人工智能时代下算法共谋的反垄断法规制
曾 雄[32]
Antitrust Regulation of Algorithms Collusions in Artificial Intelligent Age
第四次工业革命正如火如荼地进行着，它以前所未有的快速度和广范围向我们席卷而来，将深刻改变我们的经济和社会。人们正大力研发和推广大数据、人工智能、区块链、量子计算等前沿技术，这些创新技术的运用也对我们现有的法律制度带来挑战，其中包括对反垄断法的挑战。本文围绕人工智能时代中大数据与算法相结合的商业运用模式，探讨企业通过算法达成共谋的可能性和由此可能对反垄断执法带来的挑战。大数据、算法和人工智能的运用能为企业实现共谋提供更加便利的条件，而且企业达成和实施共谋可以更加隐秘，这给执法机构发现和证明共谋带来困难，特别是机器学习的运用，会给执法机构认定和追究行为主体的责任带来挑战。面对新型行业的快速发展，反垄断法不应该缺位，对具体行业的执法应该结合行业背景，加深对行业技术的了解，以实现保护竞争与鼓励创新之间的平衡。
一、人工智能时代下算法带来的效率
算法是一个明确定义好的计算过程，将一些值输入会产生另外一些值作为输出，简单而言，算法就是将输入转为输出的一些计算步骤。人工智能（Artificial Intelli-gence, AI）最早由John McCarthy于1956年提出，他将AI定义为“制造智能机器的科学和工程”。随着算法的发展，AI逐渐成为让机器学习（Machine Learning）的有效的工具。
机器学习是指以算法从数据中实现迭代学习让机器变得更智能，机器学习能使计算机有能力在没有明确的程序时进行学习。根据学习模式，可以将机器学习分为三类：监督学习、非监督学习以及加强学习。深度学习是机器学习的一个亚领域，它能使计算机学会使用复杂的软件，尝试复制人类神经元的活动，并创造一种人造神经元网络，深度学习能使计算机学习得更快、更精准。
算法的商业运用比较广泛，如用于预测分析，包括预测需求变化、价格变化、客户喜好变化等，还可用于评估风险，让企业有效安排生产运营，为用户提供更便捷、更创新的产品或服务。
1.算法提高供给侧的效率
通过算法定价能实现价格的持续调整，实现动态定价，以优化价格。随着企业收集越来越多的用户数据，企业可以通过定价算法借助大数据设定出最优价格，让价格越来越动态化、差异化和定制化。与传统的定价模式相比，算法定价基于大数据能使企业在瞬息万变的市场环境中对价格进行快速调整，而这有助于提高市场效率。因为企业可以对竞争对手的定价、产量限制或市场需求波动迅速反应，这种动态定价不仅可以减少超量供应或供应不足的情形，还可以在竞争环境下保证消费者与企业之间实现互利交易。
2.算法提高需求侧的效率
算法可以用来比价商品价格和质量，也可以用来预测市场发展趋势。消费者通过算法可以迅速作出采购决策，降低搜索成本，增强买方力量，进而作出更加理性的消费选择。由于消费者可以通过算法对大批量的不同的产品或服务实现对比，能一定程度上抵消过分的市场营销的影响，让消费者找到真正合适的商品，同时这对供给侧的企业而言也增加了竞争压力，让企业更多地投入到商品质量上而非营销广告上。
二、人工智能时代下可能产生的算法共谋
算法可以让企业从数字经济中挖掘价值，提升市场运行效率，促进竞争以及推动创新。不过，企业还可能利用算法来实施反竞争行为，如从事算法共谋（algorithmic col-lusion）。面对算法可能产生的共谋，解决之道不在于禁止算法，而在于识别出算法在运用过程中可能的风险点，并找到适当的解决方案。
共谋指两个或多个企业彼此协调以抑制彼此之间的竞争，一个成功的共谋可以提高产品价格和增加生产者的利润。[33]达成共谋协议是企业联合起来实现利润最大化的策略，但是这种策略损害消费者福利。
为了实现和维系共谋，竞争者之间需要彼此协调，其中包括：（1）达成一致的策略；（2）监督彼此对策略的共同遵守；（3）为了执行共同的策略，需要惩罚任何企业的偏离行为。经济学上将共谋分为：公开共谋（explicit collusion）和默契共谋（tacit collu-sion）。公开共谋指企业通过明确公开的协议来维系的共谋，方式包括口头或书面。达成公开共谋的直接方式是彼此之间直接互动，并就最优的价格或产量水平达成一致。默契共谋指企业不需要明确公开的协议来维系的共谋，而通过识别竞争者彼此的相互依赖性来维系。[34]默契共谋容易出现于集中度和透明度都较高的市场中，在整个市场中仅有几个参与者，这些企业可以从联合行动中获得超额收益，而且不用进行明示的沟通或交流。
在反垄断法中，认定共谋需要有证据证明企业存在直接或间接的联系，以说明企业彼此间不是独立行动，即存在有意识的交流（meeting of the minds）。在高度透明的市场中，仅有几个卖家而且产品同质，超过竞争水平的定价策略可能是由各个企业各自作出理性选择的结果，企业之间并没有达成一致意识表示，因此，有意识的一致行动（conscious parallelism）并不总是受反垄断法规制，但结果却是让企业能降低产量或提高价格，从而损害消费者。
共谋与有意识的平行行为之间有灰色地带，特别是在寡头市场（oligopolistic mar-kets）中，竞争者容易就价格进行协调，从而增加共谋的可能性。寡头之间通过便利行为（facilitating practice），使彼此的协调更容易和更有效，因为它们能及时发现彼此的欺骗行为，并对任何偏离行为施加惩罚。如果有证据表明一致行为附加有其他因素，这些因素使得一致行为实际上不是单边行为的结果而是由彼此协调导致的，那么这种一致行为也将被视为共谋。附加因素包括如市场集中度、市场壁垒、合理的抗辩理由等，比如在CRAM和Rheinzink v.Commission案中，欧洲法院认为CRAM和Rheinzink两家公司联合拒绝交易的行为存在“一致行动以外的合理解释”，由于Schlitz公司的信用太差，因此两家公司都拒绝供应，该案中的行为相应就不构成一致行动。[35]
竞争者之间的共谋具有不稳定性，面临背离和惩罚的问题，有学者提出，共谋持续存在需满足以下几个条件：（1）卡特尔的产品或服务必须构成一个进入壁垒很高的相关市场，从而不会有新的进入者来把卡特尔价格拉下来。（2）卡特尔成员必须占有该产品或服务的足够大的市场份额，因而卡特尔成员以外的现有竞争对手无法对卡特尔的决定产生削弱作用。此外，这些非成员必须是不能够，或者是不愿意将其产出迅速扩大。（3）卡特尔成员们必须能够就每个成员的产出达成协议，多数情况下，最重要的问题就是决定产出，而不是决定价格。（4）卡特尔必须能够发现其成员的欺骗行为。（5）如果发现了欺骗行为，卡特尔必须能够对这种行为进行有效惩罚。（6）卡特尔从事上述这些行为，必须能够不被外人发现。也就是说，完善的横向限制竞争协议最好是成员不多，而又能够拥有相关市场上100%的份额；所有成员的规模都一样，效率皆相同，生产相同的产品，便于协商统一的价格。如果相关的条件不满足，那么即使不用干预，这些卡特尔协议也会自动瓦解。[36]
从上述条件看，算法可以对其中多个条件产生影响，如通过算法更容易监测竞争者之间是否背离原先商定的价格水平或产品水平，从而更方便惩罚背离者。而且算法具有隐蔽性，若没有专业技术手段和大数据监测的支撑，很难发现企业之间的协调一致的行为，以算法达成共谋是极难被察觉的。
1.算法可以增加共谋的可能性
（1）算法可以突破企业数量的限制
企业数量是影响共谋的重要因素，如果市场集中度低，各个企业之间协调并不容易。如果企业数量少，特别是在寡头市场中，少数几个企业之间容易协调。但是算法和大数据的运用可以突破企业数量的限制，再加上网络时代的即时通讯工具的使用，大量企业可以迅速集合并达成统一意见，可以避免线下集会协调困难的问题。可以说，算法依靠大数据具备准确、快速、适时处理信息的能力，能让企业之间的协调、监督和实施惩罚更容易。
（2）算法可以突破市场透明度的限制
影响共谋的因素还包括市场透明度和企业互动的频率，市场透明度能让企业监督彼此的行动，探测出彼此间任何偏离协议的行为，而频繁的互动能让企业快速识别并惩罚任何偏离共同策略的“背叛者”。企业可以通过算法提升预测能力和优化决策，因而企业有动力收集、存储和分析市场信息，可以在不需要人为因素的影响下适时了解竞争对手的行动、消费者偏好以及市场环境的变化，这种增加市场透明度的做法可能便利于产生共谋。正如Ezrachi和Stucke所指出的，这种情况可能会鼓励企业分享数据，而且方便于企业通过算法机制获得同样的关键信息。[37]
增加的市场透明度能让企业可以通过算法及时作出预测，降低市场策略的不确定性。这与线下的商业环境不同，因为线下的价格调整是有成本的，而且耗费时间。线上市场的价格可以实现适时变更，特别是在机器学习和大数据技术的支持下，企业有能力准确预测竞争对手的行为，适时探测出任何的背离行为。
（3）算法可以扩张共谋的边界
在人工智能时代下，企业可以利用大数据观察和分析用户、竞争者的市场行为，特别是利用算法软件监督竞争者的定价，并迅速调整自己的价格，如今越来越多的平台使用自动定价算法或网络爬虫技术，在这种技术背景下，竞争者之间更容易相互观察和监督，并迅速对用户或竞争者的行为作出反应。如果企业自主决定监督并跟随竞争者的定价水平，该行为本身不违法。不过，在一些情形下，获得和分析竞争者的数据信息可能弱化竞争，如果企业认识到他们彼此之间的决定具有依赖性并充分利用这种依赖性的话。
而且，大数据也助于企业实施一些便利行为（facilitating practices），便利行为通常包括向竞争者流通价格清单、提前告知价格变更、采取类似的定价系统、最惠国待遇条款、定期参加相关会议等，这些行为有合法的商业目的，但也可以帮助竞争者更加有效地协调彼此的行为，从而导致反竞争效果。因此，便利行为可能促进竞争之间达成协议，甚至成为竞争者之间存在垄断协议的指征。算法和大数据可以扩张构成便利行为的范围，如向竞争者披露定价的算法，实际上属于向竞争者分发价格清单，再如通过网络平台传播定价信息，这些行为都可能导致更高的价格。
2.达成和实施共谋时扮演不同角色的算法机制
算法的一个风险在于扩张共谋的灰色地带，能让企业在不达成协议时维持高额收益。例如，在只有通过公开沟通才能有效执行的情况下，企业可以通过算法这种自动机制实现执行共同的策略，监督彼此的行为，而且不需要人为干预和影响，即意味着算法能使企业以默契共谋代替公开共谋。企业在具体操作中，可能存在以下几种算法机制[38]：
（1）监督对方的算法
算法作为共谋的促进因素之一在于监督竞争对手的行动以执行共谋协议，包括利用算法收集竞争对手的商业决策来筛选潜在的背离者，并迅速作出报复行动。收集数据是关键的一个步骤，一些价格对比网站能快速收集和对比竞争对手的价格信息，从而密切监督竞争对手的定价行为。因此，监督算法可以促进达成共谋协议，使得共谋更有效，并避免价格竞争。
（2）一致行为的算法
在高度动态的市场中，执行卡特尔会面临困难，因为需求和供给的持续变化需要不断调整价格、产量和其他交易条件。所以，企业必须通过见面会、电话会、电子邮件或第三方实现频繁沟通和协商。但是，如果企业可以彼此分享一致的动态定价算法，并设定相同的价格水平以避免竞争，那么企业就可以在不需要持续沟通的情况下根据市场变化自动协调价格。企业甚至可以采用更加隐秘的方式进行协调，如将算法编程、数据存储和分析的工作外包给IT公司或云计算企业，此时可能出现轴辐射卡特尔（hub and spoke）的情况，即竞争对手之间使用同样的IT公司或云服务（共享和传递信息的枢纽，即hub）来开发定价算法，并通过该算法设定价格。[39]此外，如果大多数企业都使用这种定价算法来跟进市场领先者的定价（tit for tat，即以牙还牙的策略），容易产生固定价格的效果。
（3）发出信号的算法
为避免公开的沟通，企业可能通过信息交换或单方的价格公示来达成共谋。通常，很难对发出信号的行为进行违法的认定，因为这种发出价格信息的行为可能促进竞争，也可能限制竞争。对于企业而言，发出信号是有成本的，如果一家企业调高价格并试图与竞争对手达成共谋，但是大多数企业没有收到该调高价格的信号或者故意不作出调价行动，那这家发出价格信号的企业可能面临损失。正因为存在这种风险，企业都会倾向于等待对方先发出信号。由于企业怠于发出信号，使得协调并不容易。通过算法，企业可以降低甚至完全排除发送信号的成本，从而可以靠算法设定自动反复的发送行动，竞争对手可以分析算法并读懂这种行动，此时便能实现协调。借助算法，企业可以快速和有效地完成商谈过程并达成一致策略。
（4）自我学习的算法
在机器学习和深度学习达到一定成熟度后，尽管企业之间彼此不了解对方的算法，也可能达成共谋，实现垄断的结果。如新一代的阿法狗元（AlphaGo Zero）从零开始，在没有任何历史棋谱的指引和人类任何先验知识的情况下，完全靠自我的强化学习，棋艺超过阿法狗，百战百胜。可见，在未来没有人为因素的情况下，企业仍可以通过算法获得预测能力，借助自我学习，为同一定价实现共谋。
1.算法共谋的案件
（1）欧盟法院审理的利用信息系统协调折扣率案
欧盟法院审理过旅行社通过共同的信息系统协调旅游产品折扣率的共谋协议的案件，在该案件中，一些旅行社利用在线旅游预定系统（E-TURAS）对旅游产品预定的折扣率水平进行协同，具体方式为系统管理员向旅行社发出标题为“关于在线预定旅游产品的折扣降低至0—3%”的信息，其后有8家旅行社在其网站打出“对在线预定旅游产品的折扣率为3%”的广告，因而这些旅行社涉嫌达成默契的共谋。执法机构认为，这些旅行社将E-TURAS作为协调彼此行动的工具：通过该系统，旅行社不需要直接接触就能对折扣上限达成一致意思。而且，这些旅行社没有反对折扣上限，这证明他们默契地同意该折扣限制的做法。
但是，欧盟法院审理后认为，要认定协同行为需要考虑多个因素，如企业的目的、市场行为的一致性等，即需要证明：其一，这些旅行社存在彼此协调行为，而且出现了后续一致的市场行为，且两种行为之间存在因果关系；其二，此案中系统管理员向旅行社发出限制折扣率的消息后，旅行社没有作出公开回应。如果这两个条件满足，则可推定这些旅行社有默示同意共同从事协同行为。不过，根据无罪推定的原则，不能仅凭系统发出消息这一行为就推定旅行社知悉该信息内容。[40]
（2）美国司法部查处的利用算法协调电商产品价格案
2015年4月，一位名为David Topkins的前电商高管被控从2013年9月至2014年1月，与其他招贴画销售商共谋，操纵亚马逊第三方市场上招贴画的价格。根据指控，Topkins开发了计算机算法以协调价格变动并就招贴画的价格和销售与其他卖家一起分享信息。美国司法部指出，这种行为违反了美国联邦《谢尔曼法案》，导致市场上的卖家以“共谋的、非竞争性的”价格销售招贴画。美国司法部反垄断部门的检察官表示：“我们不会容忍违反竞争原则的行为，无论这发生于烟雾缭绕的房间里，还是通过互联网上的复杂的价格计算方法。与线下实体市场类似，美国消费者有权获得自由公平的在线市场环境。”[41]
（3）美国法院审理的Uber涉嫌利用算法操作打车价格案
2015年12月16日，美国公民Spencer Meyer向Uber联合创始人Travis Kalanick提起反垄断民事诉讼，主张Kalanick以及那些利用Uber定价算法的司机之间达成合谋，限制了司机之间的价格竞争，损害了包括原告在内的Uber用户利益。此案后来因Uber提出动议要求提交仲裁，上诉法院同意了对该争议进行仲裁，目前该案处于仲裁程序。Kalanick设计的Uber“提价”（surge pricing）模型，让车费在用车需求的高峰时段涨到正常水平的10倍。原告认为，Uber司机存在“一致的合谋动机”，因为如果大家都使用Uber的定价算法，能带来超竞争水平的价格，而如果司机们各自独立定价，相当大的一部分司机不会遵循Uber的定价机制。而且，原告指出司机有很多机会见面并且执行这种非法的合谋。比如，当Kalanick以及公司决定在新的区域提供Uber App服务时，会与潜在的司机召开会议。被告则辩称，各司机同意Uber书面协议的相关条款，不能表明司机之间存在横向协议。被告认为，各个司机与Uber签订合同的决定是司机各自的独立行为，这不足以支持原告有关合谋的指控。被告还认为，对司机行为最“自然”的解释是，每个司机认为与Uber签订纵向协议是最有利于他们各自利益的。[42]
随着现代科技的发展，企业为实现共谋可采取的手段或工具变得多样化，但根据反垄断法的认定标准，共谋认定的核心问题仍然是是否存在共谋的动机和是否存在合意，因此，很多时候是事实的判断而非技术细节的认定。目前尚无法知晓最终可能的仲裁结果，不过，利用软件算法实现操纵价格的共谋这一新型的手段已经引起了广泛关注，相信未来算法共谋会成为执法机构关注的一个重点问题。
2.认定公开的算法共谋
上述几个案例都印证了企业可以通过现代信息工具从事协调定价，而且发现这种行为并不容易。算法可以为共谋创造有利条件：由于公开的共谋主要表现为有实际的意思联络，如果执法机构能找到企业之间有直接或间接的意识交流（如书面或口头的协议或决议），并以算法为工具进行信息交换，对这种公开的算法共谋的认定与传统的共谋的认定路径类似，即需要找到企业意思联络的证据，不管是通过企业自首获得还是通过突袭调查收到，都可认定公开的共谋。如上文介绍的Topkins案，Topkins用定价算法为工具收集、交换、讨论贴画的销售价格，目的是为监督合谋者共同遵守之前达成一致的定价协议，即Topkins与合谋者进行了交流和讨论（存在意思联络），并一致同意采用特定的定价算法来协调彼此的贴画价格。[43]美国司法部不仅发现Topkins用算法定价就认定其与合谋者协调定价，而且发现其与合谋者协商同意采用特定定价算法协调价格的证据，证明了其与合谋者之间存在合意。
3.认定默契的算法共谋
纯粹的相同或相似的市场行为不构成违法，只要不存在“协调行动的合意”这一构成要件，而可能仅是寡占企业在信息完全的情况下基于“寡占相互依赖性”（oligopolis-tic interdependence）所采取的一种有意识的平行行为（conscious parallelism）。[44]如在互联网电商领域，往往呈现出寡头竞争的格局，主要电商平台极易观察竞争对手的价格和数量决策，并迅速对自己的价格或销量进行调整，特别是可以设定自动定价系统，随时跟踪竞争者的定价策略。这种一致行动的实现并没有通过达成任何协议或进行任何事先的合意联络，可能都是各个平台自己基于经济理性作出的决策，但结果可能是使得价格高于竞争价格水平，企业获得了高额垄断利润。
在证据法上，平行行为还意味着没有直接证据表明企业之间形成了意思联络，要将平行行为认定为垄断协议，需通过足够的间接证据（环境证据）来推定当事人之间存在意思联络。[45]美国反托拉斯法的司法实践中发展出了通过特定间接证据推定意思联络的规则，即“平行行为+附加要素（plus factors）”规则，通过其他附加的事实要素与之共同形成特定的事实组合，推定以意思联络为核心的共谋的存在。从美国的相关司法实践看，依据间接证据来认定共谋通常是以寡头的市场结构为前提的，因此，企业通过算法实现平行定价行为时，需要看市场环境，特别是市场结构和市场透明度，并通过间接证据、事实推定等方式进行灵活认定。
除了平行行为，诸如价格公示、信息交流等便利行为（facilitating practices）可能促成共谋，各国反垄断法都并不绝对禁止信息交换，而是适用合理分析原则，综合考虑市场结构、信息的性质、信息交换对价格的影响及造成的后果等因素来判断这种行为的正当性。在人工智能和大数据背景下，信息交换很容易，也很便捷，需要特别关注此类便利行为。综合来看，算法或信息系统是工具，评估算法共谋应该始终结合企业的主观意识和对竞争的效果来评估。
三、算法共谋的反垄断执法挑战
2015年7月，德国大众汽车制造厂发生“机器人杀人”事件。2016年2月，Google无人驾驶汽车在美国加州山景城测试时，与一辆公交大巴发生碰擦。这些与人工智能相关的责任事件发生，对人工智能产品是否承担法律责任带来了问题，如在无人驾驶汽车的案例中，是由汽车制造商、汽车使用者，还是由汽车的控制系统设计者来负责交通事故呢？
算法共谋也面临此类责任分配的困境，有三种选择：其一，由机器承担责任；其二，由设计或部署该机器的企业（或人员）来承担；其三，谁都不承担责任。欧盟法院在E-TURAS案中指出，要认定协同行为需要结合其他一些因素，如企业的目的。对此，判断算法共谋的责任承担时，应结合企业的主观意图。考虑到算法都是人设计的，因此人对算法作出的决定应承担相应的责任；算法和机器是人的工具，产生的后果应该由人来承担。欧盟竞争委员Vestager在一次演讲中也提到“智能系统带来的挑战是现实的，如果智能系统能让企业实现固定价格，使得我们的经济不再有效率，作为竞争执法者需要澄清的是，这些企业无法逃避共谋的责任，尽管他们隐藏在计算机程序的背后”。[46]
然而，随着人工智能的深入发展，特别是深度学习的运用，算法与人之间的联系越来越弱，当人工智能发展到更高阶段具备高度的自主性且不需要人的干预时，如何判断算法的责任呢？Ezrachi和Stucke提出：一方面可以从哪些人可以从算法中获益来判断，如评估算法的获益结构；另一方面可以从人对算法的控制程度来判断。此外，设计和使用算法过程中，是否有损害消费者的意图也是判断的一个重要方面。[47]当算法的设计人员、使用人员以及从算法中获益的人员不同时，这些人员之间责任如何进一步分配值得探讨，但这有赖于真实案例的实证分析。
目前，尚不清楚如何监管以防止机器学习算法自动达成共谋，考虑到机器学习算法难以监测，而且数字经济市场快速变化，监管总是滞后的。尽管如此，欧洲竞争执法机构一直探讨对算法的干预，如提出算法的透明度和可追责要求等。比如对谷歌是否优待自己的购物产品发动反垄断调查，实际上也在调查谷歌的搜索算法。欧洲的一个趋势是要求算法变得透明，而且要求算法具有可追责性，即需要为违法行为承担责任。欧盟和德国竞争执法机构的负责人都在演讲中提到算法的义务，即需要遵守数据保护和反垄断法，号称“合规设计”。在保证算法透明时，一种可行的方式是执法机构通过反向工程算法的形式了解算法背后的决策过程。不过，要求算法透明和具有可追责性是一个挑战，重要原因在于绝大部分的算法被视为商业秘密，算法并不透明，执法机构没有充分的信息评估算法是否合规，算法的效果也无法准确评估。
为应对算法共谋，执法机构可以重点关注那些容易被算法影响的市场因素，如市场结构、市场透明度、实际竞争效果等。从这个角度出发，执法机构可以尝试采取相关措施使得共谋变得不稳定，如降低市场透明度，特别是对公开在网站上的信息进行一定程度的限制，但是这种措施可能会限制消费者获得信息的充分度，而且会干预快速变化的市场价格。另外，若要采取更加激进的措施就是实现对算法设计的监管，如果算法的目的在于阻止企业协调价格，可以尝试禁止算法就市场特定变量作出反应。不过，这种监管方式会影响企业开发创新的动力，而且监管者需承担较高的监管成本。
四、结论
大数据和算法不会改变共谋的核心要素，算法是执行和管理共谋的有力工具，其本身不构成一种新的违法行为，至少从目前的技术发展水平看算法共谋尚不会突破反垄断法基本分析框架和原则。大数据和算法的运用，无法预知企业会在多大程度上形成共谋，这都需要个案分析，依赖于特定的环境要素作出判断。在人工智能背景下，企业应该警惕保证新技术的使用不会导致反竞争的行为，即在这些工具被设计和使用过程中保证其合规，否则会引致反垄断的介入。
未来科技的发展日新月异，新技术带来的影响是模糊的，但这不应成为政策制定者和执法者监管滞后的理由，尝试去探寻收益与成本、竞争与创新的边界是一种有效途径。反垄断法也不是滞后的，在新技术面前，反垄断执法需要充分识别新技术带来的风险，以实现保护竞争、效率和创新的目标。
（责任编辑：徐美玲）