習型算法共謀案例，故此處僅例舉相似情形以供參照。
1.基于第三方算法設計者或代理商的共謀情形由于自主學習型算法設計的專業(yè)化程度較高，故市場經(jīng)營者多會選擇將自主學習型算法設計任務外包第三方設計者或直接使用第三方代理商算法以降低經(jīng)營成本。如若多個存在直接競爭關系的經(jīng)營者均使用同一第三方設計者或代理商提供的自主學習型算法，算法架構甚至代碼層面的相似則會促使自主學習型算法共謀的形成。這在相關的計算機算法實驗中也有所體現(xiàn)，如附條件的結果主義合作算法在自我合作時會較與其他算法合作時獲得更好的收益率；③Alexander Peysakhovich and Adam Lerer, "Consequentialist Conditional Cooperation in Social Dilemmas with Imperfect Information"．“S++”算法在自我合作時除收益率更優(yōu)外，還表現(xiàn)出達成合作更快、維持合作更久等特點。④Jacob W． Crandall and others, "Cooperating with Machine"．在Eturas et al.v.Lietuvos Respublikos Konkurencijos Taryba案中，涉案旅行社均使用由第三方算法代理商Eturas提供服務的在線預訂系統(tǒng)。因在線預訂系統(tǒng)對折扣率的技術限制，各旅行社向消費者提供的折扣率被強制保持在3%以內(nèi)。⑤HaVu, K． A． & Zupancic N．, "Case Comment: Collusion and Online Platforms in Eturas", 11, Competition Law Review, 2016．立陶宛競爭委員會認為涉案旅行社通過默示的方式作出共謀的意思表示，間接達成價格層面的協(xié)同。即便Eturas作為不參與相關市場競爭的第三方算法代理商，其仍然應當為便利價格協(xié)同行為而受到處罰。⑥Eturas, C-74/14, ECLI:EU:C:2016:42．
2.基于開源數(shù)據(jù)庫的共謀情形接入自主學習型算法的市場信息相似與否以及特殊信息有無都將對自主學習型算法的評估、預測行為產(chǎn)生影響，從而阻礙共謀的形成。為進一步促進自主學習型算法共謀的形成，較為直接的方式是共謀參與者相互開源數(shù)據(jù)庫接口或共用某一開源數(shù)據(jù)庫。如西班牙國家市場與競爭委員會（CNMC）于2019年4月12日發(fā)布的報告稱，西班牙最主要的煙草批發(fā)商Logista基于其市場支配地位⑦煙草批發(fā)商Logista自2008年以來，全國范圍內(nèi)的市場份額長期維持在99%。搭建了可以每日發(fā)布煙草銷售相關信息的計算機應用程序。基于煙草銷售相關信息的共享，與Logista簽訂分銷合同的各煙草制造商自2008年以來產(chǎn)品價格保持著高度一致。①Comision Nacional De Los Mercados Y LA Competencia，Expediente S/DC/0607/17 Tabacos，2019．該情形下的另一表現(xiàn)形式是預先就開源數(shù)據(jù)庫內(nèi)某一特殊信息進行協(xié)調(diào)，以該信息作為共謀信號。如美國司法部就曾在Spencer Meyer v.Travis Kalanick案件調(diào)查報告中指出，美國各航空公司會依據(jù)美國航空票務信息發(fā)行公司（Airline Tariff Publishing Co.）向社會公開的機票發(fā)行起止日期進行價格合謀。②Organization for Economic Co-operation and Development (OECD): Algorithms and Collusion: Competition Policy in the Digital Age,[2017-09-14],
3.基于平臺的共謀情形如今電商、網(wǎng)約車等領域的個體經(jīng)營者多會尋求平臺型企業(yè)進行掛靠，以此減少經(jīng)營成本、增強市場競爭力。為避免經(jīng)營者間的惡性競爭，以優(yōu)步（Uber）、滴滴出行為代表的平臺型企業(yè)多會通過提供定價算法與經(jīng)營者縱向的達成價格一致。此類缺乏橫向溝通而經(jīng)由平臺型企業(yè)達成的共謀行為，被稱為軸輻共謀（Hub and Spoke Conspiracy）。軸輻共謀由隱蔽的橫向協(xié)議與若干外顯的縱向協(xié)議共同構成，將傳統(tǒng)橫向協(xié)議、縱向協(xié)議二分法的界限變得模糊。由于軸輻共謀中處于輪輻的橫向協(xié)議往往缺乏直接證據(jù)，如何對其事實及違法性進行認定則變得更為棘手。③張晨穎：《壟斷協(xié)議二分法檢討與禁止規(guī)則再造—從軸輻協(xié)議談起》，《法商研究》，2018年第2期。
自主學習型算法在此基礎上衍生出的另一情形是附條件的價格歧視行為，如前文提到優(yōu)步（Uber）平臺曾在一段時期內(nèi)表現(xiàn)出向不常匹配平臺訂單的用戶設置更高價格的傾向。我國反壟斷法關于價格歧視的規(guī)定歸于濫用市場支配地位的行為，其實施主體是具有市場支配地位的經(jīng)營者。可附條件的價格歧視行為并不以實施者具有市場支配地位為要求，平臺型企業(yè)僅在數(shù)據(jù)信息充分的情況下即可實施。用戶信息控制情況與市場支配地位是否具有應然關系、如何對平臺型企業(yè)市場支配地位進行判斷，則使得軸輻共謀行為變得進一步復雜化。
二、自主學習型算法共謀的規(guī)制困境
囿于前述自主學習型算法共謀表現(xiàn)形式復雜、行為依據(jù)模糊、主觀意識弱化等特點，反壟斷執(zhí)法、司法層面難以對自主學習型算法共謀予以及時、有效的規(guī)制。此處分別就執(zhí)法立案、事實認定兩階段所存在的局限，對自主學習型算法共謀現(xiàn)存的規(guī)制困境進行分析。
（一）執(zhí)法立案階段存在的局限依據(jù)我國《反壟斷法》第三十八條規(guī)定，目前反壟斷調(diào)查可分為主動調(diào)查和被動調(diào)查兩類。主動調(diào)查指反壟斷執(zhí)法機構依法定職權，對某一市場中涉嫌壟斷的行為進行主動調(diào)查。這意味著在啟動反壟斷調(diào)查前，相關執(zhí)法人員需要主動發(fā)掘、搜集相關線索以查明壟斷行為的存在。就目前而言，搜集線索的主要路徑包括新聞資訊、行業(yè)會議、市場調(diào)研等。考慮到自主學習型算法共謀行為發(fā)生時間不特定、表現(xiàn)效果不明顯，事實上執(zhí)法人員很難經(jīng)由這些傳統(tǒng)方法發(fā)現(xiàn)自主學習型算法共謀的相關線索。例如在動態(tài)定價算法場景下，自主學習型算法可在深夜不特定時段以高頻變價行為發(fā)出共謀信號，在短時間內(nèi)達成價格共謀。
被動調(diào)查一般指反壟斷執(zhí)法機構應第三方舉報或壟斷行為人自愿報告，而實施的反應性行為。從壟斷行為人自愿報告的角度看，局限性體現(xiàn)在壟斷行為人自愿報告動機不強烈和對自主學習型算法共謀具體行為不了解兩方面。由于反壟斷執(zhí)法機構缺乏對經(jīng)營者的事前管控，使得壟斷行為人存在較大操作空間對數(shù)據(jù)、代碼等內(nèi)容進行隱瞞。進而反壟斷執(zhí)法機構或因證據(jù)收集成本過高、證據(jù)收集周期過長等原因無法及時、有效對其行為予以規(guī)制，造成我國現(xiàn)行反壟斷法在對該類行為威懾效果上的缺失。在此情況下，壟斷行為人通常不會有足夠的動機向反壟斷執(zhí)法機構自愿報告其行為。另一方面，自主學習型算法本身的不透明也阻礙了設計者、使用者對于算法的實際控制。如優(yōu)步（Uber）、愛彼迎（Airbnb）等一些既有的價格歧視案例也表明，設計者、使用者即便在透明程度稍高的不純粹自主學習型算法場景下也很難做到對自主學習型算法的充分控制。
就第三方舉報的角度而言，尤其需要注意到普通消費者舉報條件的不足。目前自主學習型算法多應用于動態(tài)定價行為，其交易相對人通常為普通的獨立消費者。前文優(yōu)步（Uber）價格歧視的例子就反映出普通消費者難以意識到價格歧視等問題的存在，因而無法及時維護自身合法權益。但即便某些消費者偶然發(fā)現(xiàn)此類問題，也難以搜集到足夠的證據(jù)進行舉報。另一方面，我國個人信息保護方面的法律法規(guī)對基于自動化分析、決策的數(shù)據(jù)使用場景亦未作出規(guī)定，這也使得相關主體或因解釋權、救濟權的缺失而無法及時維權。歐盟《通用數(shù)據(jù)保護條例》在第12、13、14、15及22條對基于自動化分析、決策的數(shù)據(jù)使用場景作出相關規(guī)定，但在應用層面可能仍不足夠。例如個人信息處理目的、個人數(shù)據(jù)接收方種類等信息應以何種方式向數(shù)據(jù)主體提供？在缺乏事前數(shù)據(jù)管控規(guī)范化指引的情形下，此類信息可能由于內(nèi)容復雜、提示隱蔽等原因在實際操作中被消費者所忽視。
（二）事實認定階段存在的局限在不考慮人為干預的情況下，自主學習型算法共謀事實上可以認作為一種默示共謀—算法在利益最大化目標的基礎上依據(jù)供需關系、成本費用等市場信息獨立作出近似或相同的預判并形成具有反競爭效果的協(xié)作，從而導致價格處于競爭水平之上引發(fā)市場的無謂損失。且為預防私自降價、增產(chǎn)等背離行為造成的利潤損失，參與共謀的競爭者將憑借懲罰行為進行威懾以謀取共謀狀態(tài)持續(xù)穩(wěn)定。但與以往反壟斷法所規(guī)制的默示共謀不同，自主學習型算法共謀因缺乏經(jīng)營者客觀協(xié)商與明示合作而難以直接為反壟斷法調(diào)整。故在規(guī)制時常需借助證據(jù)規(guī)則深入分析自主學習型算法共謀形成的內(nèi)核，以明確其中各類共謀的具體要件。
證據(jù)規(guī)則對于事實認定至關重要，是壟斷協(xié)議禁止制度的核心之一。但自主學習型算法共謀等默示共謀行為由于目的要素的無形性、抽象性，其證明過程往往較其他合謀行為更為復雜。其原因一是共謀的合意形式具有隱蔽性，形式呈現(xiàn)出“去書面化”、多樣化的特點；二是涉案的證據(jù)信息具有不對稱性，即便是執(zhí)法機構都難以收集到相應的直接證據(jù)；三是由于默示合謀與平行行為具有相似性，除是否存在意思聯(lián)絡、有無合理抗辯理由外并無區(qū)別。但意思聯(lián)絡證據(jù)又存在前述復雜性，故默示共謀的證明過程常常深受掣肘并進而成為實踐中規(guī)制默示共謀的癥結。
為進一步甄別合法的平行行為與違法的默示共謀行為，美國、歐盟常將間接證據(jù)引入事實認定過程。間接證據(jù)證明規(guī)則目前在我國尚存在爭議，如有學者贊成使用間接證據(jù)和舉證責任倒置共同證明默示共謀行為，而有些學者則支持綜合間接證據(jù)證明默示共謀行為。但無論如何，間接證據(jù)證明規(guī)則的模糊一方面使得經(jīng)營者缺乏反壟斷規(guī)制的可預見性，無法就特定的間接證據(jù)類型進行預先整理、留存。例如自主學習型算法訓練樣本、數(shù)據(jù)接口等關鍵間接證據(jù)類型，其直接處于經(jīng)營者控制之下而難以為反壟斷執(zhí)法者調(diào)取收集。另一方面，如若反壟斷執(zhí)法機構無法對特定間接證據(jù)類型進行有針對性的、及時的收集整理，也會較大程度阻礙執(zhí)法工作的有效開展。而間接證據(jù)的收集過程亦存在局限，主要反映在代碼、數(shù)據(jù)兩個層面。就代碼而言，除代碼整體內(nèi)容、結構、邏輯極其相似的特殊情況外，反壟斷執(zhí)法者通常難以僅依據(jù)代碼推斷出設計者或使用者的主觀惡意。尤其在純粹自主學習型算法共謀的情境下，即使沒有設計者預先針對性設置，自主學習型算法仍能夠依據(jù)利潤最大化的考量自主衍生出合作、懲罰等行為，由此反壟斷執(zhí)法者依據(jù)代碼對信息交流行為進行推定的能力被大幅削弱。而在數(shù)據(jù)層面上，由于現(xiàn)行法律法規(guī)并未對算法訓練樣本數(shù)據(jù)的使用、備份等內(nèi)容加以規(guī)定，故在實際調(diào)查中反壟斷執(zhí)法者極有可能無法對相關證據(jù)進行及時完整的提存。數(shù)據(jù)、代碼層面證據(jù)的缺失，將影響責任主體的認定。若是自主學習型算法在缺乏人為干預的情況下自主衍生出共謀行為，則應認定為是物的責任；若是設計者在設計、訓練過程中刻意引導自主學習型算法傾向，則應認定為是設計者的責任；若是使用者在使用過程中通過開放隱蔽接口等方式人為營造數(shù)據(jù)層面的一致，則應認定為是使用者的責任。①楊立新：《民事責任在人工智能發(fā)展風險管控中的作用》，《法學雜志》，2019年第2期。而在數(shù)據(jù)、代碼層面證據(jù)缺失的情形下，設計者或使用者將有機會把責任歸咎于自主學習型算法本身。即便責任終究仍由使用者、設計者等主體承擔，但此時意味著該損害的直接原因為自主學習型算法而非使用者、設計者等主體，歸責過程必會因此受影響，使用者、設計者等主體所承擔的責任將大幅減輕。
除前述提到證據(jù)獲取及行為預判層面的不足外，部分學者認為我國反壟斷法未對“協(xié)議”的具體含義作出規(guī)定是自主學習型算法共謀缺乏可規(guī)制性的原因。他們認為我國《反壟斷法》僅僅在第13條以原則性規(guī)定對“壟斷協(xié)議”概念進行界定，即便輔以例舉性規(guī)定仍不足以明確壟斷協(xié)議的具體構成要件。在此情況下無法認定自主學習型算法共謀是否屬于反壟斷法中“壟斷協(xié)議”所指情形，為自主學習型算法共謀的認定過程造成阻礙。為此應當通過立法擴張“壟斷協(xié)議”概念、弱化“協(xié)議”形式要件，從而為規(guī)制自主學習型算法共謀留出實施空間。②周圍：《算法共謀的反壟斷法規(guī)制》，《法學》，2020年第1期。但我國反壟斷法中關于“壟斷協(xié)議”的概念已經(jīng)較為模糊，僅僅對其排除、限制競爭的反競爭效果予以明確。因而此條事實上已為法律解釋留有余地，法院或反壟斷執(zhí)法機構可以通過目的解釋等方法進行釋明。近期發(fā)布的《〈反壟斷法〉修訂草案（公開征求意見稿）》也反映出這一態(tài)度—草案將我國現(xiàn)行《反壟斷法》第13條第2款上升為“統(tǒng)領”第二章壟斷協(xié)議內(nèi)容的一般性條款，有效消弭現(xiàn)有規(guī)范體系的結構性缺陷，使得法院、反壟斷執(zhí)法機構在認定壟斷協(xié)議時更具裁量空間。
當然通過制定法律、法規(guī)、指南等方式對“壟斷協(xié)議”概念予以補充、說明將有助于提升規(guī)制自主學習型算法共謀等新興壟斷協(xié)議行為的現(xiàn)實可操作性，但這并不足以支撐其必要性。因而現(xiàn)有反壟斷法制度框架在證據(jù)條件明晰的情況下仍能夠有效規(guī)制自主學習型算法共謀，但規(guī)制困境的根源仍在于證據(jù)收集、提存、固定過程的障礙。然而以往依靠反壟斷執(zhí)法機構等主體被動進行信息收集、整理、固定的做法難以彌補上述缺陷，尤其是對于算法訓練樣本、價格變動記錄、數(shù)據(jù)獲取接口等自主學習型算法的核心信息根本無法做到有效、全面收集。因此只有引入事前預防與監(jiān)管措施對此類核心信息預先進行針對性提存、分析、管控，才能占據(jù)主動并對其予以有效、合理規(guī)制。
三、自主學習型算法共謀的事前預防與監(jiān)管
對于自主學習型算法共謀這一新興共謀形式，應當明確其機理、剖析其特征。在此基礎上針對性地進行環(huán)節(jié)設置，尋求合理、有效的規(guī)制路徑。
（一）自主學習型算法的實現(xiàn)原理不純粹或純粹的自主學習型算法目前大多是基于機器學習原理實現(xiàn)的，依據(jù)實現(xiàn)方法不同可粗略分為監(jiān)督學習（Supervised Learning）、無監(jiān)督學習（Unsupervised Learning）以及強化學習（Reinforcement Learning）三種。監(jiān)督學習的核心是通過輸入一定量帶有標記（監(jiān)督信號）的訓練樣本，由計算機自主分析并生成相應的推斷功能。如在設計識別物體形狀的監(jiān)督學習算法時，設計者需要事先準備一些標記好形狀名稱的物體照片。監(jiān)督算法基于這些訓練樣本生成出將所有輸入映射為相應輸出的算法模型，并可對輸出內(nèi)容進行簡單判斷。而無監(jiān)督學習的核心則是聚類，即將未標記有特征的訓練樣本依據(jù)劃分方法、層次方法等進行聚類。再以識別物體形狀為例，假如在設計之初對訓練樣本圖片未作標記，則可直接通過無監(jiān)督學習算法對訓練樣本進行聚類。但由于缺乏對訓練樣本的預先歸類，所以在輸出結果時算法無法依據(jù)確定的標準對其進行衡量。強化學習的核心是在訓練時重復試錯（Learning Through Trial and Error），并在過程中給予算法一定量的刺激反饋以增強某種行為，如通過獎勵正強化行為、通過懲罰負強化行為等。與非監(jiān)督學習不同，強化學習并非一種映射關系。如在線購物平臺進行商品推薦時，非監(jiān)督學習算法可能會基于用戶以往的購物記錄推薦類似的商品。而強化學習算法由于在訓練時會受到近期購物記錄的影響，會嘗試推薦不同的商品，并根據(jù)用戶點擊、瀏覽時間等數(shù)據(jù)的反饋進而構建出用戶購物偏好的模型。
在初步了解各算法實現(xiàn)的基本原理后，有幾點值得在探究自主學習型算法時注意。一是在構建算法模型時，設計者使用、設置訓練樣本的偏好會對算法模型的構建產(chǎn)生影響。如在訓練樣本上預先標記人種、性別等參數(shù)，則很有可能使得動態(tài)定價模型在構建時產(chǎn)生人種、性別層面的歧視；二是隨著訓練樣本模糊度的提升，算法往往需要更多的時間對數(shù)據(jù)進行分析、建模。這意味著在設計如動態(tài)定價算法等復雜算法時，設計者通常需要在本地預先對算法進行長時間的訓練；三是當涉及強化學習算法時，設計者對于反饋的設置也將對算法模型的傾向產(chǎn)生影響。再以動態(tài)定價算法為例，如若設計者對合作行為給予獎勵（正強化）或?qū)Ρ畴x行為進行懲罰（負強化）則很有可能使得算法模型體現(xiàn)出傾向于共謀合作的特征。這些特征對于自主學習型算法共謀規(guī)制框架的具體建構有著較好的借鑒意義，尤其是在涉及去模型化的強化學習算法共謀類型時值得注意。如一項由英國牛津大學、美國加州大學伯克利分校、OpenAI實驗室等機構發(fā)起的聯(lián)合實驗表明，即使在算法設計之初不預設合作相關的算法內(nèi)容，計算機算法同樣能夠基于利益最大化的需求而學習合作。①Jakob N． Foerster and others, "Learning with Opponent-Learning Awareness", Cornell U． Libr．,Working Paper, 2018:2．這類算法由于在設計之初并沒有明顯的功能設置、偏好設置，且在數(shù)據(jù)分析、處理過程中并不會提供決策的依據(jù)，對反壟斷執(zhí)法機構而言無異于是不透明的“黑匣子”。對其分析應當從其相關特征針對性入手，例如供算法訓練的訓練樣本是否有偏好、反饋的設置是否有偏好等。
（二）面向算法內(nèi)容的事前預防與監(jiān)管路徑設計可針對算法本身或其結果進行監(jiān)管。
1.算法透明措施自主學習型算法的實質(zhì)威脅并不在于其是否便利市場競爭者的共謀，而是它不確定的行為方式。如優(yōu)步（Uber）平臺設計激增價格算法的初衷，是通過價格的倍數(shù)激增以減少用戶的需求并增加司機的響應數(shù)。但由于算法的不透明，優(yōu)步（Uber）平臺本身也沒有意識到激增定價模型會衍生出價格歧視的行為。這并不鮮見，愛彼迎（Airbnb）②Edelman Benjamin G． and M． Luca,"Digital Discrimination: The Case Of Airbnb．com", Harvard Business School NOM Unit Working Paper, 2014:3．、谷歌廣告平臺（Google Ads）①Sweeney Latanya, "Discrimination in Online Ad Delivery", Queue, 2013:3．同樣出現(xiàn)過類似情形。考慮到上述問題，算法透明如今為許多學者、政治家所倡導。德國總理安格拉·默克爾就曾呼吁臉書（Facebook）、谷歌（Google）等大型互聯(lián)網(wǎng)公司公開其算法，否則用戶或?qū)蛐畔⒔邮芊秶s小而感知失真。狹義的算法透明指披露算法的源代碼、訓練樣本等基本算法要素，而廣義的算法透明則指運用算法公開、算法審核等手段促成完整意義的算法透明。②沈偉偉：《算法透明原則的迷思—算法規(guī)制理論的批判》，《環(huán)球法律評論》，2019年第6期。因廣義的算法透明所指過于寬泛，此處論述僅限于狹義的算法透明。
算法透明很大程度上使得反壟斷執(zhí)法機構對于算法設計者、使用者的可問責性和對算法的知情權得到滿足，同時也有利于在事后對自主學習型算法的決策過程、依據(jù)提出公平性和合理性的質(zhì)疑。尤其是在應對算法代碼、架構相似的特殊情形時，算法透明能夠便于反壟斷執(zhí)法者快速識別并及時對算法來源進行核查。但即便不考慮商業(yè)秘密、社會秩序等問題，僅僅公開算法源代碼在多數(shù)情況下并不等于算法可知甚至也并不足以提高透明度：一是由于商用算法往往由多組算法模塊構成，其復雜性本身便會給解釋工作造成難度；二是由于自主學習型算法決策依賴于特定數(shù)據(jù)環(huán)境，單純靜態(tài)地考察源代碼并不實際；三是由于代碼解釋周期普遍過長，并不符合反壟斷執(zhí)法實踐的需求。目前有學者退而求其次地提出算法整體設計應實現(xiàn)模塊化，便于算法工程師逐一對其解釋、闡明。但其對于商業(yè)算法的設計有較高要求，實踐上可能存在一定困難，且算法迭代更新將會使得模塊趨于復雜從而難以保證模塊化解釋達到預期效果。因而就如何實現(xiàn)高效、可行的算法透明，目前仍待進一步探索。
2.“黑箱”測試沿著前述算法透明化的思路，可以考慮由反壟斷執(zhí)法機構牽頭設立算法測試、評估平臺，要求自主學習型算法的設計者或使用者在實際使用前進行強制性的“黑箱”測試。在設計“黑箱測試”時可以采取對抗的形式去測試、識別出一些具有反競爭效果的算法特性，并將其作為禁止子集的一部分。即便未識別出具有反競爭效果的特性，也可以對是否存在人為修改、人為控制等運行機制進行識別。若算法具有以人為操作觸發(fā)共謀的傾向，則很大程度上意味著共謀合意的存在。反壟斷執(zhí)法機構也可通過內(nèi)設或聘請的專家協(xié)助其審查自主學習型算法的細節(jié)部分。如此前美國司法部在調(diào)查亞馬遜（Amazon）等在線平臺時，就曾聘請反壟斷訴訟律師Ryan Shores協(xié)助審查。③Delrahim Makan: Data key to antitrust in digital markets, Global Competition Review Website[2019-11-11],
除前述提到兩類行政層面的主動審核外，還應當完善行業(yè)協(xié)會、消費者層面的監(jiān)督制度。如行業(yè)協(xié)會可牽頭舉辦類似Pwn2Own、WCTF等賽事，以鼓勵公眾在現(xiàn)實條件下（即模擬現(xiàn)實條件而無需算法公開）參與算法的監(jiān)督和完善過程。
（三）面向數(shù)據(jù)來源的事前預防與監(jiān)管路徑設計由于動態(tài)市場的復雜性，自主學習型算法通常需要極長時間的訓練以建立模型。經(jīng)濟政策研究中心（CEPR）的一篇報告指出，自主學習型算法在僅為50*50的網(wǎng)格實驗中便需要約500,000個周期才能實現(xiàn)收斂（可以理解為實現(xiàn)價格共謀狀態(tài)）。①Emilio Calvano and others, "Artificial Intelligence, Algorithmic Pricing and Collusion", Centre for Economic Policy Research Discussion Paper, No．13405, 2019:21．如若將該算法置于真實市場環(huán)境下，其需要的周期則會更多。除訓練時長外，訓練樣本量也有相應的要求。美國東北大學研究人員在推導優(yōu)步（Uber）激增定價模型時，僅四周內(nèi)少量時段的數(shù)據(jù)量就達到2.1TB。②Le Chen,Alan Mislove and Christo Wilson,"Peeking Beneath the Hood of Uber"．如此的訓練時長及訓練樣本量，使得設計者根本無法實現(xiàn)自主學習型算法的實時訓練。因此，設計者必然選擇轉(zhuǎn)向本地化的訓練模式。
針對本地化訓練模式的特點，反壟斷執(zhí)法者在前期市場調(diào)查階段應當要求相關主體保留一定時期內(nèi)的訓練樣本（數(shù)據(jù)）并就其來源作出解釋。一方面，由于前期市場調(diào)查的隨機性、不確定性，自主學習型算法共謀的實施者難以及時對訓練樣本作出修改、清理，從根本上保證了訓練樣本的可審核性。反壟斷執(zhí)法者可以要求設計者解釋算法的構造并在一定情況下選擇性地對這些訓練樣本進行測試，通過測試對訓練樣本設置上的傾向性進行進一步審核。但在數(shù)據(jù)披露的基礎上還需要謹防干擾性披露的問題，即通過披露大量冗余、干擾性的數(shù)據(jù)以妨礙關鍵數(shù)據(jù)內(nèi)容的解釋。故反壟斷執(zhí)法機構在抽檢、審核數(shù)據(jù)時可引入第三方機構協(xié)助，以期審核過程有序進行。另一方面，對數(shù)據(jù)來源的審查可以初步判斷出競爭者是否具有潛在的共謀意思以及其對市場信息對稱性的影響程度。數(shù)據(jù)的分享、使用本身并不當然為反壟斷法所規(guī)制，但如成本價格、生產(chǎn)數(shù)量等關鍵市場信息則可以降低市場競爭不確定性進而促進共謀。對于此類關鍵市場信息的來源則必須予以關注，例如數(shù)據(jù)是否是由同業(yè)競爭者提供獨立接口獲得、數(shù)據(jù)內(nèi)容是否含有單邊公告信號、經(jīng)營者對關鍵市場數(shù)據(jù)是否予以必要防護等。如若確實存在前述問題，則可以很大程度上認定共謀行為的存在。如歐盟《橫向合作協(xié)議指南》就價格、產(chǎn)量等信息作出規(guī)定，若經(jīng)營者間存在交換此類關鍵信息則可直接認定為具有限制、排除競爭目的。
考慮到事前階段在認定過程存在的缺陷，反壟斷執(zhí)法機構可考慮適用“通知-刪除”等較為緩和的措施予以前期規(guī)制。但這些措施具有一定的執(zhí)法靈活性，應當在立法上相應限制其處罰權以保障企業(yè)的合法權益。而我國反壟斷法在此方面尚不完善，僅《反壟斷法》第四十四條有一簡要表述。為兼顧執(zhí)法靈活性與處罰權力，美國聯(lián)邦貿(mào)易委員會（FTC）在作出處罰時需從如下方面證明相關主體的行為具有反競爭效應：（1）可能會對消費者造成重大損害；（2）消費者無法合理避免該損害；（3）其行為的有利影響并不能抵消對消費者、競爭環(huán)境的損害效果。③OECD: Algorithms and Collusion: Competition Policy in the Digital Age．這一標準是原則性、抽象性的，所以在限制處罰權的同時也一定程度上確保執(zhí)法的靈活。
如何保證數(shù)據(jù)管控措施得到有效執(zhí)行，很大程度依賴于相關法律法規(guī)的解釋、完善。我國目前與此較為相近的是《電子商務法》第31條關于電子商務平臺經(jīng)營者記錄、保存商品和服務相關信息的規(guī)定，其對信息的基本類型、保存時間都作出相應要求。但在引入反壟斷法時，還應注意對信息類型的具體說明以確保數(shù)據(jù)管控措施的可執(zhí)行性。如采用列舉式的方法指明數(shù)據(jù)來源信息、終端價格信息等常見的數(shù)據(jù)信息類型，再輔以概括式的描述保障執(zhí)法者自由裁量空間。此外還應當注意到此規(guī)定強調(diào)信息的完整性、保密性、可用性等原則，這一原則可為《反壟斷法》第52條所借鑒—即當受調(diào)查經(jīng)營者以不當方法致使披露信息不完整或不可用時也應當認定為是拒絕、阻礙調(diào)查的行為。
（四）面向市場結構的事前預防與監(jiān)管路徑設計前文提到，在產(chǎn)品同質(zhì)性較強、市場結構較固定的市場較容易出現(xiàn)自主學習型算法的平行行為。對這類市場重點進行市場監(jiān)控，將有助于對壟斷風險的事前控制以及對壟斷行為的事后管控。但由于市場信息的不對稱性、監(jiān)管技術的滯后性，反壟斷執(zhí)法者采用傳統(tǒng)手段難以及時、準確的識別出自主學習型算法共謀行為。且即便識別出違法行為，也難以將證據(jù)線索及時加以提存、固定。因此借助技術手段對商品價格、供需關系等市場結構信息加以實施、動態(tài)的監(jiān)管是極為必要的。
1.市場風險監(jiān)測措施一方面反壟斷執(zhí)法機構應當依托于大數(shù)據(jù)、云計算、數(shù)據(jù)加密等技術主動建立起一套高效、穩(wěn)定、安全的市場風險監(jiān)測系統(tǒng)，對行業(yè)信息、輿情信息等數(shù)據(jù)源及時地收集、分析。另一方面可以適時地要求被監(jiān)管主體接入反壟斷執(zhí)法機構的市場風險監(jiān)管系統(tǒng)，借助區(qū)塊鏈技術實時提存、固定數(shù)據(jù)以防止數(shù)據(jù)的篡改、偽造。當然，由此形成的數(shù)據(jù)量也對數(shù)據(jù)質(zhì)量、處理能力提出相當?shù)囊蟆Ｒ蚨烧块T、執(zhí)法機構、行業(yè)協(xié)會主導進行數(shù)據(jù)流程規(guī)范化指引，逐漸形成結構化、系統(tǒng)化的數(shù)據(jù)格式是極其必要的。此舉將使得數(shù)據(jù)清洗難度、數(shù)據(jù)處理時長大幅降低，從而提高市場風險監(jiān)管系統(tǒng)的可應用性。此外，各地區(qū)監(jiān)管機構間也應當探討數(shù)據(jù)共享的可實踐性，為統(tǒng)合監(jiān)管奠定必備基礎。①楊東：《監(jiān)管科技：金融科技的監(jiān)管挑戰(zhàn)與維度建構》，《中國社會科學》，2018年第5期。州仲裁委等機構基于區(qū)塊鏈技術搭建的“仲裁鏈”，一定程度上可以供各地區(qū)監(jiān)管機構借鑒。但各節(jié)點均安全、可信的情況下采用區(qū)塊鏈技術是否經(jīng)濟、效率，采用其他數(shù)據(jù)加密技術是否可行值得進一步討論。
2.異常市場行為預警、調(diào)查措施除對一些基本的市場結構信息進行整理、分析外，反壟斷執(zhí)法機構還應當借助人工智能等相關技術識別、監(jiān)測異常的市場行為。前文提到外顯、直接的壟斷協(xié)議、溝通線索等證據(jù)在自主學習型算法共謀的情境下極難獲取，此時尤其應當重視對間接經(jīng)濟證據(jù)的分析、提取。但間接經(jīng)濟證據(jù)由于其零散、關聯(lián)性較差的原因，通常難以形成清晰、完整的證據(jù)鏈條。美國聯(lián)邦第四巡回上訴法院在審理Brooke Group Ltd.v.Brown & Williamson Tobacco Corp.案時就指出，間接經(jīng)濟證據(jù)雖然也足以證明有意識的平行行為違法，但考慮到平行行為本身并不具有違法性，只有在間接經(jīng)濟證據(jù)達到相當程度時才能認定其違法。②Brooke Group Ltd．v． Brown& Williamson Tobacco Corp．, 509 U．S． 209(1993)．考慮到高頻價格變動等異常的市場行為發(fā)生時間短、發(fā)生時間不確定等因素，采取傳統(tǒng)手段將很難察覺這類行為。因此反壟斷執(zhí)法機構可以同樣采用人工智能等相關技術，對市場異動進行監(jiān)測、預警。在具體操作上，一方面可以考慮將此前已經(jīng)查處的案件材料相應整合、提取，作為監(jiān)管算法的訓練樣本。而另一方面對于一些較常見的間接經(jīng)濟證據(jù)類型，則可以考慮直接將其作為常規(guī)化的監(jiān)管目標，例如相對固定的市場份額、市場價格的歧視、異常的市場價格變化幅度及頻率等。③William E． Kovacic, "Plus Factors and Agreement in Antitrust Law", 110 Mich． L． Rev．393, 2011:427．在識別出相應的間接經(jīng)濟證據(jù)后，可以在貝葉斯模型的框架下結合市場結構、市場特點、監(jiān)管經(jīng)驗推斷出共謀的大致概率進而有條件地展開針對性調(diào)查。為更有效識別、利用各類間接經(jīng)濟證據(jù)，反壟斷執(zhí)法機構可設置專門小組以提升專業(yè)性。如美國聯(lián)邦貿(mào)易委員會就于2019年2月設立技術專門小組（Technology Task Force），以調(diào)查美國科技行業(yè)的反競爭行為。①FTC creates new task force to investigate tech sector[2019-02-26],
3.消費者指導措施消費者是市場經(jīng)濟活動的重要組成部分，在反壟斷法中也占據(jù)相當位置。在大數(shù)據(jù)、爬蟲技術高度發(fā)展的現(xiàn)在，消費者同樣可以使用競價平臺等技術服務以減少市場信息的不對稱。當使用競價算法的消費者數(shù)量達到一定程度時，則消費者可逐步獲得買方勢力并以此抵消經(jīng)營者使用算法所引致的負面福利效應。②周圍：《算法共謀的反壟斷法規(guī)制》。且消費者在使用過程中如若發(fā)現(xiàn)經(jīng)營者存在異常行為，則可以及時向有關部門舉報。美國聯(lián)邦貿(mào)易委員會消費者保護局此前就為此設立了技術研究和調(diào)查辦公室（Office of Technology Research and Investigation），其一項重要職能就是為消費者以及其他組織提供算法透明性等相關問題的指導。③FTC Office of Technology Research and Investigation,
四、結語
即便純粹自主學習型算法在實驗室環(huán)境下已表現(xiàn)出相當?shù)哪芰Γ噍^其他專門算法而言多數(shù)情況下并不會作出合作行為。且其運行周期長、結果不穩(wěn)定等特點，使得設計者難以在控制結果的基礎上管理成本。故僅就目前技術條件而言，距離純粹自主學習型算法的實際應用仍為時尚早。因而結合現(xiàn)有條件，依據(jù)自主學習型算法特點對各類不純粹自主學習型算法分環(huán)節(jié)、分對象予以事前預防和監(jiān)管是更加現(xiàn)實的，例如本文提到的對市場敏感信息的管控、對單邊公告信號的核查、對市場風險的監(jiān)測等。在各環(huán)節(jié)設計趨于完善時，即便確實出現(xiàn)純粹自主學習型算法共謀也不至于無從下手。此外，自主學習型算法共謀所涉及的民事責任認定等問題也值得進一步探究。如在純粹自主學習型算法共謀的情形下，設計者、使用者間的責任如何界定？又如在“傘形效應”的情境下，未實際參與共謀但卻隨即提升商品價格的競爭者是否需承擔責任？消費者又是否能夠向其請求賠償？為更好應對自主學習型算法共謀，宜在數(shù)據(jù)層面、消費者層面、民事責任層面等層面逐步協(xié)調(diào)、完善，結合經(jīng)濟學、計算機科學等專業(yè)知識逐步建立起有效、完備的算法共謀規(guī)制框架。
