人工智能时代自主类算法共谋的规范监管

沈鸿艺，岳子祺，陈名芮，刘家熳，蔡俊亮

(华南理工大学，广东 广州510006)

一、 自主类算法共谋的源流及现实困境

大数据时代，算法由于能帮助经营者更迅速、有效地分析和处理各类海量数据，而被广泛地应用于商业领域中。 早在2015 年，已有超过1/3 的亚马逊商家使用定价算法制定价格。 然而，算法在提高经济运行效率的同时，也为竞争者之间实现和维持价格共谋提供了更加隐蔽的技术手段。 2015年4 月，美国司法部首次依据《谢尔曼法》针对电子商务中利用算法的价格共谋行为，对托普金斯(Topkins)及其同谋利用特定算法交换价格信息并协调卖价，从而确保其所销售的特定壁纸按价格高低显示在亚马逊网站搜索页面最前端的行为提起重罪指控。 同年年底，优步(Uber)的用户在美国某地区法院提起诉讼，指控优步联合创始人与优步司机之间通过定价算法达成合谋，限制了司机之间的价格竞争。 相关案例的涌现引起了各国反垄断机构的注意，算法共谋成为全球反垄断领域的关注焦点。 其中，自主类算法共谋更是给反垄断法领域带来了诸多挑战。

自主类算法共谋即自学习算法通过不断学习和适应其他市场参与者的行为，在经营者未发出指令或做出其他干预行为的情况下自主达成的共谋。 区别于一般的定价算法，自学习算法(self-learning algorithms)是基于人工智能、机器学习技术实现高度智能化的算法，能分析和吸收市场中各种各样的数据并做出归纳性推理，从中挖掘出潜在的信息，帮助决策者调整市场策略，减少风险，以保证企业利益的最大化。目前国际上的相关研究表明，自学习算法对达成共谋有促进作用。 一是随着人工智能、机器学习等技术的发展，自学习算法的学习周期将不断缩短，在面对日益复杂的市场环境时其能快速学习并迅速做出反应，降低偏离的风险，从而增加共谋的可能。 二是在企业效益最大化目标的驱动下，独立决策的自学习算法更有可能选择共谋。 当两家企业均使用自学习算法时，博弈的主体便从经营者转变为两个势均力敌的算法，其在博弈过程中，为寻找效益最高的方案会主动选择相互依存的战略，而不考虑法律风险。

自主类算法不仅具备一般共谋中算法的辅助功能，还能实现自主决策，以达成排除竞争、限制竞争的目的。 其所具有的高度智能化特征给反垄断执法机关识别和规制共谋设置了难以逾越的障碍。 首先，自学习算法提高了市场透明度，使共谋更容易维持。 自学习算法结合了统计学、人工智能、可视化等技术，能对市场上各个渠道的数据进行分析，具有监控和快速改变价格的能力。 当共谋形成后，自学习算法能够进行实时监控并建立即时的报复机制，迅速对偏离共谋的行为进行惩罚，从而限制破坏共谋所获得的预期收益，减少参与者偏离共谋价格的动机。 执法机关难以察觉共谋行为的发生，从而陷入技术监管的困境。 其次，这种高度智能化的自学习算法有着极其隐蔽的决策过程。 自学习算法在达成和实施垄断协议时，无须任何意思联络，其决策过程如“黑匣子”一般无法被探测和追踪。 这增加了执法机关收集证据的难度，使其难以对共谋行为进行违法性认定和有效规制。 最后，自主类算法共谋突破了人类主导的规制框架。 自学习算法凭借其强大的学习能力，自主观察、接收、反馈市场信号，并据预设逻辑得出决策结果，完全规避了经营者在市场竞争过程中的主导作用。 在脱离人的主观设计的情况下，如何确定追责主体和主体之间的责任分配，将成为反垄断执法机关的棘手问题。

近年来人工智能安全与伦理问题不断涌现，全球新一轮人工智能政策部署的重点随之转向了创新与监管的再平衡。在人工智能算法被广泛应用的商业领域，更应注重协同治理，实现人工智能与经济社会的健康发展。 目前，尽管我国尚未出现自主类算法共谋的司法案例，但作为全球重要的数字市场，我国仍应警惕因自学习算法普遍适用而产生的系统性监管风险。 因此，为了维护市场竞争秩序及保护消费者利益，对自主类算法共谋进行有效规制十分必要。

二、 自主类算法共谋的违法性认定

自学习算法无须经营者之间达成特定协议即可自主形成共谋。 此种共谋由于摆脱了对于参与者之间协商与合作的依赖，故难以通过垄断协议的概念将其纳入反垄断法规制的范围内。 因此，为了能对其进行有效规制，可以通过拓展“协议”的内涵以明确自主类算法共谋的违法性认定标准。

(一)自主类算法共谋违法性认定的特殊性

自学习算法在达成共谋的过程中，经营者之间无须进行意思联络，仅依靠算法的实时监测和对定价战略的迅速调整，便能够自主保持一致。 这与默示共谋的特点十分符合，且较之更稳定、更隐蔽，达成目标的能力和协调行为的持续时间也更胜一筹。 其对于市场竞争秩序和消费者利益更大的潜在危害要求反垄断法对其进行有效规制。 根据各国反垄断法的规定，竞争者之间达成特定协议是反垄断执法机关规制共谋的前提条件，故通过垄断协议对自主类算法共谋进行违法性认定是将其纳入当前反垄断法规制范围的唯一途径。

在反垄断法领域，“垄断协议”可以概括为经营者基于共同意志，通过协商就实施特定的限制竞争行为达成一致的约定。 可见，垄断协议的构成要件包括：①经营者具有共同意志；②进行了意思联络；③达成了一致行为；④产生了排除、限制竞争的效果。 自学习算法可以独立、自主地达成一致行为，实现排除竞争、限制竞争的效果。 但由于不需要经营者之间进行任何沟通，反垄断执法机关很难搜集到有力证据证明经营者之间存在意思联络从而认定其存在共谋的主观意图。 主观认定要件的缺失使自主类算法共谋在现有反垄断法的框架下通过“协议”的概念进行违法性认定变得十分困难，因此，考虑扩展“协议”的内涵不失为一个行之有效的方法。

(二)拓展“协议”范畴的理论基础

拓展“协议”的范畴是否具有合理性，首先需要明确这一概念的内涵。 世界各国对于“垄断协议”存在不同的表述形式。 美国反托拉斯法中称之为“联合”或“联合行为”。 欧洲国家则更常用“卡特尔”这一术语代表。 我国的《反垄断法》第十三条将垄断协议限定为“排除、限制竞争的协议、决定或者其他协同行为”。 然而目前各国对于“垄断协议”仍难以具体准确地界定。

有学者试图通过对比合同法中的“协议”概念以确定反垄断法中“协议”的范畴。 合同法语境下的“协议”通常包含“要约”和“承诺”两个要件，二者应满足一定的条件：①客观性。 即要约和承诺都应是基于文字或行为等形式并能够被客观理解的客观行为。 ②对应性。 即协议中的要约与承诺必须相互对应，要约人与受要约人具有实施某种行为的共同意图。 ③精确性。 即要约与承诺应满足一定程度上的具体和精确性，以使相对人之间形成特定的法律约束。 根据其观点，前二者属于“协议”所普遍固有的内涵，故反垄断法中的“协议”也应当具备此二者，即共谋参与者在客观上实施了联合限制竞争行为，且具有实施该共谋行为的共同意图。 而精确性则是基于合同法上目的而产生的非固有定义特征，意在维护当事人的合法权益。 不同于合同法中“协议”的目的，反垄断法为打击共谋等反竞争活动，维护市场的良好竞争秩序而设立“协议”，故不应要求经营者对某个联合限制竞争行为做出准确承诺。 因此反垄断法中的“协议”在满足客观性和对应性的条件下，具有一定的拓展空间，从而使可能产生反竞争危害而内容模糊的自主类算法共谋得以被纳入规制范围。

(三)明确自主类算法共谋的判定标准

由于自主类算法共谋高度依赖于算法的自主学习和决策，在其达成和实施共谋的过程中可能并无任何意思联络，因此通过寻找其意思联络的证据来证明经营者存在共谋意图极难实现。 如此，不妨适当放宽“协议”的范围，即可在综合考虑各方面因素的情况下，通过经营者的客观一致行为来证明其共谋意图与“协议”达成。

例如，在1939 年的州际巡回放映公司诉美国案中，美国联邦最高法院认为销售商之间的协议并不是认定存在非法共谋的前提条件，“既然销售商们之间的一致行为是策划好的，销售商们收到邀请后遵守这个方案，参与这个一致行为，知晓这些就足以认定非法共谋存在了。”此后在1946 年的美国烟草公司诉美国案中，美国联邦最高法院继续就缺乏明确协议的一致行为的认定问题进行阐释：“要构成非法共谋无须当事人间存在正式的协议，只要从当事人的全部行为中我们可以得出这样的推论就可以了。”欧盟的司法机关在认定默示共谋时也不要求经营者之间必须达成正式的协议，而常依据“一致行为”的概念进行认定并予以规制。 欧盟委员会曾明确指出，一项协议不需要以书面形式订立，也无须合同的批准或执行措施，协议存在的事实可以清晰地或含蓄地体现在成员的行为中。

我国现行反垄断法也可据此对自主类算法共谋进行有效规制。 例如，在自学习算法引发的共谋中，市场参与者的算法独立选择共谋策略作为最佳定价策略。 某一经营者的算法自主发出共同提高价格的信号，无须经营者干预，其竞争对手算法通过观察或接收到这一信号而自主选择追随以谋求超竞争水平的利润。 同时，发出信号的算法在观察到其他算法的跟随和同意后，可以采取策略维持共谋的持续。 简言之，发出“要约”的算法通常会将提价作为一个客观信号，竞争对手则自主选择是否跟进。 如果被要约人的算法跟随也即默示同意该提议，那么要约人算法将被诱导维持其高价。 尽管要约人和被要约人未达成正式协议，仅通过行为和默许，但仍足以满足客观性要求；尽管各方的承诺十分模糊，但仍可成为反垄断法意义上的协议。

(四)自主类算法共谋的事实认定

如何运用证据在个案中识别自主类算法共谋的存在，是明确其法律认定标准后的又一挑战。 由于这种共谋具有高度隐蔽性和稳定性，司法机关很难搜集到诸如往来信件、检举材料等直接证据证明共谋的存在，因此充分运用间接证据、环境证据以及建立有条件的法律推定制度对于此种新型共谋的认定显得尤为重要。

1. 灵活运用各类证据

默示共谋的隐蔽性使得收集直接证据十分困难，因此各国普遍采用间接证据证明共谋的存在。 自学习算法加剧了这一困境，故间接性证据的使用也将是认定自主类算法共谋的主要方法。 例如，有外国学者提出，反垄断机构在调查过程中应更加重视一些特殊文件，包括任何阐明算法设计目标、记录算法行为的内部文档，任何表明开发人员修改算法以促进默认协调或可能提高算法与竞争对手协调的能力的文档、营销和促销材料。

目前可被有效利用的证据还包括环境证据、经济证据等。 环境证据是美国反托拉斯司法实践中发展出的新名词，它是指违反《谢尔曼法》的合并或共谋可以通过当事人之间的交易过程或其他环境条件等来证明。 比如前文判定标准部分所述两案中，美国最高联邦法院均是运用了环境证据来推断经营者之间存在共谋。 除此之外，经济证据、行为证据对自主类算法共谋的认定思路也颇具参考意义。 在自主类算法共谋的主观要件认定中，可结合算法设计者、改进者和使用者的行为及当时市场的经济条件进行判定，包括考察其对一致行为是否有合理的解释，对设计、改进或者使用的过程中是否具有反竞争目的等方面予以分析。

2. 建立有条件的法律推定制度

大数据时代，自主类算法共谋几乎无法被直接证明，因此有必要使用法律推定制度来对其进行认定。 韩国对不正当协同行为即采取法律推定的方法：两个以上企业在一定的交易领域做出实质上限制竞争的行为，而这种行为不存在任何约定进行共同行为的明示合意，则将这种情况推定为协同行为。 自主类算法共谋本质上属于垄断协议中的“协同行为”，在缺乏充足证据的情况下，通过综合考量各方因素依法推定经营者的行为属于共谋有利于及时发现此类反竞争行为并予以规制。 但此类推定应限制在合理范围内，即在某一市场环境下，共谋是经营者们实施相同行为的唯一合理理由。 例 如， 在 Compagine Royal Asturienne des Mines and Rheinzink v.Commission 案中，一家德国公司发现比利时公司经销其商品时存在欺诈行为而拒绝继续供应，另一家德国公司也拒绝供应。 欧共体委员会判定两家公司存在协同行为，但欧洲法院否定了这一裁决，认为二者的相同行为存在协同行为以外的合理解释，即比利时公司信誉太差，故推定二者存在协同行为是不合理的。

三、 算法监管的多元化体系构建

鉴于自主类算法共谋使整个市场秩序面临着潜在的系统性风险，监管机构绝不可放任其野蛮生长，但又由于现代市场对科技效率的要求，严令禁止也绝非长久之计。 要想从根本上维护市场秩序的稳定的同时推动市场技术的创新，还需构建一套完善的多元化规制体系，对自主类算法共谋进行全方位监管。

(一)反垄断委员会面向：合理的政策指南

根据我国《反垄断法》第九条，反垄断委员会主要负责组织、协调、指导反垄断工作。 具体职责主要包括研究拟订有关竞争政策、发布反垄断指南、协调反垄断执法工作等具有方针性的竞争政策。 依其职责，反垄断委员会在目前的竞争态势下，应当充分发挥其政策引导的职能，为市场参与相关方释放信号，提高经营者在使用自学习算法时的法律风险敏感度，从而发挥政策的引导作用。

首先，反垄断委员会应当制订相应自主类算法的开发准则。 为了防止自学习算法自动实施算法共谋，应当为算法的开发制定行业准则。 此方式适用于全部的算法共谋类型，而针对系统性风险较大的自主类算法共谋，还应加强反垄断指南层面的引导。 原因在于，自学习算法的出现，使系统性风险变得不可忽视。 例如，在金融市场上，2010 年的 Flash Crash 的算法失误导致美国公司股票市值在20 分钟内蒸发了6000 亿美元。 电商市场上，在2011 年亚马逊提供的自动定价算法允许图书零售商根据其他零售商的价格设定价格，这导致生物学教科书The Making of a Fly的售价进入了正反馈循环，两位零售商的定价根据对方的价格互相攀升，最终达至23，698，655.93 美元。 自学习算法对于数据的高度依赖性加之其高速的运算能力，使业务商们获得隐形的竞争优势。 行业中自主类算法共谋的不断扩大，必将损害其他竞争者以及消费者的利益。 故此，制订市场竞争中使用的自学习算法准则应当由反垄断委员会做出直接指导或授权。

在推进算法开发准则的同时，还应适当扩大自主类算法准则的适用对象。 有学者提出，行业准则针对的对象不仅包括程序员，还应包括所谓的“中介机构”，如以收集、汇总和评估数据为其主要业务模式，以协调用户群体之间的供求关系的多边数字平台。 数据的中介机构，算法的中间开发商，均属于自学习算法开发基础的重要提供者。 由于中介机构掌握更加丰富的信息，了解整个市场的动向，高效助力自学习算法的快速学习，因此，中介机构同样应当被纳入相应标准的规制对象范围。

其次，建立算法审计渠道，以便对算法进行提前审查，保留备案。 反垄断法应当为经营者设定一定的主动报告义务，在进入市场之前，经营者有责任向反垄断机关主动报告算法信息，说明他们使用的算法类型以及执行的任务类型。 为保障算法审计的顺利实施，可能需要开发算法认证系统以及为算法开发团队配备社会代表，以便对其进行较高程度的监督。 此举措不仅能够有效地提升经营者的可预测性，也便于反垄断执法机关提前获取高质量的信息，促进执法效率的提升。

最后，应当加强国际竞争执法的协调合作。 随着经济全球化进程日益加快，跨国公司的数量迅速增长，目前，已经有多国联合发布针对算法的年度竞争执法报告，并提出希望寻求各国反垄断机关精诚合作。 国际执法合作的希望之光来自巴西经济调节管理委员会(CADE)，其期望加强对北美机构和欧共体正在讨论的各种竞争问题的执法，包括大数据的挑战。 例如，CADE 最近的调查介入 Booking 和 Expedia 等在线酒店预订平台，并对谷歌在巴西搜索市场的做法进行了三项独立调查，凸显了其为与国际竞争管理机构调查时限相一致而付出的努力。

(二)反垄断执法机关面向：具体案件的调查方案

传统的反垄断调查工具难以适用于具有“黑匣子”性质的自学习算法，即便能够调取相应经营者的数据，庞大的数据量以及输出决策的内部隐蔽性也让反垄断机关无计可施。针对隐蔽的“算法黑箱”，以下重点介绍两种破解方式，既能帮助反垄断执法机关减轻调查压力，又有助提升调查结果的精准度，以确保反垄断执法机关的权威性。

1. 外部输出推断

外部输出推断主要指通过观察自学习算法的外部行为，进行“违法症状”的统计收集，从而判定是否形成算法共谋。此种方法的主要优点是其避免尝试打开复杂的算法黑箱，并专注于观察和解释相关经营者的行为。 有学者提出，直接监视违反反托拉斯法的“症状”具有可操作性。 外部的一些“症状”使人们能够明确地推断出共谋行为，这被称为“加成因素”。 例如，无法解释的价格上涨或其他类型的价格异常已被认为是加成因素。 同样，当价格相对较高或上涨且经营者产能过剩时，稳定的市场份额和缺乏客户流失也表明竞争对手存在串通行为。 例如，在一个依靠销售代表的行业中，要实施共谋，经营者需要将代表的激励从“销售量先于价格”更改为“价格先于销售量”。 这种激励性变化被标记为超级加成因子，超级加成因子一经认定，则此经营者将会被合理怀疑具有共谋的倾向。 外部输出推断通过量化信息，更为直观准确地展现了共谋的倾向性，便于对自主类共谋行为进行调查与判定。

2. 内部算法破解

内部算法破解顾名思义，即无须避过隐蔽性问题，直接对算法黑箱进行有效破解。 换言之，其尝试将“算法黑箱”变成“算法白箱”，主要措施包含强制披露并检测企业源代码以及通过语言处理技术解释算法决策等。 反垄断执法机构可以酌情要求经营者披露算法源代码，进行反向检测并制定算法“黑名单”。 针对高度智能化的自学习算法，其虽可以有效地进行迭代学习，但根据其源代码仍旧可以检测出是否具有共谋倾向。 有学者提出了明确的禁止原则，如果它以竞争对手过去的价格为价格限制条件，则需禁止此种定价算法。 算法可以被允许设置任何价格，但当算法基于对手的过去价格对其进行奖励和惩罚时，此种算法就应当被纳入禁止的范围。

反垄断执法机构可通过语言处理技术解释算法决策。国外某公司开发了一种具有“检测通信中的意图与企业情绪”的技术。 这种技术可应用于监视竞争对手之间的通信，帮助检测并最终制止串通行为。 这依托于RegTech(监管技术)行业的成功。 目前，有几家RegTech 公司提供基于自然语言处理(NLP)和自然语言理解(NLU)的AI 技术，这些技术可以捕获并理解语音和文字通信。 这种语言处理技术在自主类算法共谋中显得格外重要，在许多备受瞩目的国际反垄断案件中，由于“通信”在调查中起着关键作用，因此反垄断执法机关常常需通过收集大量证据证明竞争对手的“通信”行为，从而对共谋行为进行判定。 利用NLP 和NLU 领域的AI 技术，算法能够以经济高效的方式实时标记有问题的通信，从而有效助力反垄断执法。 需要注意，由于破解算法内部决策的工作技术性较强，因此，反垄断机关也应当做好对应技术领域的人才储备工作。 例如，可以考虑仿照英国和澳大利亚建立专门的技术部门，其主要从事技术性研究工作，尤其是对算法的默认勾结和自动人工勾结进行仿制与破解。

(三)参与主体的义务面向：共谋责任的分配与归属

如前所述，自学习算法的决策结果缺乏直接的可解释性。 其独立自主做出的商业决策对市场自由竞争造成损害时，反垄断执法机关难以从中窥得人类的共谋意图与行动，共谋的追责主体因此难以确定，更有人试图探寻算法的承担能力。 此前文章已充分讨论三种可能的责任分配方式，即归属于机器人本身，部署它的人，或者无人承担。 不追究任何人的责任，或是归责于不具有人类的道德感的算法，都会产生一个相同的结果——开辟算法使用者、开发者、受益者们借助算法逃避共谋责任的避风港。 两种选择都使得责任归属的威慑功能定位落空，法律的目的性价值最终无法实现，因而并非现实的选择。 责任承担仍应归位于可能的自然人或单位。

学界在进一步的责任分配问题上争议颇多，即软件开发商、使用算法的经营者等相关主体应当在何种程度上承担责任。 首先，多数学者认为，经营者应对其算法实施的行为承担严格责任。 在德法竞争部门关于算法的联合报告中，法国竞争委员会主席Isabel 坚持认为，即使算法是由第三方提供，经营者也应对其行为负责，并认为经营者应该严格掌握其算法的运行机制。 无独有偶，Vestager 委员也认为经营者不能藏在电脑程序背后，逃避共谋的责任。 但报告中也有部分学者认为只有当经营者违反了合理的谨慎原则和可预见性标准时，才应对自己的算法承担责任。 其次，对于开发者，报告中的多数学者认为应当免除责任，而欧盟反垄断委员会则主张对软件开发商施加较高的责任与惩罚。 它呼吁制定追究软件开发商责任的具体规则，因其开发算法定价软件的行为增加了市场中的共谋活动，并表示较高程度的责任将首先阻止软件开发商在算法中埋藏共谋隐患。

不能苛以软件开发商过高的义务，但也不能完全免除其责任。 仅因其提供算法的行为就施加较高程度的注意义务与责任，有违比例原则，也不利于技术的创新与经济发展。然而经济学实验证明，竞争对手采用同样或相似算法时较可能达成共谋。 因此，提供相同算法的行为作为引发共谋的契机，一定情况下可能会被追究责任。 在两种情况下，软件开发商具有明显的过错，一是在于其设计的算法本身未通过算法设计合规的审查，代码设置存在共谋隐患；二是在于未尽到对经营者的一般告知义务，如未告知经营者使用算法可能产生的后果。 软件开发商在上述情况中理应承担必要的法律责任。

经营者责任是规制的重中之重。 首先，借助间接证据能证明存在前述“协议”时，经营者无疑需要承担责任。 且类似于一般算法共谋，存在不同的获益主体和控制主体时究竟需要按份承担责任还是连带承担责任，主要取决于各方排除限制竞争的意图。 其次，当自学习算法独立自主达成共谋，经营者根本不具有共谋意图时，经营者也应当对算法的决策行为承担责任。

根据算法雇员理论，算法可以被类比成经营者的员工，而员工代理行为的后果便是由其所在的经营者承担。 在实践中，欧盟的判例法和欧盟委员会《关于将第101 条适用于横向协定的准则的回函》就规定，经营者应当对其员工的行为负责，除非存在员工实施的决策超出代理权限等例外情况。 在学理上，单一经济实体理论基于下列因素得出经营者应承担其员工行为责任的结论：一是员工不会在市场上产生与雇佣组织相分离的竞争力量，员工的一切经济行为都被认为是经营者的行为；二是经营者对于其员工具有很强的控制力，能够对其施加决定性影响，并决定员工行动的总体方针；三是该经营者从违反竞争法的行为中获益。 因此经营者需要对其雇员和受其控制的其他人的反竞争行为负责。 对比上述三项标准，算法与员工相似度极高，经营者应对算法行为负责。 首先，恰如经营者与员工之间的雇佣关系，算法是经营者的一部分。 算法执行的每个业务操作都被认为是经营者的行为，而不会产生独立于经营者的竞争力量。 其次，算法的根本目标是企业利润最大化，与员工一样在经营者总体方针指导下为其提供服务。 算法只执行经营者所予的某项政策，而不会违背经营者宗旨。 虽然算法有可能会独立实施侵权行为，但人类员工同样也有一定的自主性。 算法甚至因其“理性”而更容易控制，因为理性带来相对的可预测性，而人类可能会表现出非理性的情绪，并背离政策法规。 简言之，算法较之人类具有更高的可控性。 最后，算法共谋行为所产生的收益归经营者所有，员工同样为经营者创造价值。因而两者在反垄断责任方面具有可比性，算法应当被认为是经营者这个经济实体的一部分，满足三项要求的经营者需要对此承担严格责任。

四、 结语

随着人工智能技术的不断发展，自学习算法在数据驱动型市场中发挥的作用日趋重要，对市场竞争方式产生了深刻影响。 人工智能技术支持下的自学习算法因其高度智能化和隐蔽性的特征，通过分析海量数据，重复迭代学习，极大地增强了算法共谋的查处难度。 由此，我国反垄断界需重新审视自主类算法共谋的认定标准，通过构建针对不同面向的多元化规制体系以减轻共谋的危害。 与此同时，中国反垄断法学界与实务部门也应保持精诚合作，完善大数据时代针对算法共谋行为的反垄断理论体系与法律框架，围绕新兴技术和竞争理念进一步探索数字经济下的中国方案，赢得数字革命时代变革的领先契机。