人工智能時代自主類算法共謀的規范監管

沈鴻藝，岳子祺，陳名芮，劉家熳，蔡俊亮

(華南理工大學，廣東 廣州510006)

一、 自主類算法共謀的源流及現實困境

大數據時代，算法由于能幫助經營者更迅速、有效地分析和處理各類海量數據，而被廣泛地應用于商業領域中。 早在2015 年，已有超過1/3 的亞馬遜商家使用定價算法制定價格。 然而，算法在提高經濟運行效率的同時，也為競爭者之間實現和維持價格共謀提供了更加隱蔽的技術手段。 2015年4 月，美國司法部首次依據《謝爾曼法》針對電子商務中利用算法的價格共謀行為，對托普金斯(Topkins)及其同謀利用特定算法交換價格信息并協調賣價，從而確保其所銷售的特定壁紙按價格高低顯示在亞馬遜網站搜索頁面最前端的行為提起重罪指控。 同年年底，優步(Uber)的用戶在美國某地區法院提起訴訟，指控優步聯合創始人與優步司機之間通過定價算法達成合謀，限制了司機之間的價格競爭。 相關案例的涌現引起了各國反壟斷機構的注意，算法共謀成為全球反壟斷領域的關注焦點。 其中，自主類算法共謀更是給反壟斷法領域帶來了諸多挑戰。

自主類算法共謀即自學習算法通過不斷學習和適應其他市場參與者的行為，在經營者未發出指令或做出其他干預行為的情況下自主達成的共謀。 區別于一般的定價算法，自學習算法(self-learning algorithms)是基于人工智能、機器學習技術實現高度智能化的算法，能分析和吸收市場中各種各樣的數據并做出歸納性推理，從中挖掘出潛在的信息，幫助決策者調整市場策略，減少風險，以保證企業利益的最大化。目前國際上的相關研究表明，自學習算法對達成共謀有促進作用。 一是隨著人工智能、機器學習等技術的發展，自學習算法的學習周期將不斷縮短，在面對日益復雜的市場環境時其能快速學習并迅速做出反應，降低偏離的風險，從而增加共謀的可能。 二是在企業效益最大化目標的驅動下，獨立決策的自學習算法更有可能選擇共謀。 當兩家企業均使用自學習算法時，博弈的主體便從經營者轉變為兩個勢均力敵的算法，其在博弈過程中，為尋找效益最高的方案會主動選擇相互依存的戰略，而不考慮法律風險。

自主類算法不僅具備一般共謀中算法的輔助功能，還能實現自主決策，以達成排除競爭、限制競爭的目的。 其所具有的高度智能化特征給反壟斷執法機關識別和規制共謀設置了難以逾越的障礙。 首先，自學習算法提高了市場透明度，使共謀更容易維持。 自學習算法結合了統計學、人工智能、可視化等技術，能對市場上各個渠道的數據進行分析，具有監控和快速改變價格的能力。 當共謀形成后，自學習算法能夠進行實時監控并建立即時的報復機制，迅速對偏離共謀的行為進行懲罰，從而限制破壞共謀所獲得的預期收益，減少參與者偏離共謀價格的動機。 執法機關難以察覺共謀行為的發生，從而陷入技術監管的困境。 其次，這種高度智能化的自學習算法有著極其隱蔽的決策過程。 自學習算法在達成和實施壟斷協議時，無須任何意思聯絡，其決策過程如“黑匣子”一般無法被探測和追蹤。 這增加了執法機關收集證據的難度，使其難以對共謀行為進行違法性認定和有效規制。 最后，自主類算法共謀突破了人類主導的規制框架。 自學習算法憑借其強大的學習能力，自主觀察、接收、反饋市場信號，并據預設邏輯得出決策結果，完全規避了經營者在市場競爭過程中的主導作用。 在脫離人的主觀設計的情況下，如何確定追責主體和主體之間的責任分配，將成為反壟斷執法機關的棘手問題。

近年來人工智能安全與倫理問題不斷涌現，全球新一輪人工智能政策部署的重點隨之轉向了創新與監管的再平衡。在人工智能算法被廣泛應用的商業領域，更應注重協同治理，實現人工智能與經濟社會的健康發展。 目前，盡管我國尚未出現自主類算法共謀的司法案例，但作為全球重要的數字市場，我國仍應警惕因自學習算法普遍適用而產生的系統性監管風險。 因此，為了維護市場競爭秩序及保護消費者利益，對自主類算法共謀進行有效規制十分必要。

二、 自主類算法共謀的違法性認定

自學習算法無須經營者之間達成特定協議即可自主形成共謀。 此種共謀由于擺脫了對于參與者之間協商與合作的依賴，故難以通過壟斷協議的概念將其納入反壟斷法規制的范圍內。 因此，為了能對其進行有效規制，可以通過拓展“協議”的內涵以明確自主類算法共謀的違法性認定標準。

(一)自主類算法共謀違法性認定的特殊性

自學習算法在達成共謀的過程中，經營者之間無須進行意思聯絡，僅依靠算法的實時監測和對定價戰略的迅速調整，便能夠自主保持一致。 這與默示共謀的特點十分符合，且較之更穩定、更隱蔽，達成目標的能力和協調行為的持續時間也更勝一籌。 其對于市場競爭秩序和消費者利益更大的潛在危害要求反壟斷法對其進行有效規制。 根據各國反壟斷法的規定，競爭者之間達成特定協議是反壟斷執法機關規制共謀的前提條件，故通過壟斷協議對自主類算法共謀進行違法性認定是將其納入當前反壟斷法規制范圍的唯一途徑。

在反壟斷法領域，“壟斷協議”可以概括為經營者基于共同意志，通過協商就實施特定的限制競爭行為達成一致的約定。 可見，壟斷協議的構成要件包括：①經營者具有共同意志；②進行了意思聯絡；③達成了一致行為；④產生了排除、限制競爭的效果。 自學習算法可以獨立、自主地達成一致行為，實現排除競爭、限制競爭的效果。 但由于不需要經營者之間進行任何溝通，反壟斷執法機關很難搜集到有力證據證明經營者之間存在意思聯絡從而認定其存在共謀的主觀意圖。 主觀認定要件的缺失使自主類算法共謀在現有反壟斷法的框架下通過“協議”的概念進行違法性認定變得十分困難，因此，考慮擴展“協議”的內涵不失為一個行之有效的方法。

(二)拓展“協議”范疇的理論基礎

拓展“協議”的范疇是否具有合理性，首先需要明確這一概念的內涵。 世界各國對于“壟斷協議”存在不同的表述形式。 美國反托拉斯法中稱之為“聯合”或“聯合行為”。 歐洲國家則更常用“卡特爾”這一術語代表。 我國的《反壟斷法》第十三條將壟斷協議限定為“排除、限制競爭的協議、決定或者其他協同行為”。 然而目前各國對于“壟斷協議”仍難以具體準確地界定。

有學者試圖通過對比合同法中的“協議”概念以確定反壟斷法中“協議”的范疇。 合同法語境下的“協議”通常包含“要約”和“承諾”兩個要件，二者應滿足一定的條件：①客觀性。 即要約和承諾都應是基于文字或行為等形式并能夠被客觀理解的客觀行為。 ②對應性。 即協議中的要約與承諾必須相互對應，要約人與受要約人具有實施某種行為的共同意圖。 ③精確性。 即要約與承諾應滿足一定程度上的具體和精確性，以使相對人之間形成特定的法律約束。 根據其觀點，前二者屬于“協議”所普遍固有的內涵，故反壟斷法中的“協議”也應當具備此二者，即共謀參與者在客觀上實施了聯合限制競爭行為，且具有實施該共謀行為的共同意圖。 而精確性則是基于合同法上目的而產生的非固有定義特征，意在維護當事人的合法權益。 不同于合同法中“協議”的目的，反壟斷法為打擊共謀等反競爭活動，維護市場的良好競爭秩序而設立“協議”，故不應要求經營者對某個聯合限制競爭行為做出準確承諾。 因此反壟斷法中的“協議”在滿足客觀性和對應性的條件下，具有一定的拓展空間，從而使可能產生反競爭危害而內容模糊的自主類算法共謀得以被納入規制范圍。

(三)明確自主類算法共謀的判定標準

由于自主類算法共謀高度依賴于算法的自主學習和決策，在其達成和實施共謀的過程中可能并無任何意思聯絡，因此通過尋找其意思聯絡的證據來證明經營者存在共謀意圖極難實現。 如此，不妨適當放寬“協議”的范圍，即可在綜合考慮各方面因素的情況下，通過經營者的客觀一致行為來證明其共謀意圖與“協議”達成。

例如，在1939 年的州際巡回放映公司訴美國案中，美國聯邦最高法院認為銷售商之間的協議并不是認定存在非法共謀的前提條件，“既然銷售商們之間的一致行為是策劃好的，銷售商們收到邀請后遵守這個方案，參與這個一致行為，知曉這些就足以認定非法共謀存在了。”此后在1946 年的美國煙草公司訴美國案中，美國聯邦最高法院繼續就缺乏明確協議的一致行為的認定問題進行闡釋：“要構成非法共謀無須當事人間存在正式的協議，只要從當事人的全部行為中我們可以得出這樣的推論就可以了。”歐盟的司法機關在認定默示共謀時也不要求經營者之間必須達成正式的協議，而常依據“一致行為”的概念進行認定并予以規制。 歐盟委員會曾明確指出，一項協議不需要以書面形式訂立，也無須合同的批準或執行措施，協議存在的事實可以清晰地或含蓄地體現在成員的行為中。

我國現行反壟斷法也可據此對自主類算法共謀進行有效規制。 例如，在自學習算法引發的共謀中，市場參與者的算法獨立選擇共謀策略作為最佳定價策略。 某一經營者的算法自主發出共同提高價格的信號，無須經營者干預，其競爭對手算法通過觀察或接收到這一信號而自主選擇追隨以謀求超競爭水平的利潤。 同時，發出信號的算法在觀察到其他算法的跟隨和同意后，可以采取策略維持共謀的持續。 簡言之，發出“要約”的算法通常會將提價作為一個客觀信號，競爭對手則自主選擇是否跟進。 如果被要約人的算法跟隨也即默示同意該提議，那么要約人算法將被誘導維持其高價。 盡管要約人和被要約人未達成正式協議，僅通過行為和默許，但仍足以滿足客觀性要求；盡管各方的承諾十分模糊，但仍可成為反壟斷法意義上的協議。

(四)自主類算法共謀的事實認定

如何運用證據在個案中識別自主類算法共謀的存在，是明確其法律認定標準后的又一挑戰。 由于這種共謀具有高度隱蔽性和穩定性，司法機關很難搜集到諸如往來信件、檢舉材料等直接證據證明共謀的存在，因此充分運用間接證據、環境證據以及建立有條件的法律推定制度對于此種新型共謀的認定顯得尤為重要。

1. 靈活運用各類證據

默示共謀的隱蔽性使得收集直接證據十分困難，因此各國普遍采用間接證據證明共謀的存在。 自學習算法加劇了這一困境，故間接性證據的使用也將是認定自主類算法共謀的主要方法。 例如，有外國學者提出，反壟斷機構在調查過程中應更加重視一些特殊文件，包括任何闡明算法設計目標、記錄算法行為的內部文檔，任何表明開發人員修改算法以促進默認協調或可能提高算法與競爭對手協調的能力的文檔、營銷和促銷材料。

目前可被有效利用的證據還包括環境證據、經濟證據等。 環境證據是美國反托拉斯司法實踐中發展出的新名詞，它是指違反《謝爾曼法》的合并或共謀可以通過當事人之間的交易過程或其他環境條件等來證明。 比如前文判定標準部分所述兩案中，美國最高聯邦法院均是運用了環境證據來推斷經營者之間存在共謀。 除此之外，經濟證據、行為證據對自主類算法共謀的認定思路也頗具參考意義。 在自主類算法共謀的主觀要件認定中，可結合算法設計者、改進者和使用者的行為及當時市場的經濟條件進行判定，包括考察其對一致行為是否有合理的解釋，對設計、改進或者使用的過程中是否具有反競爭目的等方面予以分析。

2. 建立有條件的法律推定制度

大數據時代，自主類算法共謀幾乎無法被直接證明，因此有必要使用法律推定制度來對其進行認定。 韓國對不正當協同行為即采取法律推定的方法：兩個以上企業在一定的交易領域做出實質上限制競爭的行為，而這種行為不存在任何約定進行共同行為的明示合意，則將這種情況推定為協同行為。 自主類算法共謀本質上屬于壟斷協議中的“協同行為”，在缺乏充足證據的情況下，通過綜合考量各方因素依法推定經營者的行為屬于共謀有利于及時發現此類反競爭行為并予以規制。 但此類推定應限制在合理范圍內，即在某一市場環境下，共謀是經營者們實施相同行為的唯一合理理由。 例 如， 在 Compagine Royal Asturienne des Mines and Rheinzink v.Commission 案中，一家德國公司發現比利時公司經銷其商品時存在欺詐行為而拒絕繼續供應，另一家德國公司也拒絕供應。 歐共體委員會判定兩家公司存在協同行為，但歐洲法院否定了這一裁決，認為二者的相同行為存在協同行為以外的合理解釋，即比利時公司信譽太差，故推定二者存在協同行為是不合理的。

三、 算法監管的多元化體系構建

鑒于自主類算法共謀使整個市場秩序面臨著潛在的系統性風險，監管機構絕不可放任其野蠻生長，但又由于現代市場對科技效率的要求，嚴令禁止也絕非長久之計。 要想從根本上維護市場秩序的穩定的同時推動市場技術的創新，還需構建一套完善的多元化規制體系，對自主類算法共謀進行全方位監管。

(一)反壟斷委員會面向：合理的政策指南

根據我國《反壟斷法》第九條，反壟斷委員會主要負責組織、協調、指導反壟斷工作。 具體職責主要包括研究擬訂有關競爭政策、發布反壟斷指南、協調反壟斷執法工作等具有方針性的競爭政策。 依其職責，反壟斷委員會在目前的競爭態勢下，應當充分發揮其政策引導的職能，為市場參與相關方釋放信號，提高經營者在使用自學習算法時的法律風險敏感度，從而發揮政策的引導作用。

首先，反壟斷委員會應當制訂相應自主類算法的開發準則。 為了防止自學習算法自動實施算法共謀，應當為算法的開發制定行業準則。 此方式適用于全部的算法共謀類型，而針對系統性風險較大的自主類算法共謀，還應加強反壟斷指南層面的引導。 原因在于，自學習算法的出現，使系統性風險變得不可忽視。 例如，在金融市場上，2010 年的 Flash Crash 的算法失誤導致美國公司股票市值在20 分鐘內蒸發了6000 億美元。 電商市場上，在2011 年亞馬遜提供的自動定價算法允許圖書零售商根據其他零售商的價格設定價格，這導致生物學教科書The Making of a Fly的售價進入了正反饋循環，兩位零售商的定價根據對方的價格互相攀升，最終達至23，698，655.93 美元。 自學習算法對于數據的高度依賴性加之其高速的運算能力，使業務商們獲得隱形的競爭優勢。 行業中自主類算法共謀的不斷擴大，必將損害其他競爭者以及消費者的利益。 故此，制訂市場競爭中使用的自學習算法準則應當由反壟斷委員會做出直接指導或授權。

在推進算法開發準則的同時，還應適當擴大自主類算法準則的適用對象。 有學者提出，行業準則針對的對象不僅包括程序員，還應包括所謂的“中介機構”，如以收集、匯總和評估數據為其主要業務模式，以協調用戶群體之間的供求關系的多邊數字平臺。 數據的中介機構，算法的中間開發商，均屬于自學習算法開發基礎的重要提供者。 由于中介機構掌握更加豐富的信息，了解整個市場的動向，高效助力自學習算法的快速學習，因此，中介機構同樣應當被納入相應標準的規制對象范圍。

其次，建立算法審計渠道，以便對算法進行提前審查，保留備案。 反壟斷法應當為經營者設定一定的主動報告義務，在進入市場之前，經營者有責任向反壟斷機關主動報告算法信息，說明他們使用的算法類型以及執行的任務類型。 為保障算法審計的順利實施，可能需要開發算法認證系統以及為算法開發團隊配備社會代表，以便對其進行較高程度的監督。 此舉措不僅能夠有效地提升經營者的可預測性，也便于反壟斷執法機關提前獲取高質量的信息，促進執法效率的提升。

最后，應當加強國際競爭執法的協調合作。 隨著經濟全球化進程日益加快，跨國公司的數量迅速增長，目前，已經有多國聯合發布針對算法的年度競爭執法報告，并提出希望尋求各國反壟斷機關精誠合作。 國際執法合作的希望之光來自巴西經濟調節管理委員會(CADE)，其期望加強對北美機構和歐共體正在討論的各種競爭問題的執法，包括大數據的挑戰。 例如，CADE 最近的調查介入 Booking 和 Expedia 等在線酒店預訂平臺，并對谷歌在巴西搜索市場的做法進行了三項獨立調查，凸顯了其為與國際競爭管理機構調查時限相一致而付出的努力。

(二)反壟斷執法機關面向：具體案件的調查方案

傳統的反壟斷調查工具難以適用于具有“黑匣子”性質的自學習算法，即便能夠調取相應經營者的數據，龐大的數據量以及輸出決策的內部隱蔽性也讓反壟斷機關無計可施。針對隱蔽的“算法黑箱”，以下重點介紹兩種破解方式，既能幫助反壟斷執法機關減輕調查壓力，又有助提升調查結果的精準度，以確保反壟斷執法機關的權威性。

1. 外部輸出推斷

外部輸出推斷主要指通過觀察自學習算法的外部行為，進行“違法癥狀”的統計收集，從而判定是否形成算法共謀。此種方法的主要優點是其避免嘗試打開復雜的算法黑箱，并專注于觀察和解釋相關經營者的行為。 有學者提出，直接監視違反反托拉斯法的“癥狀”具有可操作性。 外部的一些“癥狀”使人們能夠明確地推斷出共謀行為，這被稱為“加成因素”。 例如，無法解釋的價格上漲或其他類型的價格異常已被認為是加成因素。 同樣，當價格相對較高或上漲且經營者產能過剩時，穩定的市場份額和缺乏客戶流失也表明競爭對手存在串通行為。 例如，在一個依靠銷售代表的行業中，要實施共謀，經營者需要將代表的激勵從“銷售量先于價格”更改為“價格先于銷售量”。 這種激勵性變化被標記為超級加成因子，超級加成因子一經認定，則此經營者將會被合理懷疑具有共謀的傾向。 外部輸出推斷通過量化信息，更為直觀準確地展現了共謀的傾向性，便于對自主類共謀行為進行調查與判定。

2. 內部算法破解

內部算法破解顧名思義，即無須避過隱蔽性問題，直接對算法黑箱進行有效破解。 換言之，其嘗試將“算法黑箱”變成“算法白箱”，主要措施包含強制披露并檢測企業源代碼以及通過語言處理技術解釋算法決策等。 反壟斷執法機構可以酌情要求經營者披露算法源代碼，進行反向檢測并制定算法“黑名單”。 針對高度智能化的自學習算法，其雖可以有效地進行迭代學習，但根據其源代碼仍舊可以檢測出是否具有共謀傾向。 有學者提出了明確的禁止原則，如果它以競爭對手過去的價格為價格限制條件，則需禁止此種定價算法。 算法可以被允許設置任何價格，但當算法基于對手的過去價格對其進行獎勵和懲罰時，此種算法就應當被納入禁止的范圍。

反壟斷執法機構可通過語言處理技術解釋算法決策。國外某公司開發了一種具有“檢測通信中的意圖與企業情緒”的技術。 這種技術可應用于監視競爭對手之間的通信，幫助檢測并最終制止串通行為。 這依托于RegTech(監管技術)行業的成功。 目前，有幾家RegTech 公司提供基于自然語言處理(NLP)和自然語言理解(NLU)的AI 技術，這些技術可以捕獲并理解語音和文字通信。 這種語言處理技術在自主類算法共謀中顯得格外重要，在許多備受矚目的國際反壟斷案件中，由于“通信”在調查中起著關鍵作用，因此反壟斷執法機關常常需通過收集大量證據證明競爭對手的“通信”行為，從而對共謀行為進行判定。 利用NLP 和NLU 領域的AI 技術，算法能夠以經濟高效的方式實時標記有問題的通信，從而有效助力反壟斷執法。 需要注意，由于破解算法內部決策的工作技術性較強，因此，反壟斷機關也應當做好對應技術領域的人才儲備工作。 例如，可以考慮仿照英國和澳大利亞建立專門的技術部門，其主要從事技術性研究工作，尤其是對算法的默認勾結和自動人工勾結進行仿制與破解。

(三)參與主體的義務面向：共謀責任的分配與歸屬

如前所述，自學習算法的決策結果缺乏直接的可解釋性。 其獨立自主做出的商業決策對市場自由競爭造成損害時，反壟斷執法機關難以從中窺得人類的共謀意圖與行動，共謀的追責主體因此難以確定，更有人試圖探尋算法的承擔能力。 此前文章已充分討論三種可能的責任分配方式，即歸屬于機器人本身，部署它的人，或者無人承擔。 不追究任何人的責任，或是歸責于不具有人類的道德感的算法，都會產生一個相同的結果——開辟算法使用者、開發者、受益者們借助算法逃避共謀責任的避風港。 兩種選擇都使得責任歸屬的威懾功能定位落空，法律的目的性價值最終無法實現，因而并非現實的選擇。 責任承擔仍應歸位于可能的自然人或單位。

學界在進一步的責任分配問題上爭議頗多，即軟件開發商、使用算法的經營者等相關主體應當在何種程度上承擔責任。 首先，多數學者認為，經營者應對其算法實施的行為承擔嚴格責任。 在德法競爭部門關于算法的聯合報告中，法國競爭委員會主席Isabel 堅持認為，即使算法是由第三方提供，經營者也應對其行為負責，并認為經營者應該嚴格掌握其算法的運行機制。 無獨有偶，Vestager 委員也認為經營者不能藏在電腦程序背后，逃避共謀的責任。 但報告中也有部分學者認為只有當經營者違反了合理的謹慎原則和可預見性標準時，才應對自己的算法承擔責任。 其次，對于開發者，報告中的多數學者認為應當免除責任，而歐盟反壟斷委員會則主張對軟件開發商施加較高的責任與懲罰。 它呼吁制定追究軟件開發商責任的具體規則，因其開發算法定價軟件的行為增加了市場中的共謀活動，并表示較高程度的責任將首先阻止軟件開發商在算法中埋藏共謀隱患。

不能苛以軟件開發商過高的義務，但也不能完全免除其責任。 僅因其提供算法的行為就施加較高程度的注意義務與責任，有違比例原則，也不利于技術的創新與經濟發展。然而經濟學實驗證明，競爭對手采用同樣或相似算法時較可能達成共謀。 因此，提供相同算法的行為作為引發共謀的契機，一定情況下可能會被追究責任。 在兩種情況下，軟件開發商具有明顯的過錯，一是在于其設計的算法本身未通過算法設計合規的審查，代碼設置存在共謀隱患；二是在于未盡到對經營者的一般告知義務，如未告知經營者使用算法可能產生的后果。 軟件開發商在上述情況中理應承擔必要的法律責任。

經營者責任是規制的重中之重。 首先，借助間接證據能證明存在前述“協議”時，經營者無疑需要承擔責任。 且類似于一般算法共謀，存在不同的獲益主體和控制主體時究竟需要按份承擔責任還是連帶承擔責任，主要取決于各方排除限制競爭的意圖。 其次，當自學習算法獨立自主達成共謀，經營者根本不具有共謀意圖時，經營者也應當對算法的決策行為承擔責任。

根據算法雇員理論，算法可以被類比成經營者的員工，而員工代理行為的后果便是由其所在的經營者承擔。 在實踐中，歐盟的判例法和歐盟委員會《關于將第101 條適用于橫向協定的準則的回函》就規定，經營者應當對其員工的行為負責，除非存在員工實施的決策超出代理權限等例外情況。 在學理上，單一經濟實體理論基于下列因素得出經營者應承擔其員工行為責任的結論：一是員工不會在市場上產生與雇傭組織相分離的競爭力量，員工的一切經濟行為都被認為是經營者的行為；二是經營者對于其員工具有很強的控制力，能夠對其施加決定性影響，并決定員工行動的總體方針；三是該經營者從違反競爭法的行為中獲益。 因此經營者需要對其雇員和受其控制的其他人的反競爭行為負責。 對比上述三項標準，算法與員工相似度極高，經營者應對算法行為負責。 首先，恰如經營者與員工之間的雇傭關系，算法是經營者的一部分。 算法執行的每個業務操作都被認為是經營者的行為，而不會產生獨立于經營者的競爭力量。 其次，算法的根本目標是企業利潤最大化，與員工一樣在經營者總體方針指導下為其提供服務。 算法只執行經營者所予的某項政策，而不會違背經營者宗旨。 雖然算法有可能會獨立實施侵權行為，但人類員工同樣也有一定的自主性。 算法甚至因其“理性”而更容易控制，因為理性帶來相對的可預測性，而人類可能會表現出非理性的情緒，并背離政策法規。 簡言之，算法較之人類具有更高的可控性。 最后，算法共謀行為所產生的收益歸經營者所有，員工同樣為經營者創造價值。因而兩者在反壟斷責任方面具有可比性，算法應當被認為是經營者這個經濟實體的一部分，滿足三項要求的經營者需要對此承擔嚴格責任。

四、 結語

隨著人工智能技術的不斷發展，自學習算法在數據驅動型市場中發揮的作用日趨重要，對市場競爭方式產生了深刻影響。 人工智能技術支持下的自學習算法因其高度智能化和隱蔽性的特征，通過分析海量數據，重復迭代學習，極大地增強了算法共謀的查處難度。 由此，我國反壟斷界需重新審視自主類算法共謀的認定標準，通過構建針對不同面向的多元化規制體系以減輕共謀的危害。 與此同時，中國反壟斷法學界與實務部門也應保持精誠合作，完善大數據時代針對算法共謀行為的反壟斷理論體系與法律框架，圍繞新興技術和競爭理念進一步探索數字經濟下的中國方案，贏得數字革命時代變革的領先契機。