生成式人工智能反壟斷論綱

摘 要：生成式人工智能技術的發展，依賴于對數據、模型、人才和算力等關鍵資源的利用。通過分析各個關鍵資源背后的市場特征，可以發現其中有著內在的結構性壟斷擔憂。如果缺乏及時、有效的反壟斷監管，生成式人工智能技術的發展易受到壟斷行為的阻礙。依據壟斷行為影響程度的強弱，可以將潛在壟斷行為分為封鎖型行為、限制型行為和剝削型行為三類。為了營造有利于技術創新的公平競爭市場環境，防止結構性的壟斷擔憂變成實質性的發展障礙，我國反壟斷執法機構應當基于包容審慎的監管原則推進反壟斷監管。在此基礎上，采用事前預防性監管為主的監管策略，并且強化面向國際、產業的監管合作。

關鍵詞：生成式人工智能 結構性壟斷 壟斷行為 反壟斷監管

人工智能（AI）技術作為數字時代中最關鍵的變革性技術，已從教育、醫療、金融等各領域逐漸滲透、影響人類生產生活的方方面面。目前，世界各國都在強調人工智能技術對于經濟社會發展的重要價值。相繼制定出臺各項配套政策，希望能在新的技術變革中搶占先機。而在人工智能技術眾多的技術分支之中，生成式人工智能（Generative AI，GAI）技術尤其受到關注。

根據我國《生成式人工智能服務管理暫行辦法》的定義，生成式人工智能技術是指具有文本、視頻等內容生成能力的模型以及相關技術。能夠生成“新”內容，而非只是簡單地對現有數據進行分析或者操作的能力，使得生成式人工智能技術能在很多應用場景發揮作用。從早期ChatGPT 的人機對話，到前年DreamFusion 的三維建模，再到最近Sora 的文生視頻。越來越多新興功能的“解鎖”，正在揭示生成式人工智能技術巨大的發展潛力。知名投資機構紅杉資本就曾預測，“生成式人工智能技術將有可能創造數萬億美元的經濟價值”。

然而，生成式人工智能技術發展的同時，許多復雜的法律問題也隨之出現。其中，壟斷問題是尤為突出的。囿于生成式人工智能模型高昂的研發成本，導致只有少數經營者才擁有獨立進入市場、參與競爭的能力。ChatGPT、Bard、文心一言等熱門生成式人工智能產品的背后，幾乎都有谷歌、微軟、臉書、百度等少數幾家大型科技企業直接、間接的參與。如此一來，使得生成式人工智能技術的發展，有著與生俱來的結構性壟斷擔憂，很有可能會被壟斷行為不當阻礙。

當前，已有許多國家開始關注生成式人工智能技術發展所呈現的壟斷問題：2023 年5 月4 日，英國競爭與市場管理局（CMA）啟動針對人工智能模型的初步調查。啟動文件中，點明生成式人工智能模型是其關注的重點；2023 年6 月29 日，美國聯邦貿易委員會（FTC）下屬的競爭局和技術辦公室發表題為《生成人工智能引發競爭擔憂》的聯名文章。文章指出壟斷行為將會扭曲創新發展的速率和方向，開放性、競爭性的市場環境能為生成式人工智能技術鋪平實現最大潛力的發展道路；2023 年底開始，英國、歐盟和美國相繼發起了對微軟、OpenAI 之間合作關系的初步調查。2023 年7 月10 日，我國公布的《生成式人工智能服務管理暫行辦法》同樣關注到了壟斷問題，第4 條第3 款明確規定，不得利用算法、數據、平臺等優勢實施壟斷行為。

高質量的發展，離不開高水平的創新。高水平的創新，則又離不開公平競爭。只有保證公平競爭的市場環境，創新才能繁榮，從而推動生成式人工智能技術的發展。反壟斷法應當充分發揮預防、制止壟斷行為的作用，保護市場的公平競爭。但是，也要注意反壟斷法實施的方式、限度，避免因為過度干預市場陷入“有競爭沒創新”的低質發展。有鑒于此，有必要細致考量數據收集、處理直至模型部署、應用各個階段的發展規律、壟斷風險。以此作為基礎，才能做出更科學、合理的反壟斷監管應對，更好保障我國生成式人工智能技術的發展。

一、生成式人工智能技術發展中的結構性壟斷擔憂

生成式人工智能技術研發的核心流程，大致包括數據的收集、處理，模型的設計、訓練，模型的評估、改進，模型的部署、應用四個階段。整個研發流程中，數據、模型、人才和算力是四個關鍵的資源投入。因此，明晰各個關鍵資源的重要性及其市場特征，是理解生成式人工智能技術發展環境的基礎。與此同時，其中內在的結構性壟斷擔憂也能更加清晰地被揭示出來，為后續考察潛在的壟斷行為指明方向。

（一）數據資源方面內在的結構性壟斷擔憂

1. 數據資源的市場特征

“沒有數據，就沒有人工智能。”一方面，數據的質量、數量將會影響生成式人工智能模型訓練、評估階段的效果。繼而，決定生成式人工智能模型生成內容的好壞。例如相比于在小規模、有偏見的面部圖像數據集上訓練的模型，在大規模、多樣化的面部圖像數據集上訓練的模型顯然更有可能生成逼真、多樣的面部圖像。另一方面，隨著生成式人工智能模型越來越復雜，訓練、評估階段所需的數據相應越多。比如，GPT-2、GPT-3 的參數數量分別為約15 億和1750 億。相比GPT-2 所用的約40GB 訓練數據，GPT-3 所用的約45TB 訓練數據要比前者多了兩個數量級。數據資源有著如下兩個突出的市場特征：

其一，數據資源的優勢能夠自我強化。已經擁有數據資源優勢的經營者，有能力利用更多、更新的數據改良服務。更好的服務又會吸引更多用戶、合作伙伴。由此，讓經營者既有的數據資源優勢得以不斷增強。除此以外，規模經濟、范圍經濟的交織也是不可忽視的因素。數據資源的范圍經濟性，使不同來源的數據可以相互結合帶來更加深入、豐富的見解。借助這些見解，經營者能更有效賦能、提升服務；規模經濟性，則使經營者擴大數據資源優勢的同時一并獲得成本優勢。前后兩者相互的交織，進一步鞏固數據資源優勢自我強化的機制。

其二，數據資源的獲得存在多重障礙。數據雖然多被認為具有非競爭性、非排他性，但是作為研發投入的數據資源事實上很少能被輕易獲得。比如，獲得數據資源可能面臨渠道障礙。生成式人工智能模型的研發，對數據的質量、數量等方面有較高的要求。只有達到一定標準，才能真正用作研發的資源投入。現實中，想要獲得符合要求的數據資源其實渠道非常有限。一些冷門、小眾的領域，甚至可能沒有獲得數據資源的渠道。又如，獲得數據資源可能面臨技術障礙。比較典型的，就是兼容性問題產生的技術障礙。不同經營者收集數據時常會根據己方的需求、偏好組織數據，若不充分了解數據的組織方式，即使獲得數據也很難能確保數據的相關性、可靠性。

2. 數據資源方面結構性壟斷擔憂的形成

通過以上梳理，可以發現數據資源的市場特征非常容易催生結構性壟斷問題。一方面，網絡效應、范圍經濟等市場特征使得數據資源傾向于更集中化、規模化。很多時候，少數經營者可以不成比例地控制大量的數據資源。而大多數的經營者，只有機會獲得少量的數據或者無效的數據。另一方面，數據資源的各種可獲得性障礙能進一步幫助具有數據資源優勢的經營者建立、維持較高的數據資源壁壘。有鑒于此，具有數據資源優勢的經營者能有機會將其數據資源優勢延伸、轉化為其在下游生成式人工智能技術市場的市場勢力。人工智能科學家吳恩達（Andrew Ng）教授指出：“人工智能的研發人員，80% 的時間都是耗在數據的準備工作。”在結構性的數據資源優勢加持下，經營者的市場行為更加難被競爭機制約束。除了可能產生傳統的競爭損害以外，更為重要的是經營者的創新動力、能力可能因此減弱，繼而影響生成式人工智能技術的發展。

（二）模型資源方面內在的結構性壟斷擔憂

1. 模型資源的市場特征

模型，是在訓練數據上運行算法的結果，代表算法從訓練數據學到的內容。完全從零開始構建算法、研發模型不僅不必要而且難以實現。目前普遍的做法，是充分利用現有的算法和模型資源，然后在此基礎上嘗試研發新的模型。例如，DALL·E 就是OpenAI 基于GPT-3 微調、訓練研發的。這樣，不僅能夠縮短研發時間、節約研發成本，還能很大程度確保生成式人工智能模型的穩健性——畢竟大型預訓練模型通常已在更高質量、多樣化的數據集上完成訓練。根據人工智能企業Clarifai 副總裁Alfredo 的說法，大型預訓練模型能使研發時間縮短可達一年。由此，節約數十萬美元的研發成本。所以可用的算法、模型資源，對于生成式人工智能模型的研發人員來說是寶貴的“跳板”，為其后續的研發活動提供一個包含先驗知識的、更高的起點。算法、模型資源的市場特征可以從以下三個方面加以說明：

其一，先進模型具有的主導性。一旦某個生成式人工智能算法或者模型擁有明顯的先進性，往往其在未來很長一段時間內會占據所屬領域的主導地位。一是因為領域內大部分的經營者都將選擇以之作為研發基礎。例如臉書2023 年2 月剛剛推出的預訓練模型Llama，就是因其卓越的性能在很短的時間內被ChatMed、MiniGPT-4、PandaGPT 等眾多模型用作研發基礎。二是因為諸如英偉達、英特爾等軟、硬件廠商有時也會針對主導性的模型提供優化和適配。由此，先進模型的主導性就會變得更加穩固。三是因為主導性的模型能在較長的時間內與更多的用戶進行互動。在此背景下，主導性的模型能有更多的反饋用以迭代、更新。

其二，模型資源對于數據資源的依賴性。“更多的數據，勝過聰明的算法。但是更好的數據，還要勝過更多的數據。”生成式人工智能模型的性能，很大程度上由研發所用的數據決定。除了前文所舉的一些例子以外，生成式人工智能的涌現能力也是很好的印證。涌現能力（Emergent Ability）是指生成式人工智能模型隨著模型參數和訓練數據拓展可能突然掌握的、超出預期的能力。例如研究人員發現，原本只是接受文本訓練的大型語言模型可能突然可以執行數學計算、回答事實問題等預定義以外的任務。而在小型語言模型中，類似的情況并不會發生。涌現能力的出現，使得生成式人工智能模型的泛化性被極大提升，也再一次的證明，生成式人工智能模型對于數據資源的依賴。

其三，專利保護產生的排他性。生成式人工智能模型的專利申請非常困難，因為通常難以滿足專利保護所需的創造性要求。2023 年版的《歐洲專利局審查指南》中就闡明，很多人工智能模型本身具有抽象的數學性質。所以，一般來說是不可專利的。但是盡管如此，百度、阿里巴巴、谷歌等大型科技企業仍在人工智能模型方面擁有多項專利。例如，百度至少已獲108 件大模型方面的發明專利。誠然，專利保護存在諸多方面的好處，與此同時，也要重視其所固有的排他效果。尤其是當專利保護可能包含廣泛的權利要求，或者涉及通用的技術方案。舉例來說，谷歌申請的專利Dropout 、微軟申請的專利Active Machine Learning就曾引起很多研發人員的異議。其中前者是生成式人工智能關鍵技術（正則化技術）的主流方案。

2. 模型資源方面結構性壟斷擔憂的形成

生成式人工智能模型研發的難度和成本，從一開始就為潛在市場競爭者創設了很高的市場進入壁壘。專利保護產生的排他性，則讓情況有時變得更加惡劣。以至于很長時間內，可能都不會有多少經營者進入市場參與競爭。在此背景下再考慮先進模型的主導性，可以發現：對于能夠利用甚至控制這些算法或者模型的經營者，模型資源優勢為其帶來的市場勢力幾乎很難受到挑戰。除此以外，模型資源的優勢在現實中很少會獨立存在。類似臉書、微軟、百度等大型科技企業，模型資源的優勢很大程度上得益于其所具有的數據資源優勢。

綜合上述分析，模型資源所涉市場的態勢很有可能會是：（1）可以作為研發基礎的先進模型由極少數的經營者控制；（2）大多數的經營者，需要依附極少數經營者建立的模型“生態系統”開展業務。比如，基于大型預訓練模型的應用程序接口（API）創建針對細分領域的小型應用程序。由此，也就不得不對一些內在的結構性壟斷問題引起重視。例如控制主導性模型的經營者，擁有在其生態系統內部挑選贏家、輸家的市場勢力。囿于模型資源的市場特征，市場行為通常很難被競爭機制有效約束。因此，其有動機亦有能力選擇通過限制甚至扼殺創新長期維持市場勢力。

（三）人才資源方面內在的結構性壟斷擔憂

1. 人才資源的市場特征

小到模型研發的每個階段，大到技術發展的整體進程，都離不開專業人才的參與。就以生成對抗網絡的演進為例：2014 年，Goodfellow 等人首次提出生成對抗網絡的概念。在當時，生成對抗網絡只是新穎的理論構想。隨著越來越多的專業人才參與研究，生成對抗網絡得到顯著的改進。例如2015 年，Radford等人創新性地將卷積神經網絡（CNN）與生成對抗網絡結合，提出的深度卷積生成對抗網絡（DCGAN）能使生成對抗網絡訓練過程更加穩定、生成內容更加高質。又如2017 年，Karras 等人提出的漸增生成對抗網絡（ProGAN）使得高分辨率圖像生成進一步得以實現。除了生成式人工智能理論、技術的專業人才以外，能夠架起生成式人工智能理論、實踐橋梁的專業人才同樣重要。比如，谷歌大腦（Google Brain）團隊的研究項目洋紅色（Magenta）旨在研發藝術、音樂相關的生成式人工智能模型。團隊中，就有許多藝術家、音樂家等其他領域的專業人才。人才資源市場有著兩個明顯的特征：

其一，專業人才普遍的稀缺性。生成式人工智能專業人才的稀缺性，主要源于研發所需技能的專業性和復雜性。一方面，研發生成式人工智能模型時會涉及許多復雜的技術。為此，生成式人工智能專業人才要對這些技術的原理都有深入的了解，而且由于各項技術迭代、更新的速度很快，生成式人工智能專業人才必須保持持續的學習、適應狀態。另一方面，生成式人工智能專業人才還要具有很強的實踐經驗、實踐能力，能將抽象的理論知識轉化成為現實的解決方案。

現實中，稀缺性也能從需求、供給兩個角度看出。先從需求的角度來看，目前生成式人工智能專業人才存在明顯的需求缺口。麥肯錫2023 年發布的報告顯示，有關機器學習、數據科學、提示詞工程等職位，有逾一半的受訪經營者認為正在面臨招聘困難。此外，薪資水平也是直觀的反映。根據央視財經的調查，2023 年我國人工智能新發職位同比增長超過170%。其中，有關深度學習的職位年薪高達42 萬元。再從供給的角度來看，我國當前專業人才的數量、質量尚有不足。有過實踐經驗的人數更是少之又少。人民網的一篇報道提到，中美兩國真正有過大模型研發經驗的可能一共也就“百十號人”。

其二，頭部經營者有著巨大的吸引力。首先，最為重要的是頭部經營者能夠提供有競爭力的薪資。根據levels.fyi 的統計，美國數據科學家的平均年薪目前約為10 萬美元。而在谷歌，這個數字則能達到27.8萬美元。其次，是因為頭部經營者能夠提供卓越的研發環境。例如臉書的DeepFace 項目中，研發人員可以使用迄今為止規模最大的、經過標注的面部數據訓練模型。也正因為無與倫比的數據資源，超過1.2 億個參數的復雜模型才能最終獲得優異的性能。最后，頂級研究人員、研究團隊的影響同樣不容忽視。很多時候，企業不僅是工作場所，更是想法的交流平臺。加入頭部經營者的團隊后，能和頂級的研究人員、研究團隊建立更加密切的聯系。

2. 人才資源方面結構性壟斷擔憂的形成

近些年，對于生成式人工智能技術發展具有推動貢獻的論文大多出自谷歌、臉書、英偉達等大型科技企業的研發人員。某種意義上，也是人才資源不平衡分配的證明。由此帶來的結構性壟斷擔憂，一是源于頭部經營者的技術優勢更加難被追趕。技術水平的高度分化，利于頭部經營者形成強大的市場勢力。二是源于生成式人工智能技術更新、迭代迅速，持續不平衡的人才資源分配便于頭部經營者累積市場勢力。三是源于人才資源的流動，容易受到頭部經營者的控制。如果擁有豐富實踐經驗、能力的專業人才不能自由地向外流動，不僅技術創新會在一定程度限于頭部經營者偏好的方向，而且市場中也更難出現某個經營者能在技術上對頭部經營者構成威脅。

（四）算力資源方面內在的結構性壟斷擔憂

1. 算力資源的市場特征

從最開始的訓練、驗證直至最后的部署、應用，生成式人工智能模型研發的每一步都需要算力資源的支撐。以GPT-3 為例：訓練階段，GPT-3 總共耗費數千單位（Petaflops/s-Days）的算力資源。拉姆達（Lambda）實驗室的首席科學官Chuan Li 預計，GPT-3 單次訓練所需算力資源的成本至少超過460 萬美元。而在應用階段，GPT-3 同樣需要耗費大量的算力資源。根據一些媒體的推算，GPT-3 生成單個單詞的算力資源成本約為0.0003 美元，為此，OpenAI 每天至少需要花費10 萬美元。一般情況下，通用的圖形處理器（GPU）、張量處理器（TPU）等計算硬件足以支撐生成式人工智能模型的研發，但對更大規模、更加復雜的模型研發來說，可能還有必要用到價格更高的定制計算硬件滿足低運行延遲率、高數據吞吐量等要求。算力資源的市場特征可從市場的供需和市場的結構兩個方面加以分析：

先就市場的供需方面而言，算力資源市場表現出很明顯的供需失衡。OpenAI 的一份報告指出，最大規模的人工智能模型訓練所需的算力資源平均每隔3、4 個月就會翻倍。而以算力的基礎硬件之一芯片作為對比，芯片的計算性能根據摩爾定律大約需要2 年的時間才能實現翻倍。算力資源需求與芯片計算性能增長的不匹配，正是芯片如今越來越稀缺、昂貴的主要原因所在。Elon Musk 接受采訪時曾直言“現在圖形處理器甚至要比毒品更難買到”。2023 年6 月30 日微軟披露的年報中，也對圖形處理器短缺造成服務中斷的風險作了提示。不過對大部分的經營者來說，通過購買芯片、服務器等軟、硬件自建算力資源不僅困難，而且高額的運維花費使得自建算力資源通常缺乏成本效益。實踐中，研發、部署生成式人工智能模型大多都在云中進行。但是，云計算服務如今同樣也在變得稀缺、昂貴，許多初創經營者無法找到足夠的算力資源。The Information 的一篇報道稱，等待Azure、AWS 等云計算服務的時間可能長達數月。

再就市場的結構方面而言，算力資源市場整體是較為集中的，并且還有縱向一體化的趨勢。如從自建算力資源的角度來看，許多軟、硬件市場都有集中度高的特征。以圖形處理器市場為例，根據Jon PeddieResearch 的調研，英偉達占到2022 年第4 季度全球dGPU市場份額的85%。鑒于技術、人才和專利等方面的壁壘，圖形處理器的市場態勢短期內還不會發生太大變化。再從租用算力資源的角度來看，數據中心（IDC）、云計算等市場一樣有著較高的集中度。例如我國的云計算服務提供商，主要是阿里巴巴、華為、騰訊、百度四家大型科技企業。2023 年Canalys 發布的報告顯示，四家共占我國云服務市場接近80% 的份額。其中，僅僅阿里巴巴一家就占36%。此外應當注意到，這些經營者的優勢往往不僅限于算力資源市場。類似英偉達、谷歌等大型科技企業，不僅擁有制造算力基礎軟件或者硬件的能力，而且還在研發各種先進的人工智能模型。比如，張量處理器就是谷歌自研的芯片。張量處理器除被出售以及用作谷歌云基礎設施的一部分外，還被廣泛用于AlphaGo、RankBrain 等各人工智能項目。又如英偉達雖以制造圖形處理器聞名，但是GET3D、eDiff等前沿的生成式人工智能模型也都出自英偉達之手。

2. 算力資源方面結構性壟斷擔憂的形成

算力資源市場的高度集中，使得少數經營者擁有不成比例的市場勢力。供需匹配失衡，則讓市場勢力進一步得到強化。在此背景下，競爭機制也就更難發揮作用，各種濫用行為更有可能、也更容易發生。有鑒于此，不難預見創新、消費者福利等各方面競爭損害的出現。此外，競爭損害的廣度、深度還會隨著業務縱向一體化的進程而有所增加。通過業務縱向一體化產生的規模經濟、范圍經濟，經營者可以獲得相較其他市場競爭者更多的競爭優勢。如此一來，不僅既有的市場勢力可以繼續得到強化，而且還有可能導致“圍墻花園”的創建，進而將各類型的消費者，逐步鎖定在其技術和產品的生態之中。由于此時兼具“市場競爭者”“市場管理者”的雙重身份，經營者有動機亦有能力進行自我優待、排擠其余的市場競爭者。

二、生成式人工智能技術發展中的潛在壟斷行為

數據、模型、人才和算力資源，都因各自的市場特征而有內在的結構性壟斷擔憂。不過結構性壟斷擔憂關注的實質只是經營者所處的“壟斷狀態”。現代反壟斷法普遍認為壟斷狀態本身并不違法，真正應受規制的是產生或者可能產生競爭損害的壟斷行為。最可能阻礙生成式人工智能技術發展的，是對數據、模型、人才、算力等關鍵資源的利用產生消極影響的各種潛在壟斷行為。依據壟斷行為影響程度的強弱可以粗略分為三種類型：封鎖型行為、限制型行為和剝削型行為。

（一）封鎖型行為

封鎖型行為是指經營者采取一定措施，完全排除其他經營者對其控制的關鍵資源進行利用。一般情況下，是否開放關鍵資源屬于經營者的經營自由。正如美國聯邦最高法院審理高露潔（Colgate）案時所言：假如沒有任何建立或者維持壟斷的目的，反壟斷法不會約束經營者行使獨立的自由裁量權決定與誰交易。參考各國既有的反壟斷案例，如下三種行為較為典型：

1. 掠奪性封鎖行為

第一種情形，是經營者通過并購、超額購買、競業禁止合同、獨家授權許可協議等行為掠奪性地控制大量的關鍵資源。然后，再對關鍵資源實施封鎖。其所產生的競爭擔憂，核心在于市場競爭者可能因為封鎖無法獲得或是需要付出過高的代價才能獲得關鍵資源。實施封鎖的經營者由此得以通過排擠市場競爭者不正當地增強市場勢力。作為類比，美國司法部（DOJ）曾在美國電話電報公司/ 時代華納并購案中有過相似的競爭擔憂。美國電話電報公司是美國最大的電信企業，也是美國最大的多頻道視頻節目分銷商（Multichannel Video Programming Distributor，MVPD），時代華納則是美國乃至全球最受歡迎的視頻節目提供商之一。起訴書中，美國司法部指出：下游的美國電話電報公司完成收購后，將會利用其對上游時代華納產品的控制阻礙市場競爭。一種可能的競爭擔憂就是新興的在線視頻節目分銷商，因為無法獲得熱門節目難以進入市場、參與競爭。市場競爭最終因此減弱，消費者需要承受更高的節目費用和更少的創新選擇。而在近期涉及算力資源的英偉達/ 安謀（ARM）并購案中，美國聯邦貿易委員會同樣也有簡要提及：“完成收購后，經營者將有能力和動力破壞、扼殺會與英偉達商業利益沖突的創新。”

2. 策略性封鎖行為

第二種情形，是經營者通過策略性地開放，吸引其他經營者利用其所控制的關鍵資源開展經營活動，而在其他經營者產生路徑依賴后，突然封鎖關鍵資源使其自營產品不正當地獲得競爭優勢。已在關鍵資源方面擁有初步優勢的經營者，大多會在前期推出低價甚至免費的開放政策與盡可能多的經營者進行合作。越短的時間內與越多的經營者合作，關鍵資源優勢的自我強化循環就能越快建立。近期較有代表性的例子，是2023 年7 月18 日臉書宣布開源的大型語言模型Llama 2 可以免費用于研究和商業用途。對于利用關鍵資源的經營者來說，低價甚至免費的利用不是完全沒有風險的好事。因為隨著合作時間增加，經營者可能囿于技術、業務方面的轉向成本，對其所使用的關鍵資源逐步產生路徑依賴。

2021 年臉書案的起訴書中，美國聯邦貿易委員會就曾提到類似的情況。臉書最初允許第三方開發人員以較寬松的條件通過應用程序接口訪問部分用戶數據。例如第三方開發人員可以通過Open Graph API，在其應用程序當中添加諸如“點贊”“分享”等臉書上的按鈕，基此，第三方應用程序的用戶可以更好地與臉書好友分享動態。推出一周后，Open Graph API 很快得到超過5 萬個網站的使用。兩年后，經此分享的社交數據日均接近10 億條。但在2011 年至2018 年期間，臉書不斷縮緊數據開放政策。一開始，臉書只是對其平臺內部的第三方應用程序進行限制，到后來，限制逐步延伸至非臉書平臺內部的第三方應用程序，甚至終止所有應用程序對于某些重要應用程序接口的訪問。臉書的一份內部文件顯示，此舉旨在消除“一些應用程序利用臉書實現增長，切換功能成為臉書直接的市場競爭者”的擔憂。

3. 必要設施性封鎖行為

第三種情形，是經營者控制的某些關鍵資源可能構成某個市場的“必要設施”。如果經營者的封鎖行為缺乏正當理由，就會落入反壟斷法“必要設施原則”的適用范圍。如以歐盟法院經典的馬吉爾（Magill）案為例：馬吉爾案的上訴人RTE 和ITP，分別是愛爾蘭和北愛爾蘭的電視臺。案件起因是電視節目指南出版企業馬吉爾，因為RTE、ITP 拒絕授權第三方出版電視節目指南，遂向歐盟委員會投訴RTE、ITP 濫用市場支配地位。上訴審理中，歐盟法院認為：首先，上訴人的節目安排信息是制作電視節目指南必不可少的原材料，而上訴人則是原材料唯一的來源渠道。上訴人拒絕開放節目安排信息的行為，阻止了新產品“每周電視節目指南”的出現。其次，上訴人拒絕開放節目安排信息的行為沒有任何正當理由。最后，上訴人拒絕開放節目安排信息的行為使得次級市場（即每周電視節目指南市場）的競爭全部排除。綜上所述，歐盟法院認定上訴人拒絕開放節目安排信息的行為違法。不過長期以來，必要設施原則一直備受各界爭議。美國聯邦最高法院就在特林科（Trinko）案中明確表示，必要設施原則“已經處于或者接近反壟斷法律責任的外部邊界”。因此，其實鮮有第三種情形真正受到反壟斷法規制。

（二）限制型行為

限制型行為的影響程度相比封鎖型行為更弱，經營者并未完全排除其他經營者利用其所控制的關鍵資源，但客觀上會造成關鍵資源的利用限制，導致市場的競爭減弱、創新受阻。就限制型行為追求的直接效果而言，可以簡單區分兩種類型：

1. 排擠市場競爭者的限制型行為

（1）通過投入市場（Input Market）排擠市場競爭者

經營者通過投入市場排擠市場競爭者的行為方式，比較可能的是對關鍵資源的開放安排實行差別待遇或是設置不合理的排他性條件。前者可以借鑒2021 年意大利競爭監管局（AGCM）處罰的亞馬遜案，案中的亞馬遜就在提供電商中介服務時為自營物流服務創設諸多便利。例如給予專門使用亞馬遜物流服務的第三方賣家“Prime”標簽，并且使其有權參加Prime 會員日、黑色星期五等亞馬遜特別的推廣活動。鑒于電商中介服務市場上亞馬遜的市場勢力，許多第三方賣家不可避免地會轉向使用亞馬遜的物流服務。意大利競爭監管局對此指出，亞馬遜的自我優待策略不僅導致物流市場競爭者處于不公平的競爭劣勢，而且由于第三方賣家受到單歸屬激勵，物流市場的競爭性也會相較此前多歸屬狀態而有大幅下降。類似情形也有可能會在云計算服務市場發生：如在算力資源緊缺的情況下，具有市場支配地位的云計算服務提供商作出承諾，將會優先保障自營生成式人工智能服務的可用性，此時，多數用戶可能就會傾向使用云計算服務提供商自營的生成式人工智能服務。后者則可以借鑒早期的洛雷恩日報（Lorain Journal）案。洛雷恩日報案是美國聯邦最高法院1951 年審理的經典反壟斷案件，涉案行為是報紙出版商洛雷恩公司拒絕為在WEOL 廣播電臺上打廣告的企業投放廣告。洛雷恩（Lorain）地區當時99% 的家庭都會訂閱洛雷恩雜志公司（Lorain Journal Co.）的報紙，洛雷恩公司對于本地的新聞、廣告傳播享有實質性的壟斷權力。許多企業因此被迫中斷，或者放棄了在WEOL 上打廣告的計劃。由于WEOL 最大的潛在收入來源是洛雷恩地區的廣告，洛雷恩公司的限制行為使得WEOL 的經營遭受毀滅打擊。洛雷恩日報案的競爭損害機制是很直觀的，即把交易相對人當作排擠市場競爭者的工具，通過排他性條件減損市場競爭者的交易機會。審理中，美國聯邦最高法院特別強調：“選擇交易相對人的權利，不是絕對的更非不受監管的……反壟斷法禁止將其作為實現壟斷目的的手段。”類似洛雷恩日報案中的行為，也很可能會被控制算法、模型資源的經營者用于阻礙其他新興算法、模型的發展。

（2）通過產出市場（Output Market）排擠市場競爭者

通過產出市場排擠市場競爭者的特點，在于市場競爭者對于關鍵資源的利用沒有受到直接的影響。但是由于排擠將會削弱市場競爭者盈利的能力，市場競爭者后續獲得關鍵資源的能力隨之減損，所以最終也會產生關鍵資源利用受限的后果。常見的壟斷行為，包括但不限于搭售、忠誠折扣等。具體而言，以忠誠折扣行為為例：我國的利樂濫用市場支配地位案中，利樂因為實施個性化目標折扣、追溯性累計銷量折扣兩種忠誠折扣行為受到處罰。國家工商行政管理總局認為：特定的市場條件下，忠誠折扣行為具有明顯的反競爭效果。尤其在可競爭部分的需求本就有限時，市場競爭者要用極大的折扣來與忠誠折扣行為抗衡。而如前文所述，先進的生成式人工智能算法、模型具有主導性，因此市場中，可競爭部分的需求可能同樣較為有限。有鑒于此，類似利樂濫用市場支配地位案中的情況就很值得警惕。例如控制主導性模型的經營者，可以利用忠誠折扣“圈定”下游可競爭部分的需求，使得下游經營者尚有其他交易選擇時，因為忠誠折扣的存在選擇更多調用主導性模型。

2. 阻礙關鍵資源流動的限制型行為

阻礙關鍵資源流動的限制型行為是指，經營者為阻礙關鍵資源的流動，不正當地打壓關鍵資源市場的競爭性，以此減少其在獲得關鍵資源時的成本。在過程中，有時也會伴隨抑制創新的反競爭效果。該類情形大多是與人才資源有關，比較典型的如市場競爭者之間的互不挖角協議。互不挖角協議，一直是各國重點關注的壟斷行為。例如美國司法部、聯邦貿易委員會就于2016 年聯合發布指南，點明純粹的互不挖角協議屬于本身違法且會受到刑事處罰的壟斷行為。又如2021 年，葡萄牙競爭管理局（ADC）發布勞工市場反競爭協議最終報告。正文的第一部分，就對互不挖角協議的反競爭性進行說明。近期，我國市場監管總局也對倡議aprIXirCO8zQ5fXdgDWHCQ==、簽署《互不挖人公約》的四家生豬養殖企業進行約談。要求采取有效措施，主動整改、及時消除危害后果。

一般來說，互不挖角協議核心的競爭擔憂在于破壞勞工市場的競爭機制。如在2011 年奧多比（Adobe）、蘋果等案的起訴書中，美國司法部就提到互不挖角協議對于勞工市場的競爭損害。但在某些智力密集型的市場中，由于市場競爭的關鍵是要找到掌握合適技能、能夠推動創新的人才，經營者之間的互不挖角協議就會致使創新因為人才流動被阻而受抑制。歐盟委員會執行副主席Vestager 對此更是表示，“拒絕雇傭的承諾，實際上是在承諾不創新或者不進入新的市場”。考慮到人才資源的重要性，在與生成式人工智能有關的市場中也很有可能出現相同的情況。

（三）剝削型行為

正如前文所述，關鍵資源背后的市場大多存在集中度、進入壁壘較高的現象。在此背景下，控制關鍵資源的經營者也就可能相應擁有市場支配地位。英國競爭與市場管理局就在《人工智能通用模型：初步報告》中指出，獲得數據、算力等關鍵資源的限制很有可能導致令人擔憂的結果。如果只有少數經營者可以創建、運維領先的人工智能模型，如此形成的市場勢力將使其有能力、有動機只在閉源基礎上以不公平的價格、條件開放模型。如果經營者濫用市場支配地位實施不公平高價或是其他剝削型行為，則會導致下游經營者的預期投資利潤因為關鍵資源獲得成本過高的問題大幅減少。進而，不愿甚至不能創新。高通濫用市場支配地位案中，我國國家發展和改革委員會就曾指出：高通經由各種免費反向許可要求，直接或者間接收取不公平的高價專利許可費，不僅使得被許可人的創新意愿受到抑制，更使無線通信技術的創新發展受到阻礙。值得注意的是，剝削型行為產生的影響通常較為復雜，實踐中有必要根據個案情況綜合分析。以模型資源的不公平高價行為來說，由于研發生成式人工智能模型需要大量的前期投入，“不公平”的高價行為其實是對經營者的創新激勵。假設后期沒有可觀的利潤回報，幾乎沒有經營者會冒如此風險選擇創新。但不可否認，這確實會對依賴大型預訓練模型的研發活動產生一定的消極影響。

三、我國生成式人工智能技術發展的反壟斷監管應對

（一）秉持包容審慎的反壟斷監管原則

生成式人工智能作為極具潛力的新興技術，背后的市場既有無與倫比的經濟機遇亦有不可預測的壟斷風險。總體上，當前生成式人工智能技術及其衍生市場大多處于發展初期，需要更為寬松而非約束的監管環境支持經營者創新、發展。其一，是因為生成式人工智能業態的特征、規律尚不明晰。在還沒有摸清特征、規律之前施加約束性強監管，非常容易出現“一刀切”或是刻板沿循傳統路徑的情況。此時，假陽性錯誤的發生概率較高。其二，是因為發展初期的市場較為脆弱。相較假陰性錯誤，假陽性錯誤會對市場造成更大破壞。而且如今，生成式人工智能技術亟待大量的創新。經營者的創新意愿若被反壟斷監管“誤傷”，假陽性錯誤帶來的社會成本還會進一步地增加。2021 年1 月31 日印發的《建設高標準市場體系行動方案》中，將“健全對新業態的包容審慎監管制度”作為完善現代化市場監管機制的重要內容。《生成式人工智能服務管理暫行辦法》第3 條規定：國家堅持發展和安全并重、促進創新和依法治理相結合的原則，采取有效措施鼓勵生成式人工智能創新發展，對生成式人工智能服務實行包容審慎和分類分級監管。這些文件強調的“包容審慎”監管原則，是符合當前生成式人工智能技術發展的總體情況的。

值得注意的是，包容審慎監管原則的適用不是靜態的，必須結合實際情形動態地調整和變化。一方面，要具體考量不同市場的監管需求，確保包容審慎監管原則的可適用性。比如，云計算服務市場可能就不適用包容審慎監管。因為云計算服務市場目前市場集中度已經較高，還有互操作性、轉換成本等因素形成的市場進入壁壘。對于假陰性錯誤造成的負面影響，市場很難通過競爭機制進行自我糾正、修復。有鑒于此，提高反壟斷監管強度可能會更合適。另一方面，要具體考量市場不同階段的監管需求，重視包容審慎監管原則適用的時效性。此處，可以參考平臺經濟的反壟斷監管歷程。平臺經濟發展初期，我國反壟斷執法機構秉持包容審慎的監管原則。在此期間平臺經濟飛速發展，逐步成為驅動我國經濟發展的新動能、新引擎。但到2020 年左右，許多平臺企業已在各自市場擁有穩固的主導地位。繼續適用包容審慎監管不再合適，有必要適時轉為“積極、協同、審慎、依法”的監管理念。2021 年，我國市場監管總局嚴格查處阿里巴巴濫用市場支配地位案便是監管原則發生轉變的體現。面對生成式人工智能技術的飛速發展，反壟斷執法機構也應關注市場發展的態勢，處理好原則和例外的關系。動態調整反壟斷監管方式，更好適應市場監管需求的變化。

（二）采用事前預防性監管為主的反壟斷監管策略

秉持包容審慎監管原則，絕不等于消極監管甚至放任不管。“包容”旨在營造相對寬松的法治環境，能讓經營者有更廣闊、自由的創新空間。“審慎”則是要求反壟斷執法機構權衡利弊、謹慎干預，但對經營者觸及違法“紅線”的行為仍應及時予以糾正。簡而言之，踐行包容審慎監管原則的核心要義，在于保持有效創新與有為監管平衡。當前生成式人工智能技術絕大部分處于發展初期，傳統偏重事后的反壟斷監管模式無法有效應對發展中潛在的壟斷風險。畢竟業態特征、規律尚不明晰的情況下，反壟斷執法機構需要耗費大量時間才能做出科學、合理的決策。如此一來，壟斷行為真正得到規制時，很可能競爭早已嚴重受損。為了更好維護有利于生成式人工智能技術發展的市場，反壟斷執法機構有必要采用事前預防性監管為主，同時結合事中糾偏性監管和事后矯正性監管的反壟斷監管策略。

1. 事前預防性反壟斷監管

由于事后反壟斷監管存在遲滯的問題，對于生成式人工智能技術的反壟斷監管重心必須相應向前調整。在就特定行為展開正式調查之前的事前階段，反壟斷執法機構便應采取各種主動性、前瞻性的預防性監管措施。針對生成式人工智能技術，事前階段的反壟斷監管需要側重以下三個方面：

（1）經營者經營活動的指引和規范

包容審慎監管原則下，反壟斷法的實施更加具有彈性，但也因此導致經營活動違法與否的邊界愈發模糊。如果經營者無法把握合規風險，投資、創新意愿反倒會有減損。為此，必須重視對于經營活動的指引和規范，通過增加法律可預測性穩定市場預期、提振發展信心。考慮到現階段監管經驗尚不豐富，更為適宜進行柔性的指引、規范。比較可行的是發布合規指引文件，以及給予業務合規指導。就前者來說，反壟斷執法機構可以列舉潛在的壟斷行為，并對各個壟斷行為的違法風險加以警示、說明。例如前文提到的封鎖型行為中，掠奪性、策略性封鎖行為的反競爭效果尤其明顯，因而反壟斷執法機構應當提醒經營者慎重實施；與此相對，必要設施性封鎖行為僅在極為苛刻的條件下才會有損害競爭的可能，基此，或可對其標注“低風險”以減輕經營者的合規擔憂。鑒于關鍵資源具有集中于少數經營者的特征，監管經驗豐富之后借鑒《數字市場法》設置適度的禁止性義務也是可以嘗試的做法。

（2）市場調研以及壟斷風險的監測、識別

事前階段的市場調研以及壟斷風險的監測、識別，有助于反壟斷執法機構及時、全面把握競爭動態，從而盡早發現違法線索，展開有針對性的反壟斷調查。目前在此方面，英國是最活躍的國家之一：2022 年，英國政府開始委托進行人工智能領域的市場研究。而在2023 年3 月29 日市場研究報告發布后，英國競爭與市場管理局又于2023 年5 月4 日迅速啟動對于人工智能模型的初步調查。除了積極推動市場研究、調查之外，英國還很重視前沿技術的轉化應用，例如早在2018 年，英國競爭與市場管理局就已籌建內部的數據監管團隊（DaTA），公開展示的工作內容包括利用機器學習、自然語言處理等技術，分析、研判經營者的市場行為以及篩選、審查經營者的內部文檔。我國反壟斷執法機構可以考慮先對各個關鍵資源進行初步的市場研究，而后基于市場研究的結果，選擇是否要做更進一步的調查，或在常態化監測時，著重關注某些市場的特定經營者。

（3）有關政策措施的公平競爭審查

以上討論的，主要是對經營者的事前監管。實際上，地方政府的行為也很值得關注。如今，各地政府都在抓緊出臺各項支持人工智能產業創新發展的政策。截止2023 年6 月14 日，僅僅山東省就已發布至少13 部有關人工智能的政策文件。誠然，地方政府的支持對于生成式人工智能技術的發展至關重要。但是與此同時，亦不能忽視其中暗藏的反競爭風險。比如，許多地方政府的支持政策中都含有獎補措施。應該注意到，不合理的獎補措施就很容易扭曲競爭、阻礙創新。首先，是因為獎補措施會對競爭性的市場進入、退出過程造成干擾。效率低下的經營者，可能由于獎補延緩退出市場，擠占高效經營者的市場份額。其次，是因為獎補措施會對經營者的投資意愿產生影響。受到獎補的經營者，研發成功率通常會有所提升。而在研發獲得成功之后，經營者之間的競爭差距也會擴大。在此背景下，未受獎補或受獎補較少的經營者有時就會縮減初始的投資計劃。最后，是因為獎補措施會對經營者維持、增強競爭優勢提供幫助。歐盟委員會在其報告中還指出，即使獎補措施只是間接增強經營者的市場勢力，也有可能導致妨礙現有市場競爭者發展的后果，抑或促使現有市場競爭者退出市場，阻止潛在市場競爭者進入市場、參與競爭。為此，政策制定機關正式發布有關政策之前，必須經過公平競爭審查，防止出臺影響競爭的政策。

2. 事中糾偏性反壟斷監管

生成式人工智能業態發展具有高度的動態性，使得經營者行為的反競爭效果非常難以判斷。為了更好踐行包容審慎監管原則，針對特定行為進行正式調查的事中階段變得更加重要。一是為了確保反壟斷監管的審慎性，反壟斷執法機構要在調查活動中與有關的經營者增強溝通、交流，從而加深對受調查行為及其所處背景的理解。二是為了保證反壟斷監管的包容性，反壟斷執法機構要在事中階段及時糾偏。在受調查行為違法程度較弱的情況下，盡可能用更溫和的方式防范、化解壟斷風險，留與經營者更大的創新空間。

目前，我國反壟斷事中監管工具較為充足。2022 年我國修訂《反壟斷法》時，還通過第55 條新增“反壟斷約談制度”。實際上，反壟斷約談制度就很契合生成式人工智能有關市場的事中監管。反壟斷執法機構可在約談時，詳細了解案情并在此基礎上對其所關注的競爭擔憂予以闡明。必要時，還可釋放采取進一步措施的監管信號，推動受到調查的經營者完成自查自糾。不過，我國反壟斷約談制度尚不完善。諸如反壟斷約談實施的程序問題，及與其他制度的銜接問題都仍有待解決。為此，反壟斷執法機構有必要加快制定約談規則，以更充分發揮反壟斷約談制度的效能。反壟斷約談制度可與承諾制度有機銜接起來，鼓勵經營者主動做出公平開放關鍵資源的承諾消除競爭擔憂。

3．事后矯正性反壟斷監管

雖然事前、事中階段的反壟斷監管越發重要，但仍無法替代事后階段以矯正為目標的反壟斷監管的作用——通過調查處理壟斷行為，救濟受損的競爭機制以及消費者福利。同時威懾有關的經營者，預防其在未來實施類似的行為。如前所述，阻礙利用數據、模型等各關鍵資源的壟斷行為，是現階段生成式人工智能技術發展最大的挑戰之一。對此，反壟斷執法機構設計救濟措施時應充分考慮關鍵資源背后的市場特征，以免救濟措施因有悖市場特征，無法達到預期的救濟目的，甚至產生負面效果。

傳統結構性的拆分措施，可能就不適合用于控制模型資源的經營者。因為模型資源具有的市場特征，使其有向少數經營者集中的發展傾向。如果罔顧市場特征強行拆分，反而會對市場正常發展造成干擾。而且由于拆分后與市場特征不符，反壟斷救濟的實際效果也會更不穩定。市場隨著時間逐漸推移，很大概率又會恢復之前的狀態。在此背景下，類似施加公平開放、保障互操作義務等行為性的救濟措施會更適用。

除此以外，鑒于目前有關生成式人工智能的反壟斷監管經驗較少，反壟斷執法機構應在實施救濟措施后，重視跟蹤性、回溯性的監管評估。一是通過跟蹤性的監管評估，全方位地掌握救濟措施的作用及過程，由此明確監管效果，并據監管需求靈活進行調整。二是通過回溯性的監管評估，總結有益的、經過檢驗的監管經驗，為日后的救濟措施設計提供支撐。隨著監管經驗逐步豐富，反壟斷執法機構可將碎片化的監管數據關聯聚合。從而實現“分類”監管，提升面對不同場景的監管能力。

（三）強化面向國際、產業的反壟斷監管合作

1. 與各國反壟斷執法機構的合作

生成式人工智能技術的飛速發展，離不開商業、技術等各方面的國際互動。在此過程中，國際反壟斷監管合作的需求愈發迫切。一方面，要幫助避免不同國家反壟斷監管的分歧。全球已有超過125 個反壟斷司法轄區。由于競爭政策、法律文本的差異，各國反壟斷監管出現分歧是很常見的情況。如在通用電器/霍尼韋爾并購案中，盡管美國司法部在先批準通用電器的收購行為， 但是歐盟委員會還是意見一致地認為應該禁止。鑒于歐盟是世界最大的航空航天市場之一，通用電器只能最終放棄其對霍尼韋爾的收購計劃。類似的反壟斷監管分歧實踐中有很多， 都對經營者的交易效率、成本有著很大影響。另一方面，要幫助提高反壟斷監管的時效性。反壟斷執法機構監管涉及多國的壟斷行為時，常會面臨監管資源不足、調查范圍受限等各種障礙，相應的，反壟斷監管的時效性也會因此大打折扣。對此，各國反壟斷執法機構之間必要的合作成為保障監管效率、質量的關鍵。

為了更好地強化反壟斷監管的國際合作，我國需要采取戰略性、多元化的推進路徑。一是要在制度層面上，繼續推動與各國家確立反壟斷監管合作的框架。例如通過《中美反托拉斯和反壟斷合作諒解備忘錄》，我國與美國明確了包括競爭政策高層對話在內的合作框架。近年，我國還與俄羅斯簽署了《中華人民共和國政府與俄羅斯聯邦政府反壟斷執法和競爭政策領域的合作協定》，這是我國市場監管總局成立以來簽署的第一份政府間反壟斷合作協定。二是要在實踐層面上，繼續豐富與各國家開展反壟斷監管合作的方式。對此，我國可以考慮借鑒美國的做法。即除傳統的個案協作、會議交流等方式之外，還可針對特定事項創建多邊的工作組或是委員會。如對云計算、人工智能等高科技領域，美國就與歐盟建立了“歐盟-美國貿易和技術委員會”（EU-US Trade and Technology Council，TTC）。其中，歐盟- 美國貿易和技術委員會第五工作組（Working Group 5） 的職責之一就是確保公平、有效的市場競爭。《歐盟- 美國貿易和技術委員會啟動聯合聲明》中，更是特別強調第五工作組要與其他工作組一起探索云基礎設施及其服務的監管方法。又如對于監管分歧頻發的經營者集中問題，美國先后與歐盟、加拿大等國成立專項工作組，目的是就經營者集中審查工作，達成利于各國消費者、經營者的最佳實踐。

2. 與有關產業從業人員的合作

在生成式人工智能技術及其衍生市場動態發展的背景下，反壟斷執法機構必須更密切、更廣泛地與有關產業的從業人員進行合作。借助來自業內的“第一手”資訊，增進對于技術、市場發展現狀的見解，從而保證反壟斷監管的有效性，取得促進創新、維護競爭之間的平衡。總體上，反壟斷執法機構應將合作有機嵌入監管的各個階段。鑒于目前相關案件較少，反壟斷執法機構有必要把重點更多地放在事前階段，例如通過圓桌會議、調研訪談等方式了解競爭動態。在此方面，目前國內外已有許多成熟的參考。如就前者而言，可以參考我國針對數字經濟公平競爭與反壟斷問題舉辦的“中國市場監管圓桌會議”。就后者而言，則可參考英國競爭與市場管理局的做法：先對當前的人工智能基礎模型展開初步調查，基于調查結果提出系列擬議的監管原則（Proposed Principle）。圍繞擬議的監管原則，有針對性地推動與國內外利益相關者接觸的調研計劃。在此過程中，進一步發展、完善擬議的監管原則。除此以外，我國還可借鑒歐盟設立專門的咨詢專家組，以在指南、政策制定活動中，獲得來自有關產業從業人員更加及時、全面的支持。比較具有代表性的咨詢專家組，就是歐盟的ICT 標準利益相關方平臺（European Multi-Stakeholder Platform on ICTStandardisation）。

四、結語

抓創新就是抓發展，謀創新就是謀未來。重視生成式人工智能技術發展中的壟斷風險及其反壟斷監管應對，就是要為生成式人工智能的技術創新營造公平競爭的市場環境。利用市場競爭、技術創新之間有益的互動，推動生成式人工智能技術實現高質量的發展。盡管當前生成式人工智能業態的特征、規律尚不清晰，但就目前來看仍然沒有超脫現有的反壟斷監管邏輯、框架。我國反壟斷執法機構應以既有的監管經驗作為指引，圍繞數據、模型、人才和算力等關鍵資源進行更加深入、細致的前瞻性研究。在此基礎上，探索、制訂出更適合中國實際的反壟斷監管策略。通過有為、有效的反壟斷監管，激發生成式人工智能領域的創新活力，以此確保我國能在全球競爭的背景下，一直走在生成式人工智能技術發展的前沿。