专题链接——人工智能技术中的法律问题
如何从反垄断法角度审视人工智能
韩 伟[2]
How to Look at Artificial Intelligence from A Perspective of Antitrust Law
随着云计算、大数据、移动互联、物联网等技术的融合发展，人类经济、社会正面临着一场深刻的变化。技术革新之所以能给法律规则带来实质性影响，主要是因为它会导致法律规则发生作用的社会关系产生变化。对反垄断法而言，由于技术革新会催生新的商业模式，改变产业格局以及企业微观竞争行为的表现形式，所以维护自由竞争的反垄断法受技术革新的影响非常明显，反垄断法的适用也面临挑战。针对影响市场发展的重大技术革新，国际竞争法理论与实务界近十年先后经历了云计算反垄断问题、大数据反垄断问题以及算法反垄断问题三个研究阶段。三个技术维度也正是把握人工智能的有效切入点，即人工智能很大程度上体现为云计算（算力）、大数据（运算资源）与算法的集成，前述三个研究阶段基本符合人工智能的几大支撑技术及其商用的发展路径。因此，如果要从反垄断法的角度审视人工智能问题，我们便可以遵循近年国际学界的研究路径，从云计算、大数据与算法三大方面分解审视人工智能反垄断法律问题。反垄断法是负面清单规则，以排除、限制竞争行为为规范目标。反垄断法角度审视人工智能，关注的并非技术意义上的人工智能，而是人工智能相关商业模式与市场行为，与人工智能的商用直接关联的云计算、大数据以及算法等因素需要纳入具体的排除、限制竞争行为，才能融入反垄断法的分析框架。下文基于近年国际竞争法学界对云计算、大数据以及算法问题的研究，简要梳理人工智能相关的主要反垄断法问题。整体而言，较之云计算反垄断问题的研究，大数据与算法反垄断问题的研究更为繁荣，特别是大数据反垄断问题近年呈现出理论与实务界（包括全球主要反垄断司法辖区执法部门）集体推动的局面。
一、云计算反垄断问题
云计算服务是由云计算服务提供商提供的大规模计算服务的集合，云计算服务可涉及数据存储、管理服务以及提供软件服务。云计算服务以多种方式和规模出现，早期主要包含“基础设施即服务”（IaaS）、“平台即服务”（PaaS）、“软件即服务”（SaaS）三种服务模式。[3]近年随着市场的发展，特别是大数据、人工智能相关商业模式的发展，云计算服务模式得以拓展，比如“数据即服务”（DaaS）以及“智能分析即服务”（AaaS）这类新型服务模式也开始出现。从云计算服务的发展趋势看，人工智能可以通过云计算服务的方式体现（中小企业可以租用公有云或混合云获得人工智能服务，大企业则拥有自身的私有云），而大型云计算服务企业则融合了算力、数据与算法。此外，数字经济环境下的平台问题，很大程度上也可以理解为云计算平台问题，平台相关反垄断问题也可以从云计算的角度展开。国际学界最早对云计算法律问题展开系统研究的是英国伦敦大学玛丽女王学院，该校于2009年10月便立项（QMUL Cloud Legal Pro-ject）展开云计算法律问题研究。[4]该项目除了针对云计算反垄断问题展开研究，还涉及云计算合同、云计算标准、网络安全、消费者保护、数据产权、物联网等问题。该项目由Christopher Millard教授牵头，2013年项目成果以专著形式出版。[5]大致来看，前些年国际上有关云计算反垄断问题的研究中，云计算服务的互操作性以及数据可迁移性问题是主要关注点。
互操作性问题并非云计算服务相关的新问题，只是该问题在云计算服务中会变得更为突出。以欧盟为例，互操作性问题在欧盟竞争法领域已经被广为关注。比如欧委会在Intel/McAfee案中，便附加了互操作性方面的限制性条件。该交易导致的竞争关注包括，交易后安全软件市场的竞争可能受到损害，这主要是因为交易后Intel可能将McAfee的安全软件嵌入到其芯片产品中出售，让合并后企业的产品与竞争对手的产品之间互操作性不足。执法部门担心交易后McAfee的安全解决方案与Intel的竞争对手的产品不兼容。最终当事人的承诺包括：Intel承诺确保其使用说明、互操作性、最优化信息等，经第三方买主请求可以基于许可或其他适当的合同条款获得。交易方还承诺确保其他竞争对手的软件可以有效在其芯片产品上运行。[6]该案的决定对于云计算服务具有参考意义，云计算服务商也可能有目的地去为互操作性创造障碍，将其作为一种策略去创造市场进入障碍，将竞争对手排挤出市场。以IaaS服务为例，云计算服务商可限制不同IaaS服务的互操作性。例如，亚马逊曾限制其用户在其他服务商的IaaS服务中使用亚马逊图形映像界面管理应用。IaaS市场中的这种锁定行为损害了用户的选择自由，这是存在于IaaS层级中的最主要的限制竞争问题。无论是价格战还是限制互操作性，基于云计算的网络效应，云计算服务商的诱因多为获取并锁定用户，以此增加用户规模，从而提升云服务的价值，以取得市场支配地位。再比如SaaS服务，作为SaaS的云计算服务，主要指的是针对终端用户的功能性应用，与企业用户、个人用户的利益息息相关。网络效应在SaaS服务中的表现也很突出。由于用户规模决定了软件的市场价值，SaaS服务提供商具有实施用户锁定行为的动机。SaaS服务提供商通过制造应用和数据的迁移障碍，限制不同SaaS服务之间的互操作性以及PaaS和SaaS服务之间的互操作性，将用户锁定在自己的服务中。[7]
维系云计算服务自由竞争机制的另一重要问题是：个人与企业客户是否能在不同的云计算服务提供商之间拥有真正的选择权，客户是否会被特定的服务商给“锁定”。一旦某个客户主要依赖于一个云计算服务供应商，则可能基于数据格式或软件等原因而无法将其数据或应用程序转移到其他云计算服务供应商那里。数据可迁移性问题，一定程度决定着云计算行业是否会发展为2—3家企业拥有支配地位的行业，也一定程度上决定着是否在该行业，基于开放的标准能够实现“云的网络”，或者少数企业基于各自的特定软件运营着不同的云计算服务。从一项云计算服务迁移到另一项云计算服务，客户可能由于一项与云服务提供商签订的协议而受限，或者由于技术不兼容而变得困难。如果一个服务商在其格式合同中包括限制客户的条款，如限制迁移、复制或者撤销数据，这将导致反垄断法与消费者权益保护法相关问题。这类限制条款如果不是提供服务所必需，且导致市场进入障碍，损害竞争，或者损害消费者，则可能被视为违反反垄断法。便利数据以及应用程序的可迁移性，可以降低锁定效应，要求竞争者针对既存的客户展开竞争，为提升他们的客户基础而不断竞争。[8]
二、大数据反垄断问题
近年美国、法国、德国、荷兰、日本等国家的竞争执法部门以及OECD、CERRE[9]等国际组织和研究机构也开始针对数据竞争问题展开调研，发布了系列研究报告。国际学界相关研究近年也非常活跃，关注点包括大数据对企业市场力量的影响[10]以及具体反竞争行为等方面，学术专著也已出现。[11]
目前对“数据”并没有一个明确的定义。狭义上看，数据通常是指科学实验或测量的结果；广义上讲，数据则通常指的是信息，或者通常是存储在计算机中的信息的表现。在目前反垄断和数字经济领域对数据的争论中，讨论的不仅仅是“数据”，更多的是“大数据”，这同样是一个缺乏统一界定的概念。那些常常被提到的“大数据”是来自不同领域的大量的不同类型的数据，它需要新的、更强大的处理器和算法进行高速处理和分析。随着近年大数据技术在商业领域的普遍适用，Gartner“新兴技术成熟度曲线”报告从2015年开始不再使用“大数据”一词。荷兰经济事务部2017年6月发布的《大数据与竞争》调研报告则指出，由于并不存在正式的定义能够将“数据”与“大数据”区分开，因此原则上来看，分析“数据”和“大数据”使用案例时并不存在什么区别。所以，就特定案例而言，没有必要考虑相关数据到底是不是大数据。该报告认为大数据是数据在体量、产生速度以及类型多元化等不同方面发展的互动交融的体现，大数据也是最新计算机技术以及有效处理与分析数据的能力的体现。尽管大数据与规模经济和范围经济更为相关，但报告并不认为“大数据”与“数据”有本质的区分。[12]
日本公正交易委员会2017年6月发布的《数据与竞争政策》调研报告则指出，在机器学习等人工智能技术进步的推动下，目前已经可以实现在没有人为设定的情况下机器自动进行主体关联性的识别。比如，机器学习可以处理大量人力无法处理的文本数据，并对其进行信息分类、关联识别。据此，并不需要人类过多参与，就可以实现较为准确的信息匹配。搜索引擎和电子商务的推荐化功能就是该技术的商业应用。这种模式具有网络效应，比如在数字平台上，产品或服务性能的改进吸引越来越多的消费者使用该产品或服务，形成良性循环：数据整合、改进性能、进一步的数据整合，以及进一步的性能改进。日本报告还重点指出，深度学习的发展受到关注。深度学习技术通过学习大量高质量的数据，已经可以实现对图像和声音数据的精确识别和分析，这可以进一步提升产品性能。过去，通过机器学习改进产品性能仅限于互联网产品，未来会基于对物体或声音的识别而扩大到物理世界产品。基于大量数据的深度学习得到的习得模型（learned models）将决定与“视听”感官相关产品的性能，比如疾病诊断的精确度。报告认为，上述外在环境方面的变化表明，由于物联网等技术的发展，产生、收集和整合大量数据变得愈加容易，而人工智能相关技术的发展则进一步推动这些数据在商业上的准确适用，并不断扩大其使用范围。此外，商业模式也在发生巨大转变，比如很多行业呈现“制造业服务化”的趋势。鉴于此，有人认为，一些环境下市场会出现“数据之战”。[13]
由于数据（特别是用户个人数据）在商业中的地位日益重要，现在很多并购交易涉及数据整合，甚至一些并购交易启动的目的就是数据整合。2016年发生的微软（Mi-crosoft）收购领英（LinkedIn），便是引起全球高度关注的数据驱动型并购交易。从微软收购领英案来看，数据驱动型并购交易中，数据相关的原料封锁（input foreclosure）将是今后执法部门关注的焦点。该案中，针对“办公软件市场”，欧委会主要分析了涉及数据问题的原料封锁。市场调研期间，欧委会担心微软通过利用领英的完整数据进一步提升其在办公软件市场的支配地位。特别是，微软可以将其数据与日后可能成为适用于办公软件解决方案的机器学习（ML）的一种重要原料（input）的领英完整数据予以整合。基于此，欧委会担心交易后微软会限制那些竞争性办公软件解决方案企业获得针对机器学习的领英完整数据，从而使得其他办公软件解决方案供应商更难有效竞争以及更难进行创新。经过评估，最终欧委会认为，交易在办公软件解决方案市场不会出现原料封锁方面的竞争问题。微软收购领英案中，针对“客户关系管理软件解决方案市场”，欧委会重点分析了合并后微软能否通过以下两方面的途径去排挤竞争对手：（1）向客户关系管理软件的客户捆绑销售领英的智能销售解决方案；（2）拒绝微软的竞争对手访问领英的数据库，从而阻止竞争对手基于前述访问通过机器学习开发高级的客户关系管理功能。针对客户关系管理软件解决方案市场，欧委会也主要分析了涉及数据问题的原料封锁。在市场调研期间，有竞争性的客户关系管理软件运营商投诉，在不久的将来，领英的完整数据，包括但不限于通过Sales Navigator展示的数据，会成为实现客户关系管理软件解决方案某些高级功能所需的机器学习[14]的一种重要的原料。这一担忧主要由一家第三方企业提出，其认为交易后微软可以限制竞争性第三方获得客户关系管理软件解决方案所需的领英完整数据，从而让客户关系管理软件解决方案竞争对手更难参与竞争，也加大了市场创新的难度。欧委会评估了这一竞争关注，发现交易前，领英并没有将其完整数据或部分数据向第三方开放用于机器学习目的。这种环境下，上述竞争问题出现的前提是，即使交易不发生，领英也会将其完整数据对外开放。欧委会指出，首先，并不清楚即使交易不发生，领英是否会将数据向第三方开放。其次，如果领英没有动机将完整数据对外开放，而微软在合并后获得领英的这些数据且通过这些数据改进其客户关系管理软件解决方案，则该交易甚至可能带来促进竞争的效果。因为该交易可能导致新产品的出现或者改进市场上的既存产品，从而有利于消费者。因此，欧委会认为，并不确定在不久的将来领英的完整数据会成为一种重要的原料。[15]
前述日本报告也对企业通过并购实现数据整合这一趋势予以关注。依据该报告，对于并购申报，如果合并企业一方拥有大量的数据或者拥有收集数据的渠道，执法部门除了考虑数据的稀缺性和可替代性，还需要综合考虑的一点是，通过免费服务等方式收集的大量数据，可以在短期内基于算法去改善产品功能。这种情形下，应当确保网络效应作用下的基于对原始数据的收集与机器学习带来的产品功能改善的良性循环，不会导致在利用数据的产品市场中出现市场支配地位。[16]
数据反垄断另一个重点问题是拥有市场支配地位的企业对其保有的特定数据集，能否拒绝向第三方开放，拒绝行为是否构成反垄断法上的滥用市场支配地位，这一问题可能涉及反垄断法上的必需设施理论。必需设施理论的适用在全球一直存在争议，特定数据集能否构成必需设施也成为近年竞争法理论与实务界关注的前沿问题。该问题在实际案例中也已经被提出来，比如2017年美国发生的hiQ Labs（简称hiQ）与领英之间的数据争议案中。hiQ是一家为客户提供雇员评估服务的公司，其服务基础是对市场上公开获取的数据进行统计分析。hiQ的数据分析业务主要依托于微软旗下的职业社交网站领英的公开数据，过去数年也一直都在获取与使用领英网站上的公开用户数据。2017年5月，领英向hiQ发函，要求其停止非授权性数据抓取以及其他违反领英用户协议的行为，禁止hiQ继续获取领英用户的公开信息（该案中领英并未就其网站上用户档案信息主张财产性权利）。领英同时还通过系列技术手段，阻止hiQ的自动数据收集技术获取相关数据。领英认为，hiQ未获授权进入领英的计算机系统抓取相关信息，违反了《计算机欺诈与滥用法》（CFAA）。领英认为，hiQ的数据收集行为威胁了领英用户的隐私。领英指出，即使那些选择公开其档案信息的用户，仍保留控制其数据的使用与可见性方面的利益。尤其是，领英还指出，有些用户可能具有防止雇主或他人追踪其档案变更的利益。作为回应，hiQ针对领英的行为提起诉讼。hiQ认为领英的行为构成不正当商业行为，并提出普通法下的侵权与合同之诉，包括故意干涉合同以及违反“允诺禁反言”原则。此外，hiQ还认为领英的行为违反了美国加州宪法有关保护言论自由的规定。hiQ提出动议请求法院针对领英的行为作出临时禁令（preliminary injunction）。经过分析，法院最终同意了hiQ有关临时禁令的动议。2017年8月14日，美国加州北区联邦地方法院法官Edward M.Chen针对领英的行为颁布了临时禁令。该案中，hiQ认为，领英的行为从两个方面违反了美国反垄断法的精神：首先，领英不正当地将其在“职业社交网络服务市场”的市场力量“传导”到“数据分析市场”（data analytics market），使得领英滥用其在职业社交网络服务市场的支配地位，以获得在其他市场上不正当的竞争优势。其次，领英的行为违反了“必需设施原则”，该原则禁止具有垄断地位或试图垄断的企业拒绝将其控制的必要设施向其竞争对手开放。[17]
前述荷兰报告则指出，如果数据被视为某种损害理论的基础，则可以参考欧洲法院（ECJ）有关“必需设施”的认定标准。报告指出，必需设施理论的适用标准非常高，如果要求特定企业承担与竞争对手进行交易且共享其所掌握的数据的义务，至少需要满足以下几项条件：第一，数据对于下游商品而言是必不可少的；第二，上游与下游市场均不存在有效的竞争；第三，拒绝共享数据会妨碍副产品的产生；第四，并不存在拒绝共享数据的客观原因。[18]关于上述标准存在一个关键问题，即将其适用于数据驱动型市场是否合适，因为共享必需设施可能不利于创新发展。尽管在认定必需设施时确实会考虑各种因素，但是为维持有效竞争而要求拥有市场支配地位的企业承担必须交易的义务，有违合同自由原则，包括选择交易对象的自由以及处置自有财产的自由。因此，不论是竞争执法部门还是法院，为保护有效竞争，在处理涉及拥有市场支配地位企业的案件时，应当综合衡量各种利益。报告指出，正如欧洲法院在Bronner案中所澄清的，强制进行交易的义务可以在短期之内促进竞争，但长期来看，可能会减损竞争对手开发竞争性设施的积极性。另外，如果竞争对手很容易就可以获取所谓的必需设施，则拥有市场支配地位的企业投资必需设施的积极性也会受挫。因此，长远来看，允许拥有市场支配地位的企业独自保有其所研发的设施有利于竞争。值得注意的是，报告也指出，如果数据仅仅是副产品，而且企业可以通过机器以较低成本进行处理，则较之其他市场中的非数据资产的开放带来的负面影响，数据驱动型市场中的数据开放或者数据共享的负面影响可能相对较低。即便要求数据共享，企业仍可能具有充分的投资积极性。报告认为，这可能为一种主张提供支持，即相对于欧洲法院确立的必需设施认定标准，数据驱动型市场中认定数据作为必需设施的标准不需要那么严苛。[19]
此外，前述日本报告还指出，工业数据方面，在仪器运行数据等工业数据只由设备所有者之外的一方收集，且提供这些数据的前提是要求购买售后服务或者机器学习等基础技术的情况下，如果数据所有者不向竞争对手或设备所有者开放这些数据，有可能违反日本《反垄断法》。依据日本报告，与工业数据相关的竞争关注包括：一方面，第三方深度学习所需的稀缺数据，这类高价值数据的不合理收集现象，已经在发生。比如，在大企业与中小企业进行商业合作的情形下，启动一项附保密协议的联合研发项目后，作为合作协议的条件，大企业有时会要求中小企业将合作研发所得的数据和技术上的权利全部授权给自己，以此作为未来合作的前提。有时即使对方接受这类要求，商业合作也不会发生，合作仅成为获得数据的诱饵。另一方面，网络效应问题。大量数据收集和人工智能相关技术的使用可以不断改善产品功能，进而吸引更多的消费者，网络效应被放大，从而带来较强的规模经济和范围经济，这可能使得市场进入更加困难。此外，深度学习技术的改进和这些效应的作用可能会超越线上产品交易范围，线下的交易也会受到影响，这些问题都有必要受到反垄断执法机关的密切关注。[20]
三、算法反垄断问题
世界主要反垄断辖区的竞争执法部门近年发布的相关调研报告已经开始涉及算法问题，比如德国垄断委员会2015年发布的调研报告《竞争政策：数字市场的挑战》、美国联邦贸易委员会2015年发布的调研报告《大数据：包容工具抑或排除工具》以及法德竞争执法部门2016年联合发布的《竞争法与数据》调研报告[21]均一定程度上涉及算法问题。就理论界而言，以英国牛津大学的Ariel Ezrachi教授以及美国田纳西大学的Maurice E.Stucke教授为代表的少数学者，也已经开始对算法相关竞争法问题展开深入研究。[22]在竞争法国际协会（ASCOLA）2017年6月召开的第十二届年会上，与人工智能算法相关的竞争法问题，也成为与会者关注的焦点。[23]
算法在现代社会运用非常广泛，几乎在生活的各个方面影响着人们的行为。随着数字经济在全球的发展，越来越多的企业利用计算机算法去改善其定价模型、完善客户服务以及预测市场发展趋势。这种背景下，算法近年逐渐成为全球主要反垄断辖区关注的问题。2017年6月，OECD竞争委员会更是直接以“算法与合谋”（Algorithms and Collusion）为主题，组织各界围绕算法问题展开讨论。为确保该次论坛的顺利召开，OECD秘书处准备了一份翔实的背景报告，即《算法与合谋：数字时代的竞争政策》（Algorithms and Collusion：Competition Policy in the Digital Age）[24]，该报告结构清晰，报告分为七个部分：背景、算法的工作原理与应用、算法促进竞争的效果、算法合谋风险、算法给竞争执法带来的挑战、针对算法的市场管制以及结论，对相关法学与经济学研究成果进行了详尽梳理。比如，为了说明算法如何提升合谋的风险，该报告还重点分析了四种有利合谋实现的算法类型，其中一种被称为“自我学习算法”（Self-learning al-gorithms）。依据报告，算法能够实现合谋结果的最为复杂的方式便是利用机器学习和深度学习技术，基于这些技术，甚至不需要竞争者之间设置达成合谋的具体算法就可能达成合谋的结果。也即是说，存在一种风险，即一些算法具有很强的预测能力，通过持续学习以及对市场主体行为（可能是人类作出，也可能是人工智能作出）的反复适应，在不需要人类干涉的情况下就可能形成合谋。报告指出，机器学习算法如何实际达成合谋结果，这点其实迄今我们并不清楚。但一旦市场条件倾向于合谋，则算法可以比人类更快地进行学习，从而通过高速的反复试错最终达成合作性均衡。自我学习算法更容易确定合谋者之间的共同利润最大化价格，这可能最大程度地损害消费者利益。报告指出，博弈论中的一些研究已经分析了机器学习达成合作性结果的能力，比如Hingston与Kendall的相关研究。[25]报告指出，我们很难知道自我学习算法是否已经在数字市场中导致了合谋结果或者这类合谋发生时是否能被我们发现，因为机器学习导致的合谋结果只能通过效果去观察，而无法通过形式去判断，即所谓的“虚拟合谋”（virtual collusion）。如果企业再进一步，通过深度学习算法自动设置价格以及其他商业决策，合谋结果将更难通过传统的反垄断工具予以阻止。深度学习算法的具体工作过程是个“黑箱”，由于其处理原始数据的方式复杂、快速以及精确（类似人类大脑），我们无从知晓算法决策背后的相关细节。因此，基于深度学习技术，企业甚至在没有意识的情形下便有可能达成合谋，这带来的问题是，企业是否因其使用深度学习算法而承担相应的违法责任。
执法方面，算法相关的反垄断案例在欧美也已经出现。2017年2月，欧委会宣布对Asus、Denon&Marantz、Philips以及Pioneer涉嫌违反欧盟竞争法的行为展开调查。欧委会关注的问题之一是，这些企业可能限制了那些销售家用电器、笔记本电脑以及hi-fi产品的在线零售商自行定价的能力。欧委会认为，由于很多在线零售商都使用自动与市场上领头竞争对手的零售价格相适应的定价软件，这可能使得这些涉嫌违法的价格限制行为更为严重。[26]此外，美国Uber反垄断案也是涉及算法问题的典型案例。2015年12月16日，美国康涅狄格州的一名居民Spencer Meyer，代表他自己以及类似情况的乘客，在美国纽约南区联邦地区法院向Travis Kalanick（Uber联合创始人、前任CEO）提起反垄断民事集团诉讼，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，违反美国联邦《谢尔曼法》（Sherman Antritrust Act）以及纽约州《唐纳利法》（Donnelly Act）。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。被告于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，目前该案处于仲裁程序。就横向合谋而言（horizontal conspiracy），原告主张，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一项合谋。司机通过Uber应用收取车费，Uber应用则基于Uber的定价算法为所有的Uber司机设置车费。原告认为，Uber司机抛弃了司机之间本应存在的竞争。原告认为，由于Uber的定价算法可以产生超竞争水平的价格，这为Uber司机提供了“一致的合谋动机”。原告认为，Kalanick作为价格固定合谋的组织者以及同时作为一名Uber司机，应承担相应法律责任。原告主张，他以及所代表的集体已经受到被告垄断行为的损害。这是因为，如果Kalanick不协调Uber司机合谋固定车费，司机之间应该展开价格竞争，Uber的车费本应该比现在的价格“低得多”。原告还认为，Kalanick的设计降低了市场产出，正如独立第三方的研究显示，“提价”模型带来的影响是降低需求，从而使得价格人为地维持在高位。基于这些理由，原告认为Kalanick违反了美国联邦《谢尔曼法》以及纽约州《唐纳利法》。[27]
反垄断规则中，对于拥有市场支配地位的经营者，如果没有正当理由，对条件相同的交易相对人在交易价格等交易条件上实行差别待遇，可能构成滥用市场支配地位。价格歧视对市场竞争的影响大致有两方面：一方面是对行为人所处市场竞争的损害（一线竞争或横向竞争损害）；另一方面是对交易对手所处市场竞争的损害（二线竞争或纵向竞争损害）。算法相关的另一反垄断问题便是算法歧视问题。人工智能之所以作出有偏见的决定，可能源于系统固有的不透明性。一方面，算法从获得的数据中分析并寻找模式，得出的结论是开发者无法预测的；另一方面，输入算法中的数据可能存在偏见，因此导致算法得出有偏见的结论。传统环境下，价格歧视维系的条件主要涉及差异化定价以及有限的套利。随着数字经济的发展，特别是算法驱动型商业模式的不断出现，开始有学者讨论“完美价格歧视”（perfect price discrimination）问题。理论界所谓的价格歧视，互联网行业称为“价格最优化”（price optimization）或者“动态差异化定价”（dynamic differential pricing）。有研究指出，大数据、大分析（big analytics）有可能让在线卖家实施完美价格歧视（每个客户支付的价格都是其愿意支付的价格）。企业还可以利用大数据帮助其“自我学习定价算法”（self-learning price algorithms）去实施最优的歧视性广告与定价。随着各类专业数据分析公司（data broker）的发展，这类公司除了收集与个人兴趣以及线上、线下行为相关的数据，还可以提供分析服务。不过研究也指出，要实现完美价格歧视仍面临诸多问题：（1）有限数据。企业必须开发一种能够发现客户“保留价格”（reservation price）的算法，但企业仍面临客户相关数据不足的问题，特别是特定客户的数据。（2）预测性与非理性。定价算法需要巨量数据，需要确认所有影响个体“保留价格”的相关变量，但消费者的每次购买过程都存在差异，比如所处时间、地点、性别、年龄、教育背景、物品展示顺序、相对价格等。因此，基于不完备数据进行的预测不可避免具有假设性质。（3）样本规模有限。算法需要充足的样本确保其假设的稳健性。如果算法无法基于个体行为与环境因素测算出个体的“保留价格”，则算法无法实施完美价格歧视。[28]
目前的研究还涉及“近乎完美行为歧视”（almost perfect behavioral discrimination）。企业可以基于大量收集的个人数据，通过算法去确认影响个体购买产品的情绪（或倾向）。企业实施行为歧视，可以通过提升整体的消费量以及降低消费者剩余去提升企业利润。相关研究还梳理了可以帮助企业实施差别待遇，发现客户消费倾向的方法：（1）利用诱饵，比如在线网站就某种产品特定款型设置高价，通过价格悬殊让消费者更容易接受该类产品的主力款型价格，从而促进消费者对主力款型的购买；（2）价格操纵，比如网上对不同群体显示不同产品信息；（3）提升复杂性，比如提升产品在价格、质量参数等方面的复杂性，让消费者更难评估质量，进行产品比对；（4）水滴定价（drip pricing），比如网络交易过程中逐步向消费者公开需支付的更多费用；（5）不完美意志力，比如对更有耐心的客户提供折扣；（6）通过框架效应（framing effects）[29]降低可觉察的不公，比如通过提供折扣的方式实现价格歧视。[30]
综上，数字市场发展中出现的这些新现象都给反垄断执法提出了新问题，如何在既有反垄断法的歧视性滥用市场支配地位规则框架下对相关市场行为进行规范，是摆在全球各反垄断辖区面前的问题。
四、结语
我国数字经济发展非常迅猛，人工智能相关商业模式正在不断演化。反垄断法关注的是市场自由竞争机制的维系，数字经济的健康发展当然离不开有效的市场竞争机制。本文从云计算、大数据以及算法三个角度对人工智能相关反垄断问题进行了简要梳理。目前来看，尽管诸如特定数据集是否构成机器学习必需要素，算法合谋是否使得传统垄断协议定义失效，自我学习型算法导致的违法结果由谁承担等问题对反垄断法规制的适用提出了挑战，但传统反垄断分析框架应对数字市场的发展整体上来说仍然是有效的。我国目前在强调“包容审慎监管”，但值得注意的是，我们应该辩证地理解“包容审慎监管”。任何执法行为必须考虑过度干预导致的成本。但是，干预不足导致的成本也应该考虑。[31]随着相关技术的不断进步，商业模式的不断演化，云计算、大数据与算法问题日后会不断交叉，这需要理论界予以足够的关注。为应对技术革新带来的挑战，我国竞争执法部门需要适度的关注技术的发展，特别是那些对商业模式演化造成实质影响的技术发展。适当把握技术发展的现状，有助于执法部门对市场有更深入的理解，从而确保有效执法，维系创新与竞争的平衡。结合我国数字经济的发展，竞争执法部门也可以考虑适时启动相关市场调研，了解云计算、大数据以及算法等技术及其商业应用在我国发展情况，为今后的可能执法做好准备。
（责任编辑：徐美玲）