官术网_书友最值得收藏!

專題鏈接——人工智能技術中的法律問題

如何從反壟斷法角度審視人工智能

韓 偉[2]

摘要:針對影響市場發展的重大技術革新,國際競爭法理論與實務界近十年大體先后經歷了云計算反壟斷問題、大數據反壟斷問題以及算法反壟斷問題三個研究階段,三階段基本符合人工智能的幾大支撐技術及其商用的發展路徑。云計算、大數據與算法是把握人工智能的有效切入點,我們可以從三大方面分解審視人工智能的反壟斷法問題,將相關因素納入具體的排除、限制競爭行為類型。隨著近年全球對數字市場反壟斷的重視,人工智能相關反壟斷問題已經從理論探討進入執法實踐。

關鍵詞:云計算大數據算法人工智能反壟斷

How to Look at Artificial Intelligence from A Perspective of Antitrust Law

Abstract:In view of the major technological innovations that have influenced the development of the market, the theory and practice of international competition law have generally gone through three research phases in the recent decade:cloud computing antitrust, big data antitrust and algorithm antitrust.These three phases are basically in line with several major support technologies of artificial intelligence and their commercial development path.Cloud Computing, Big Data and Algo-rithms are the effective entry points for grasping issues related to artificial intelli-gence.This paper examines the antitrust issues of artificial intelligence from three aspects and incorporates relevant factors to analyze specific acts having an effect of excluding or restricting completion.With the global emphasis on antitrust in the digital market in recent years, the issue of antitrust related to artificial intelligence has entered the enforcement level from the perspective of theory.

Key words:Cloud Computing;Big Data;Algorithm;Artificial Intelligence;Antitrust

隨著云計算、大數據、移動互聯、物聯網等技術的融合發展,人類經濟、社會正面臨著一場深刻的變化。技術革新之所以能給法律規則帶來實質性影響,主要是因為它會導致法律規則發生作用的社會關系產生變化。對反壟斷法而言,由于技術革新會催生新的商業模式,改變產業格局以及企業微觀競爭行為的表現形式,所以維護自由競爭的反壟斷法受技術革新的影響非常明顯,反壟斷法的適用也面臨挑戰。針對影響市場發展的重大技術革新,國際競爭法理論與實務界近十年先后經歷了云計算反壟斷問題、大數據反壟斷問題以及算法反壟斷問題三個研究階段。三個技術維度也正是把握人工智能的有效切入點,即人工智能很大程度上體現為云計算(算力)、大數據(運算資源)與算法的集成,前述三個研究階段基本符合人工智能的幾大支撐技術及其商用的發展路徑。因此,如果要從反壟斷法的角度審視人工智能問題,我們便可以遵循近年國際學界的研究路徑,從云計算、大數據與算法三大方面分解審視人工智能反壟斷法律問題。反壟斷法是負面清單規則,以排除、限制競爭行為為規范目標。反壟斷法角度審視人工智能,關注的并非技術意義上的人工智能,而是人工智能相關商業模式與市場行為,與人工智能的商用直接關聯的云計算、大數據以及算法等因素需要納入具體的排除、限制競爭行為,才能融入反壟斷法的分析框架。下文基于近年國際競爭法學界對云計算、大數據以及算法問題的研究,簡要梳理人工智能相關的主要反壟斷法問題。整體而言,較之云計算反壟斷問題的研究,大數據與算法反壟斷問題的研究更為繁榮,特別是大數據反壟斷問題近年呈現出理論與實務界(包括全球主要反壟斷司法轄區執法部門)集體推動的局面。

一、云計算反壟斷問題

云計算服務是由云計算服務提供商提供的大規模計算服務的集合,云計算服務可涉及數據存儲、管理服務以及提供軟件服務。云計算服務以多種方式和規模出現,早期主要包含“基礎設施即服務”(IaaS)、“平臺即服務”(PaaS)、“軟件即服務”(SaaS)三種服務模式。[3]近年隨著市場的發展,特別是大數據、人工智能相關商業模式的發展,云計算服務模式得以拓展,比如“數據即服務”(DaaS)以及“智能分析即服務”(AaaS)這類新型服務模式也開始出現。從云計算服務的發展趨勢看,人工智能可以通過云計算服務的方式體現(中小企業可以租用公有云或混合云獲得人工智能服務,大企業則擁有自身的私有云),而大型云計算服務企業則融合了算力、數據與算法。此外,數字經濟環境下的平臺問題,很大程度上也可以理解為云計算平臺問題,平臺相關反壟斷問題也可以從云計算的角度展開。國際學界最早對云計算法律問題展開系統研究的是英國倫敦大學瑪麗女王學院,該校于2009年10月便立項(QMUL Cloud Legal Pro-ject)展開云計算法律問題研究。[4]該項目除了針對云計算反壟斷問題展開研究,還涉及云計算合同、云計算標準、網絡安全、消費者保護、數據產權、物聯網等問題。該項目由Christopher Millard教授牽頭,2013年項目成果以專著形式出版。[5]大致來看,前些年國際上有關云計算反壟斷問題的研究中,云計算服務的互操作性以及數據可遷移性問題是主要關注點。

(一)云計算服務互操作性

互操作性問題并非云計算服務相關的新問題,只是該問題在云計算服務中會變得更為突出。以歐盟為例,互操作性問題在歐盟競爭法領域已經被廣為關注。比如歐委會在Intel/McAfee案中,便附加了互操作性方面的限制性條件。該交易導致的競爭關注包括,交易后安全軟件市場的競爭可能受到損害,這主要是因為交易后Intel可能將McAfee的安全軟件嵌入到其芯片產品中出售,讓合并后企業的產品與競爭對手的產品之間互操作性不足。執法部門擔心交易后McAfee的安全解決方案與Intel的競爭對手的產品不兼容。最終當事人的承諾包括:Intel承諾確保其使用說明、互操作性、最優化信息等,經第三方買主請求可以基于許可或其他適當的合同條款獲得。交易方還承諾確保其他競爭對手的軟件可以有效在其芯片產品上運行。[6]該案的決定對于云計算服務具有參考意義,云計算服務商也可能有目的地去為互操作性創造障礙,將其作為一種策略去創造市場進入障礙,將競爭對手排擠出市場。以IaaS服務為例,云計算服務商可限制不同IaaS服務的互操作性。例如,亞馬遜曾限制其用戶在其他服務商的IaaS服務中使用亞馬遜圖形映像界面管理應用。IaaS市場中的這種鎖定行為損害了用戶的選擇自由,這是存在于IaaS層級中的最主要的限制競爭問題。無論是價格戰還是限制互操作性,基于云計算的網絡效應,云計算服務商的誘因多為獲取并鎖定用戶,以此增加用戶規模,從而提升云服務的價值,以取得市場支配地位。再比如SaaS服務,作為SaaS的云計算服務,主要指的是針對終端用戶的功能性應用,與企業用戶、個人用戶的利益息息相關。網絡效應在SaaS服務中的表現也很突出。由于用戶規模決定了軟件的市場價值,SaaS服務提供商具有實施用戶鎖定行為的動機。SaaS服務提供商通過制造應用和數據的遷移障礙,限制不同SaaS服務之間的互操作性以及PaaS和SaaS服務之間的互操作性,將用戶鎖定在自己的服務中。[7]

(二)云計算服務數據可遷移性

維系云計算服務自由競爭機制的另一重要問題是:個人與企業客戶是否能在不同的云計算服務提供商之間擁有真正的選擇權,客戶是否會被特定的服務商給“鎖定”。一旦某個客戶主要依賴于一個云計算服務供應商,則可能基于數據格式或軟件等原因而無法將其數據或應用程序轉移到其他云計算服務供應商那里。數據可遷移性問題,一定程度決定著云計算行業是否會發展為2—3家企業擁有支配地位的行業,也一定程度上決定著是否在該行業,基于開放的標準能夠實現“云的網絡”,或者少數企業基于各自的特定軟件運營著不同的云計算服務。從一項云計算服務遷移到另一項云計算服務,客戶可能由于一項與云服務提供商簽訂的協議而受限,或者由于技術不兼容而變得困難。如果一個服務商在其格式合同中包括限制客戶的條款,如限制遷移、復制或者撤銷數據,這將導致反壟斷法與消費者權益保護法相關問題。這類限制條款如果不是提供服務所必需,且導致市場進入障礙,損害競爭,或者損害消費者,則可能被視為違反反壟斷法。便利數據以及應用程序的可遷移性,可以降低鎖定效應,要求競爭者針對既存的客戶展開競爭,為提升他們的客戶基礎而不斷競爭。[8]

二、大數據反壟斷問題

近年美國、法國、德國、荷蘭、日本等國家的競爭執法部門以及OECD、CERRE[9]等國際組織和研究機構也開始針對數據競爭問題展開調研,發布了系列研究報告。國際學界相關研究近年也非常活躍,關注點包括大數據對企業市場力量的影響[10]以及具體反競爭行為等方面,學術專著也已出現。[11]

目前對“數據”并沒有一個明確的定義。狹義上看,數據通常是指科學實驗或測量的結果;廣義上講,數據則通常指的是信息,或者通常是存儲在計算機中的信息的表現。在目前反壟斷和數字經濟領域對數據的爭論中,討論的不僅僅是“數據”,更多的是“大數據”,這同樣是一個缺乏統一界定的概念。那些常常被提到的“大數據”是來自不同領域的大量的不同類型的數據,它需要新的、更強大的處理器和算法進行高速處理和分析。隨著近年大數據技術在商業領域的普遍適用,Gartner“新興技術成熟度曲線”報告從2015年開始不再使用“大數據”一詞。荷蘭經濟事務部2017年6月發布的《大數據與競爭》調研報告則指出,由于并不存在正式的定義能夠將“數據”與“大數據”區分開,因此原則上來看,分析“數據”和“大數據”使用案例時并不存在什么區別。所以,就特定案例而言,沒有必要考慮相關數據到底是不是大數據。該報告認為大數據是數據在體量、產生速度以及類型多元化等不同方面發展的互動交融的體現,大數據也是最新計算機技術以及有效處理與分析數據的能力的體現。盡管大數據與規模經濟和范圍經濟更為相關,但報告并不認為“大數據”與“數據”有本質的區分。[12]

日本公正交易委員會2017年6月發布的《數據與競爭政策》調研報告則指出,在機器學習等人工智能技術進步的推動下,目前已經可以實現在沒有人為設定的情況下機器自動進行主體關聯性的識別。比如,機器學習可以處理大量人力無法處理的文本數據,并對其進行信息分類、關聯識別。據此,并不需要人類過多參與,就可以實現較為準確的信息匹配。搜索引擎和電子商務的推薦化功能就是該技術的商業應用。這種模式具有網絡效應,比如在數字平臺上,產品或服務性能的改進吸引越來越多的消費者使用該產品或服務,形成良性循環:數據整合、改進性能、進一步的數據整合,以及進一步的性能改進。日本報告還重點指出,深度學習的發展受到關注。深度學習技術通過學習大量高質量的數據,已經可以實現對圖像和聲音數據的精確識別和分析,這可以進一步提升產品性能。過去,通過機器學習改進產品性能僅限于互聯網產品,未來會基于對物體或聲音的識別而擴大到物理世界產品。基于大量數據的深度學習得到的習得模型(learned models)將決定與“視聽”感官相關產品的性能,比如疾病診斷的精確度。報告認為,上述外在環境方面的變化表明,由于物聯網等技術的發展,產生、收集和整合大量數據變得愈加容易,而人工智能相關技術的發展則進一步推動這些數據在商業上的準確適用,并不斷擴大其使用范圍。此外,商業模式也在發生巨大轉變,比如很多行業呈現“制造業服務化”的趨勢。鑒于此,有人認為,一些環境下市場會出現“數據之戰”。[13]

(一)經營者集中與數據原料封鎖

由于數據(特別是用戶個人數據)在商業中的地位日益重要,現在很多并購交易涉及數據整合,甚至一些并購交易啟動的目的就是數據整合。2016年發生的微軟(Mi-crosoft)收購領英(LinkedIn),便是引起全球高度關注的數據驅動型并購交易。從微軟收購領英案來看,數據驅動型并購交易中,數據相關的原料封鎖(input foreclosure)將是今后執法部門關注的焦點。該案中,針對“辦公軟件市場”,歐委會主要分析了涉及數據問題的原料封鎖。市場調研期間,歐委會擔心微軟通過利用領英的完整數據進一步提升其在辦公軟件市場的支配地位。特別是,微軟可以將其數據與日后可能成為適用于辦公軟件解決方案的機器學習(ML)的一種重要原料(input)的領英完整數據予以整合。基于此,歐委會擔心交易后微軟會限制那些競爭性辦公軟件解決方案企業獲得針對機器學習的領英完整數據,從而使得其他辦公軟件解決方案供應商更難有效競爭以及更難進行創新。經過評估,最終歐委會認為,交易在辦公軟件解決方案市場不會出現原料封鎖方面的競爭問題。微軟收購領英案中,針對“客戶關系管理軟件解決方案市場”,歐委會重點分析了合并后微軟能否通過以下兩方面的途徑去排擠競爭對手:(1)向客戶關系管理軟件的客戶捆綁銷售領英的智能銷售解決方案;(2)拒絕微軟的競爭對手訪問領英的數據庫,從而阻止競爭對手基于前述訪問通過機器學習開發高級的客戶關系管理功能。針對客戶關系管理軟件解決方案市場,歐委會也主要分析了涉及數據問題的原料封鎖。在市場調研期間,有競爭性的客戶關系管理軟件運營商投訴,在不久的將來,領英的完整數據,包括但不限于通過Sales Navigator展示的數據,會成為實現客戶關系管理軟件解決方案某些高級功能所需的機器學習[14]的一種重要的原料。這一擔憂主要由一家第三方企業提出,其認為交易后微軟可以限制競爭性第三方獲得客戶關系管理軟件解決方案所需的領英完整數據,從而讓客戶關系管理軟件解決方案競爭對手更難參與競爭,也加大了市場創新的難度。歐委會評估了這一競爭關注,發現交易前,領英并沒有將其完整數據或部分數據向第三方開放用于機器學習目的。這種環境下,上述競爭問題出現的前提是,即使交易不發生,領英也會將其完整數據對外開放。歐委會指出,首先,并不清楚即使交易不發生,領英是否會將數據向第三方開放。其次,如果領英沒有動機將完整數據對外開放,而微軟在合并后獲得領英的這些數據且通過這些數據改進其客戶關系管理軟件解決方案,則該交易甚至可能帶來促進競爭的效果。因為該交易可能導致新產品的出現或者改進市場上的既存產品,從而有利于消費者。因此,歐委會認為,并不確定在不久的將來領英的完整數據會成為一種重要的原料。[15]

前述日本報告也對企業通過并購實現數據整合這一趨勢予以關注。依據該報告,對于并購申報,如果合并企業一方擁有大量的數據或者擁有收集數據的渠道,執法部門除了考慮數據的稀缺性和可替代性,還需要綜合考慮的一點是,通過免費服務等方式收集的大量數據,可以在短期內基于算法去改善產品功能。這種情形下,應當確保網絡效應作用下的基于對原始數據的收集與機器學習帶來的產品功能改善的良性循環,不會導致在利用數據的產品市場中出現市場支配地位。[16]

(二)濫用市場支配地位與拒絕數據開放

數據反壟斷另一個重點問題是擁有市場支配地位的企業對其保有的特定數據集,能否拒絕向第三方開放,拒絕行為是否構成反壟斷法上的濫用市場支配地位,這一問題可能涉及反壟斷法上的必需設施理論。必需設施理論的適用在全球一直存在爭議,特定數據集能否構成必需設施也成為近年競爭法理論與實務界關注的前沿問題。該問題在實際案例中也已經被提出來,比如2017年美國發生的hiQ Labs(簡稱hiQ)與領英之間的數據爭議案中。hiQ是一家為客戶提供雇員評估服務的公司,其服務基礎是對市場上公開獲取的數據進行統計分析。hiQ的數據分析業務主要依托于微軟旗下的職業社交網站領英的公開數據,過去數年也一直都在獲取與使用領英網站上的公開用戶數據。2017年5月,領英向hiQ發函,要求其停止非授權性數據抓取以及其他違反領英用戶協議的行為,禁止hiQ繼續獲取領英用戶的公開信息(該案中領英并未就其網站上用戶檔案信息主張財產性權利)。領英同時還通過系列技術手段,阻止hiQ的自動數據收集技術獲取相關數據。領英認為,hiQ未獲授權進入領英的計算機系統抓取相關信息,違反了《計算機欺詐與濫用法》(CFAA)。領英認為,hiQ的數據收集行為威脅了領英用戶的隱私。領英指出,即使那些選擇公開其檔案信息的用戶,仍保留控制其數據的使用與可見性方面的利益。尤其是,領英還指出,有些用戶可能具有防止雇主或他人追蹤其檔案變更的利益。作為回應,hiQ針對領英的行為提起訴訟。hiQ認為領英的行為構成不正當商業行為,并提出普通法下的侵權與合同之訴,包括故意干涉合同以及違反“允諾禁反言”原則。此外,hiQ還認為領英的行為違反了美國加州憲法有關保護言論自由的規定。hiQ提出動議請求法院針對領英的行為作出臨時禁令(preliminary injunction)。經過分析,法院最終同意了hiQ有關臨時禁令的動議。2017年8月14日,美國加州北區聯邦地方法院法官Edward M.Chen針對領英的行為頒布了臨時禁令。該案中,hiQ認為,領英的行為從兩個方面違反了美國反壟斷法的精神:首先,領英不正當地將其在“職業社交網絡服務市場”的市場力量“傳導”到“數據分析市場”(data analytics market),使得領英濫用其在職業社交網絡服務市場的支配地位,以獲得在其他市場上不正當的競爭優勢。其次,領英的行為違反了“必需設施原則”,該原則禁止具有壟斷地位或試圖壟斷的企業拒絕將其控制的必要設施向其競爭對手開放。[17]

前述荷蘭報告則指出,如果數據被視為某種損害理論的基礎,則可以參考歐洲法院(ECJ)有關“必需設施”的認定標準。報告指出,必需設施理論的適用標準非常高,如果要求特定企業承擔與競爭對手進行交易且共享其所掌握的數據的義務,至少需要滿足以下幾項條件:第一,數據對于下游商品而言是必不可少的;第二,上游與下游市場均不存在有效的競爭;第三,拒絕共享數據會妨礙副產品的產生;第四,并不存在拒絕共享數據的客觀原因。[18]關于上述標準存在一個關鍵問題,即將其適用于數據驅動型市場是否合適,因為共享必需設施可能不利于創新發展。盡管在認定必需設施時確實會考慮各種因素,但是為維持有效競爭而要求擁有市場支配地位的企業承擔必須交易的義務,有違合同自由原則,包括選擇交易對象的自由以及處置自有財產的自由。因此,不論是競爭執法部門還是法院,為保護有效競爭,在處理涉及擁有市場支配地位企業的案件時,應當綜合衡量各種利益。報告指出,正如歐洲法院在Bronner案中所澄清的,強制進行交易的義務可以在短期之內促進競爭,但長期來看,可能會減損競爭對手開發競爭性設施的積極性。另外,如果競爭對手很容易就可以獲取所謂的必需設施,則擁有市場支配地位的企業投資必需設施的積極性也會受挫。因此,長遠來看,允許擁有市場支配地位的企業獨自保有其所研發的設施有利于競爭。值得注意的是,報告也指出,如果數據僅僅是副產品,而且企業可以通過機器以較低成本進行處理,則較之其他市場中的非數據資產的開放帶來的負面影響,數據驅動型市場中的數據開放或者數據共享的負面影響可能相對較低。即便要求數據共享,企業仍可能具有充分的投資積極性。報告認為,這可能為一種主張提供支持,即相對于歐洲法院確立的必需設施認定標準,數據驅動型市場中認定數據作為必需設施的標準不需要那么嚴苛。[19]

此外,前述日本報告還指出,工業數據方面,在儀器運行數據等工業數據只由設備所有者之外的一方收集,且提供這些數據的前提是要求購買售后服務或者機器學習等基礎技術的情況下,如果數據所有者不向競爭對手或設備所有者開放這些數據,有可能違反日本《反壟斷法》。依據日本報告,與工業數據相關的競爭關注包括:一方面,第三方深度學習所需的稀缺數據,這類高價值數據的不合理收集現象,已經在發生。比如,在大企業與中小企業進行商業合作的情形下,啟動一項附保密協議的聯合研發項目后,作為合作協議的條件,大企業有時會要求中小企業將合作研發所得的數據和技術上的權利全部授權給自己,以此作為未來合作的前提。有時即使對方接受這類要求,商業合作也不會發生,合作僅成為獲得數據的誘餌。另一方面,網絡效應問題。大量數據收集和人工智能相關技術的使用可以不斷改善產品功能,進而吸引更多的消費者,網絡效應被放大,從而帶來較強的規模經濟和范圍經濟,這可能使得市場進入更加困難。此外,深度學習技術的改進和這些效應的作用可能會超越線上產品交易范圍,線下的交易也會受到影響,這些問題都有必要受到反壟斷執法機關的密切關注。[20]

三、算法反壟斷問題

世界主要反壟斷轄區的競爭執法部門近年發布的相關調研報告已經開始涉及算法問題,比如德國壟斷委員會2015年發布的調研報告《競爭政策:數字市場的挑戰》、美國聯邦貿易委員會2015年發布的調研報告《大數據:包容工具抑或排除工具》以及法德競爭執法部門2016年聯合發布的《競爭法與數據》調研報告[21]均一定程度上涉及算法問題。就理論界而言,以英國牛津大學的Ariel Ezrachi教授以及美國田納西大學的Maurice E.Stucke教授為代表的少數學者,也已經開始對算法相關競爭法問題展開深入研究。[22]在競爭法國際協會(ASCOLA)2017年6月召開的第十二屆年會上,與人工智能算法相關的競爭法問題,也成為與會者關注的焦點。[23]

(一)算法合謀

算法在現代社會運用非常廣泛,幾乎在生活的各個方面影響著人們的行為。隨著數字經濟在全球的發展,越來越多的企業利用計算機算法去改善其定價模型、完善客戶服務以及預測市場發展趨勢。這種背景下,算法近年逐漸成為全球主要反壟斷轄區關注的問題。2017年6月,OECD競爭委員會更是直接以“算法與合謀”(Algorithms and Collusion)為主題,組織各界圍繞算法問題展開討論。為確保該次論壇的順利召開,OECD秘書處準備了一份翔實的背景報告,即《算法與合謀:數字時代的競爭政策》(Algorithms and Collusion:Competition Policy in the Digital Age)[24],該報告結構清晰,報告分為七個部分:背景、算法的工作原理與應用、算法促進競爭的效果、算法合謀風險、算法給競爭執法帶來的挑戰、針對算法的市場管制以及結論,對相關法學與經濟學研究成果進行了詳盡梳理。比如,為了說明算法如何提升合謀的風險,該報告還重點分析了四種有利合謀實現的算法類型,其中一種被稱為“自我學習算法”(Self-learning al-gorithms)。依據報告,算法能夠實現合謀結果的最為復雜的方式便是利用機器學習和深度學習技術,基于這些技術,甚至不需要競爭者之間設置達成合謀的具體算法就可能達成合謀的結果。也即是說,存在一種風險,即一些算法具有很強的預測能力,通過持續學習以及對市場主體行為(可能是人類作出,也可能是人工智能作出)的反復適應,在不需要人類干涉的情況下就可能形成合謀。報告指出,機器學習算法如何實際達成合謀結果,這點其實迄今我們并不清楚。但一旦市場條件傾向于合謀,則算法可以比人類更快地進行學習,從而通過高速的反復試錯最終達成合作性均衡。自我學習算法更容易確定合謀者之間的共同利潤最大化價格,這可能最大程度地損害消費者利益。報告指出,博弈論中的一些研究已經分析了機器學習達成合作性結果的能力,比如Hingston與Kendall的相關研究。[25]報告指出,我們很難知道自我學習算法是否已經在數字市場中導致了合謀結果或者這類合謀發生時是否能被我們發現,因為機器學習導致的合謀結果只能通過效果去觀察,而無法通過形式去判斷,即所謂的“虛擬合謀”(virtual collusion)。如果企業再進一步,通過深度學習算法自動設置價格以及其他商業決策,合謀結果將更難通過傳統的反壟斷工具予以阻止。深度學習算法的具體工作過程是個“黑箱”,由于其處理原始數據的方式復雜、快速以及精確(類似人類大腦),我們無從知曉算法決策背后的相關細節。因此,基于深度學習技術,企業甚至在沒有意識的情形下便有可能達成合謀,這帶來的問題是,企業是否因其使用深度學習算法而承擔相應的違法責任。

執法方面,算法相關的反壟斷案例在歐美也已經出現。2017年2月,歐委會宣布對Asus、Denon&Marantz、Philips以及Pioneer涉嫌違反歐盟競爭法的行為展開調查。歐委會關注的問題之一是,這些企業可能限制了那些銷售家用電器、筆記本電腦以及hi-fi產品的在線零售商自行定價的能力。歐委會認為,由于很多在線零售商都使用自動與市場上領頭競爭對手的零售價格相適應的定價軟件,這可能使得這些涉嫌違法的價格限制行為更為嚴重。[26]此外,美國Uber反壟斷案也是涉及算法問題的典型案例。2015年12月16日,美國康涅狄格州的一名居民Spencer Meyer,代表他自己以及類似情況的乘客,在美國紐約南區聯邦地區法院向Travis Kalanick(Uber聯合創始人、前任CEO)提起反壟斷民事集團訴訟,主張Kalanick以及那些利用Uber定價算法的司機之間達成了合謀,限制了司機之間的價格競爭,損害了包括原告在內的Uber乘客的利益,違反美國聯邦《謝爾曼法》(Sherman Antritrust Act)以及紐約州《唐納利法》(Donnelly Act)。被告于2016年2月8日向法院提出動議,請求法院駁回原告的起訴(motion to dismiss)。原告于2016年2月18日提出反對意見。被告于2016年2月25日作出回應。2016年3月9日雙方進行了口頭陳述。法院綜合考慮了雙方提供的材料以及陳述,于2016年3月31日否決了被告提出的駁回原告起訴的動議。隨后,被告提起動議要求法院重新考慮是否允許原告進行集團訴訟,但是被法院拒絕。2016年5月20日,被告又提起動議要求追加Uber為被告,此動議得到法院批準。此后,Uber提出動議該爭議應提交仲裁,一審法院拒絕了被告的仲裁請求,上訴法院則最終同意了對該爭議進行仲裁,目前該案處于仲裁程序。就橫向合謀而言(horizontal conspiracy),原告主張,當司機同意Uber提供的書面協議相關條款并接受使用Uber應用的乘客時,即表明他們同意參與一項合謀。司機通過Uber應用收取車費,Uber應用則基于Uber的定價算法為所有的Uber司機設置車費。原告認為,Uber司機拋棄了司機之間本應存在的競爭。原告認為,由于Uber的定價算法可以產生超競爭水平的價格,這為Uber司機提供了“一致的合謀動機”。原告認為,Kalanick作為價格固定合謀的組織者以及同時作為一名Uber司機,應承擔相應法律責任。原告主張,他以及所代表的集體已經受到被告壟斷行為的損害。這是因為,如果Kalanick不協調Uber司機合謀固定車費,司機之間應該展開價格競爭,Uber的車費本應該比現在的價格“低得多”。原告還認為,Kalanick的設計降低了市場產出,正如獨立第三方的研究顯示,“提價”模型帶來的影響是降低需求,從而使得價格人為地維持在高位。基于這些理由,原告認為Kalanick違反了美國聯邦《謝爾曼法》以及紐約州《唐納利法》。[27]

(二)算法歧視

反壟斷規則中,對于擁有市場支配地位的經營者,如果沒有正當理由,對條件相同的交易相對人在交易價格等交易條件上實行差別待遇,可能構成濫用市場支配地位。價格歧視對市場競爭的影響大致有兩方面:一方面是對行為人所處市場競爭的損害(一線競爭或橫向競爭損害);另一方面是對交易對手所處市場競爭的損害(二線競爭或縱向競爭損害)。算法相關的另一反壟斷問題便是算法歧視問題。人工智能之所以作出有偏見的決定,可能源于系統固有的不透明性。一方面,算法從獲得的數據中分析并尋找模式,得出的結論是開發者無法預測的;另一方面,輸入算法中的數據可能存在偏見,因此導致算法得出有偏見的結論。傳統環境下,價格歧視維系的條件主要涉及差異化定價以及有限的套利。隨著數字經濟的發展,特別是算法驅動型商業模式的不斷出現,開始有學者討論“完美價格歧視”(perfect price discrimination)問題。理論界所謂的價格歧視,互聯網行業稱為“價格最優化”(price optimization)或者“動態差異化定價”(dynamic differential pricing)。有研究指出,大數據、大分析(big analytics)有可能讓在線賣家實施完美價格歧視(每個客戶支付的價格都是其愿意支付的價格)。企業還可以利用大數據幫助其“自我學習定價算法”(self-learning price algorithms)去實施最優的歧視性廣告與定價。隨著各類專業數據分析公司(data broker)的發展,這類公司除了收集與個人興趣以及線上、線下行為相關的數據,還可以提供分析服務。不過研究也指出,要實現完美價格歧視仍面臨諸多問題:(1)有限數據。企業必須開發一種能夠發現客戶“保留價格”(reservation price)的算法,但企業仍面臨客戶相關數據不足的問題,特別是特定客戶的數據。(2)預測性與非理性。定價算法需要巨量數據,需要確認所有影響個體“保留價格”的相關變量,但消費者的每次購買過程都存在差異,比如所處時間、地點、性別、年齡、教育背景、物品展示順序、相對價格等。因此,基于不完備數據進行的預測不可避免具有假設性質。(3)樣本規模有限。算法需要充足的樣本確保其假設的穩健性。如果算法無法基于個體行為與環境因素測算出個體的“保留價格”,則算法無法實施完美價格歧視。[28]

目前的研究還涉及“近乎完美行為歧視”(almost perfect behavioral discrimination)。企業可以基于大量收集的個人數據,通過算法去確認影響個體購買產品的情緒(或傾向)。企業實施行為歧視,可以通過提升整體的消費量以及降低消費者剩余去提升企業利潤。相關研究還梳理了可以幫助企業實施差別待遇,發現客戶消費傾向的方法:(1)利用誘餌,比如在線網站就某種產品特定款型設置高價,通過價格懸殊讓消費者更容易接受該類產品的主力款型價格,從而促進消費者對主力款型的購買;(2)價格操縱,比如網上對不同群體顯示不同產品信息;(3)提升復雜性,比如提升產品在價格、質量參數等方面的復雜性,讓消費者更難評估質量,進行產品比對;(4)水滴定價(drip pricing),比如網絡交易過程中逐步向消費者公開需支付的更多費用;(5)不完美意志力,比如對更有耐心的客戶提供折扣;(6)通過框架效應(framing effects)[29]降低可覺察的不公,比如通過提供折扣的方式實現價格歧視。[30]

綜上,數字市場發展中出現的這些新現象都給反壟斷執法提出了新問題,如何在既有反壟斷法的歧視性濫用市場支配地位規則框架下對相關市場行為進行規范,是擺在全球各反壟斷轄區面前的問題。

四、結語

我國數字經濟發展非常迅猛,人工智能相關商業模式正在不斷演化。反壟斷法關注的是市場自由競爭機制的維系,數字經濟的健康發展當然離不開有效的市場競爭機制。本文從云計算、大數據以及算法三個角度對人工智能相關反壟斷問題進行了簡要梳理。目前來看,盡管諸如特定數據集是否構成機器學習必需要素,算法合謀是否使得傳統壟斷協議定義失效,自我學習型算法導致的違法結果由誰承擔等問題對反壟斷法規制的適用提出了挑戰,但傳統反壟斷分析框架應對數字市場的發展整體上來說仍然是有效的。我國目前在強調“包容審慎監管”,但值得注意的是,我們應該辯證地理解“包容審慎監管”。任何執法行為必須考慮過度干預導致的成本。但是,干預不足導致的成本也應該考慮。[31]隨著相關技術的不斷進步,商業模式的不斷演化,云計算、大數據與算法問題日后會不斷交叉,這需要理論界予以足夠的關注。為應對技術革新帶來的挑戰,我國競爭執法部門需要適度的關注技術的發展,特別是那些對商業模式演化造成實質影響的技術發展。適當把握技術發展的現狀,有助于執法部門對市場有更深入的理解,從而確保有效執法,維系創新與競爭的平衡。結合我國數字經濟的發展,競爭執法部門也可以考慮適時啟動相關市場調研,了解云計算、大數據以及算法等技術及其商業應用在我國發展情況,為今后的可能執法做好準備。

(責任編輯:徐美玲)

主站蜘蛛池模板: 昭平县| 沂南县| 文登市| 安顺市| 昭平县| 本溪| 哈巴河县| 嵩明县| 黄梅县| 景宁| 逊克县| 布尔津县| 罗定市| 青海省| 郎溪县| 拉萨市| 那曲县| 双城市| 陆丰市| 甘德县| 馆陶县| 钟祥市| 合山市| 宣威市| 镇安县| 东乡族自治县| 若羌县| 临汾市| 磐安县| 山西省| 冀州市| 建阳市| 垣曲县| 广西| 绥德县| 江达县| 湘潭县| 肥西县| 油尖旺区| 上思县| 昔阳县|