人工智能的算法合谋挑战

陈永伟

人工智能对法律挑战之一就是算法合谋问题，算法合谋作为合谋的一种新形式，和传统的合谋既有类似，也有不同。

合谋对竞争的损害

近年来，人们在商业活动中大量运用数据导向的交易方式， 使得企业有条件在商业活动中使用以大数据为基础的计算机算法。与日常生活中的算法相比， 计算机算法最大的优势在于速度和复杂性， 即能够以极高的速度处理异常复杂的大量数据， 从而实现既定的商業目的。比如企业通过计算机算法收集和处理数据信息， 便能够有针对性地向用户推荐商品或服务， 或者采用动态定价算法， 使商品在网上显示的价格能够根据各种因素自动调整。目前电子商务、零售、金融、旅游和酒店、体育和娱乐业乃至许多传统行业， 都在运用计算机算法帮助其收集市场信息， 为其商品和服务定价以及主动推荐服务或商品。

目前为止， 算法本质上仍然是人类的工具。算法如何运转， 取决于人们如何设置它。从竞争法角度， 企业借助计算机算法， 能够更快对市场价格作出反映， 可能会提升市场的透明度和竞争效率， 对市场竞争环境和消费者有利。但是， 不恰当地运用计算机算法， 也有可能会产生对竞争的严重损害， 导致反垄断合规问题。

合谋是个古老的话题。追溯起来，至少可以找到亚当·斯密在《国富论》中的一句话：“同行的人很少聚会，但是他们如果一旦聚会，将不是策划出一个对付公众的阴谋，就是炮制出一个掩人耳目的提高物价的计划。”可见对于合谋的厌恶已经由来已久。事实上，几乎所有国家都把这个合谋视为一种违法行为——一些国家认为它是本身违法，另一些国家虽然不提本身违法，但也认为这是一个严重的问题。为什么合谋会是一个问题呢？原因在于它会限制竞争，导致效率损失。如果原来市场上有好多个企业，可以通过竞争产生更低的价格和更高的产量，进而产生更多的消费者剩余。但是如果几家企业联合起来，一起定价、定产量，那么结果就是类似于垄断——产量会更低，价格会更高，消费者剩余会下降。换言之，从经济学角度来讲，合谋会导致福利损害。

既然合谋和垄断很近似，那为什么要进行合谋，而不是进行横向并购，变成一个垄断者呢？这个问题在一些文献中有回答。例如Kumar 等人（2011）就指出，垄断企业很容易面临反垄断指控，在市场进行价格谈判的时候，有可能引来更多的抵触。而相比之下，合谋是相对隐秘的，因此就不存在这些问题。这就是为什么很多企业更愿意选择合谋，而不是选择并购。

合谋分为两种：明示合谋（Express Collusion）和默示合谋（Tacit Collusion）。明示合谋指的是企业之间采用文字、口头或信件等积极明示方式达成意思一致，通过沟通和转移，达到限制竞争的目的合谋形式。简言之，明示合谋是依靠共同协议来维持合谋，而默示合谋的维持则依靠心照不宣，或者用博弈论中所说的“聚点”（Focal Point）达成。

从经济学上看，合谋的维持并不容易。先看明示合谋，这主要是面临“囚徒困境”问题：假定几家企业相互约定把价格维持在一个较高水平，以获得更高利润，然后再在合谋者之间进行分配。那么从合谋者整体来看，维持合谋是最优的选择。但对于任何一家企业而言，给定别人都遵守了协议，那么其中任何一家企业只要私自背离协议，偷偷把价格降下来，就能占有更多市场份额，获得比参与合谋更高的利润。从这个角度讲，每个企业都有违约的动机。而默契合谋的维持则更不容易。如果企业之间仅通过心照不宣的默契来维持合谋，那么除了要面临上述的囚徒困境问题外，还需要应对信息和协调问题——对市场信息或者伙伴行为的错误理解都可能导致合谋的破裂。

算法合谋问题

所谓算法（Algorithm），简而言之就是一系列解决问题的指令。只要给定初始条件，这一系列指令就会自动给出相应的答案。随着计算机和互联网的普及，算法已经走进了生产生活的各个方面，对经济生活产生了很大影响。算法是人工智能的核心要素，随着人工智能技术的成熟，影响越来越大，也因此同时需要法律进行更多的规范。

算法对于合谋问题的影响有两个层面：第一个层面是改变合谋的环境，也就是前面讲到的那几个影响合谋的因素，从而对合谋产生作用；第二个层面是直接作为一种工具被应用到合谋过程中。

1、算法对合谋环境的影响

先看第一个层面，即算法对合谋环境的改变。

首先是算法对产业结构特征的改变：

（1）市场中企业的数量。算法对市场中企业数量的影响有两个方面：一方面，算法的应用可以强化在位者的力量，从而有可能让市场中的企业更少；另一方面，算法也可以让新的企业以更低的成本进入市场，因此可能会让市场上的企业更多。因此，总体来看，算法对企业数量的影响并不确定，其对合谋的影响当然也就难以确定了。

（2）进入障碍。和上面的分析一样，算法对于市场壁垒的影响是不确定的，由此带来的对合谋的影响也难以确定。

（3）市场透明度。显然，算法的应用会让市场的信息更快传播，市场的透明度也会因而提升。这会让企业之间的合谋变得更加容易。

（4）市场的互动程度。算法会让企业之间的互动更加频繁，这会让企业更加重视未来的可能损失。由于害怕背弃合谋会遭受未来的频繁打击，企业会更倾向于维持合谋。

其次是算法对需求因素的影响。从直觉上讲，需求的因素更多取决于消费者偏好，它和算法并不会有太多的直接关系。

最后是算法对供给因素的影响：

（1）创新。显然，算法的普及会让创新变得更为频繁，而如前所述，频繁的创新是会让合谋更难进行的。因此，这一点会促使算法降低合谋的可能性。

（2）成本的差异性。算法的应用会让企业有更多可能进行个性化生产，此时企业的成本差异就会增大。正如前面指出的，这会让合谋变得更难进行。

总的来说，算法的应用对合谋环境产生的影响是不确定的，在现实中需要case by case地进行考察。

2、作为合谋工具的算法

总的来说，作为合谋工具的算法有四种：监督算法、平行算法、信号算法，以及自我学习算法。

（1）监督算法（Monitoring Algorithms）

监督算法的作用在于发现伙伴企业的背叛行为，从而启动惩罚。在前面讨论合谋的一般理论时，我们曾经说过，用重复博弈机制维持合谋会遭遇两个困难，难以发现背叛行为、没有激励和惩罚。监督算法可以很好破解这两个问题。利用这种算法，可以侦查对手的定价行为，一旦发现对手违约了，就自动启动价格战。显然，如果做到了这点，那么通过重復博弈来对背叛者进行惩罚就变成了可以置信的威胁，这就可以让重复博弈这个维持合谋的机制顺利进行。

（2）平行算法（Parallel Algorithms）

平行算法的功能在于自动为所有企业设定最优价格。利用这种算法，企业就跳过了共同定价、互相监督等步骤，只要告诉电脑一个计算最优价格的方案，电脑就会自动让所有企业都设定同样的最优价格。这种算法不仅让合谋的协调成本大为降低，也避免了市场波动带来的各种信息干扰，从而让合谋可以简单地维持下去。

（3）信号算法（Signaling Algorithms）

信号算法的主要作用是为进行合谋的企业设置聚点。前面我们说过，在进行默契合谋时，彼此有心照不宣的共识是很重要的，这个共识就是聚点。现实中，均衡可能有很多个，但大家都不知道哪个会出现，因此就需要信号来进行协调，从而达成一个相关均衡（correlated equilibrium）。信号算法就起到了这个作用，它为参与合谋的企业提供了共同的信号，从而让它们可以便利地共同选择合谋行为。

（4）自我学习算法（Self-Learning Algorithms）

自我学习算法未必是为了合谋而设计的。它的目标可能只是为了给企业选择一个在市场上最优的价格。但是，如果市场上的所有企业都用了这类算法，那么算法之间通过彼此的学习就可能达成一样的（最优）价格，从而产生了类似合谋的效果。至于算法是怎样学习的，其中的机理未必清楚，它在很多时候更像一个黑箱。

对算法合谋问题的应对

算法合谋是新技术带来的新问题。对于它的应对，我们还缺乏相关的经验。总体来说，有如下几点是值得进行思考的。

第一，要对市场透明度的作用进行再思考。传统的经济理论认为，更透明的市场环境更有利于竞争。但事实上，如果考虑到合谋存在的可能性，那么更高的市场透明度也可能会产生反竞争的效果。在算法合谋背景下，应该怎样改变市场透明度以促进竞争呢？OECD报告中的一个建议是，增加对消费者的透明，减少对竞争对手的透明。这听起来很有道理，但如何操作呢？这恐怕才是真正需要回答的问题。

第二，是否应当要求企业分享算法。OECD的报告中建议，为了防止企业进行算法合谋，应当要求企业分享算法。在笔者看来，这点是颇值得商榷的。在数字经济时代，算法往往是企业最重要的创新成果和核心竞争力，如果为了防止合谋而让企业分享算法，那么就会打击企业的创新积极性。究竟应该如何在鼓励企业创新和防止其反竞争行为之间进行权衡，这仍然需要进行深入思考。

第三，要对人机关系进行思考。正如我们看到的，在很多情况下，所谓的合谋结果只是机器优化运行的结果，而非人的主观故意。在这种情况下，应当怎样进行处理？对于合谋造成的损害，是应当处理程序设计者还是如何？这都需要进行进一步的思考。

第四，是否需要对算法进行进一步的直接干预。一些观点认为，考虑到算法合谋在内的一系列问题，应当采取更为直接的干预措施，例如对算法进行监管。不可否认，算法监管很有必要性，但究竟怎么管，谁来管，是十分棘手的问题。现在很多算法都非常复杂，要识别出其结果，做出相关法律定性不仅需要编程知识，还需要法律、经济学等知识，这些人员配套能否保障，将是一个大问题。与此同时，监督算法，就要求公开算法，这对于企业是否公平，这也是需要考虑的。与直接干预相比，在所有算法中植入一些底层算法，以规定一些原则性问题或许更为可取，不过其实现依然需要进一步的研究。

具有典型意义的UBER案及其意义

目前，算法合谋真正的诉讼例子很少。Uber案或许是比较有代表性的一个。从定性上看，这个案子牵涉的是 “轴辐合谋”，严格说，它还是一个相对传统的案子，只不过涉及到了算法这个现代工具。

先看一下案件的背景：2015年12月16日，美国康涅狄格州居民、环保人士Spencer Meyer在美国纽约南区联邦地区法院对Uber联合创始人、前任CEO Travis Kalanick提起反垄断集团诉讼。2016年1月29日，原告提出修订版起诉状，主张Kalanick以及那些利用Uber定价算法的司机之间达成了合谋，限制了司机之间的价格竞争，损害了包括原告在内的Uber乘客的利益，违反联邦《谢尔曼法》以及纽约州《唐纳利法》（Donnelly Act，纽约州统一商法典第340条）。被告于2016年2月8日向法院提出动议，请求法院驳回原告的起诉（motion to dismiss），原告于2016年2月18日提出反对意见，被告2016年2月25日作出回应。2016年3月9日双方进行了口头陈述。法院综合考虑了双方提供的材料以及陈述，于2016年3月31日否决了被告提出的驳回原告起诉的动议。随后，被告提起动议要求法院重新考虑是否允许原告进行集团诉讼，但是被法院拒绝。2016年5月20日，被告又提起动议要求追加Uber为被告，此动议得到法院批准。此后，Uber提出动议该争议应提交仲裁，一审法院拒绝了被告的仲裁请求，上诉法院则最终同意了对该争议进行仲裁。

在相关市场上，原告认为，本案的相关市场是“相对新的移动应用生成的共享乘车服务市场”（relatively new mobile app-generated ride-share service market）。在这个市场上，Uber占有80%以上的市场份额。在原告看来，当司机同意Uber提供的书面协议相关条款并接受使用Uber应用的乘客时，即表明他们同意参与合谋，而抛弃了本应存在的竞争。他认为，这种横向合谋（horizontal conspiracy）对其代表的集团——“所有在美国一个或多个场合用过Uber App，并从与Uber合作的司机那里获得乘车服务，并基于Uber定价算法设置的价格支付过费用的人”造成了损害。此外，原告还认为， Kalanick 和Uber组织了多次司机线下见面会，这也有助于合谋的达成。

对于原告的指控，被告给出了抗辩。在被告看来，各司机同意Uber书面协议的相关条款，并不能表明司机之间存在横向协议，只存在每个司机与Uber之间的纵向协议。每个司机作出的与Uber签订合同的决定，仅仅是司机各自的独立行为，这并不足以支持原告有关合谋的指控。

在审理过程中，法庭比较支持原告的主张。通过援引United States v. Apple， Inc.等“轴辐合谋”的案例，法庭认为被告确实参与组织了横向合谋。同时，法庭也认同了原告关于被告还存在纵向合谋的主张。法院认为原告已经提出了合理的《谢尔曼法》第一条项下的纵向合谋主张，拒绝了驳回原告基于纽约州的反垄断法《唐纳利法》的主张。

未来，这样的案件有可能将越来越多，因此需要在法律上做出更好的预案安排。随着国内计算机算法的快速发展， 商业模式正在发生深度变革，计算机定价算法与反垄断法产生了更多交集。因此，企业在运用算法进行定价，享有技术发展带来的效率提升时，也要密切注意使用定价算法的方式，关注和提前防范定价算法可能带来的反垄断法合规风险。

随着计算机科学的不断升级发展和广泛应用， 商业模式正在发生深度变革。如何在现有的法律体系下确保合规操作， 企业面临诸多挑战。企业唯有紧跟技术发展的步伐，对新兴技术和商业模式及时进行合规评估，才能避免相关合规风险。