在风险社会中，人工智能的垄断风险治理不容忽视。沿着人工智能的供应链，从模型上游基础层的数据、算法、算力，到下游的主机层、应用层，几乎在每个环节都存在已出现或即将形成的垄断结构。这一供应链中的垄断结构不仅源于经营者对各要素资源的控制，还源于其构建的独特生态系统。在这一垄断结构之上，经营者的垄断行为同时表现为以人为主导和以算法为主导两种形态。从市场特殊性来看，人工智能供应链中的动态竞争是市场常态，竞争与垄断并非相互对立，垄断者随时可能由于动态性竞争和颠覆性创新而失去垄断地位。显然，人工智能垄断风险治理必须在动态竞争观下革新传统的反垄断法规制范式。反垄断旨在制止人工智能供应链市场中排除、限制竞争的行为，但并不意味着追求原子型的市场结构，应避免政府对市场的过度干预，建立更符合动态竞争特点的违法性认定规则、补足有利于恢复市场竞争的救济措施，并以智慧化方式提升反垄断监管的精准度。人工智能的发展必然伴随着巨大的风险，数字世界中充满数字鸿沟。德国社会学家乌尔里希·贝克认为：“生产力在现代化进程中的指数式增长，使风险和潜在自我威胁的释放达到了前所未有的程度。”作为新质生产力的典型代表，人工智能的治理主线是在人工智能应用社会风险激增的背景下，不断追求技术发展和安全的辩证统一。人工智能应用风险一般表现为伦理与安全风险，但事实证明，其间的垄断风险也不容忽视。2020年8月，美国安全和新兴技术研究中心发布的报告《人工智能三要素以及对国家安全战略的意义》指出，复杂的人工智能应用由“数据、算法、算力”这三个关键要素所支撑。而纵观各要素市场，均呈现出较强的聚集性。2023年统计数据显示，亚马逊、微软和谷歌等公司已经占据了巨额的全球云计算市场份额。2024年6月，全球最大AI算力提供商、AI芯片巨头英伟达一跃成为全球市值最高的公司。在数据控制维度，科技巨头公司，例如域外的Meta、亚马逊、谷歌、微软和苹果，国内的腾讯、字节跳动、阿里等公司，均已经建立了庞大的基础设施来跟踪和存储大量数据。联合国《全球数字契约》指出，数字技术使经济权力加速向越来越少的精英和公司集中。2024年12月，我国国家市场监督管理总局依法对英伟达开展反垄断立案调查，而此前，该公司在欧美地区已遭遇多次反垄断调查。虽这些调查大多尚未得出结论，但这意味着，人工智能供应链中的垄断结构绝非幻想，垄断性风险已然降临，垄断风险治理应是人工智能法律规制的重要内容。当然，垄断风险必然存在于具有显著市场力量的市场结构之中。欧盟《人工智能法案》确立了“基于风险”的治理框架，将人工智能系统划分为最小风险、有限风险、高风险和不可接受风险四个等级，并对各个等级采取差异化的监管方式。同样，在我国，学界提出的《人工智能法（学者建议稿）》认为特殊的“关键人工智能”应承担特殊义务，《人工智能示范法2.0（专家建议稿）》则建议根据重要程度建立人工智能负面清单制度。由于尤为关注市场力量，分级分类治理同样也是科技反垄断监管的常见思路。例如，欧盟《数字市场法》将满足一定规模的互联网平台企业称为“守门人”，并于2023年9月首次指定了Alphabet、亚马逊、苹果、字节跳动、Meta和微软六家企业为“守门人”。又如，由于平台准入限制、拒绝数据访问等现象频发，引发了学界关于平台是否属于必需设施、数据是否属于必需设的讨论。沿此思路，有学者进一步提出，人工智能基础模型是通用人工智能时代的数字“必需设施”，通用大模型显现出公用事业属性与自然垄断属性，应要求其依据反垄断法予以强制开放，并以政府行业管制矫治结构性失灵。但事实上，除了源于经营者对数据、算法、算力等要素资源的控制，人工智能供应链中的垄断结构还源于其对生态系统的构建和锁定，具有典型的不稳定性、易被取代性和快速迭代性。而且，除了以人为主导的垄断行为，人工智能供应链中的垄断行为还表现为以算法为主导的样态。这极大挑战了以静态竞争为基础的传统反垄断法，也考验着在发展和安全之中寻求反垄断规制进路的平衡之道，需要在分级分类监管的思路之上进一步明确动态监管的基本理念，在传统监管手段中更好融入智慧监管的技术与方法。本文认为，直接强制开放并不可取，有违市场经济的基本精神，不利于促进人工智能产业的高质量发展。因而，如何识别人工智能的垄断风险和垄断样态，如何定性分析人工智能的垄断行为，如何针对性构建反垄断规制框架以更好促进人工智能产业发展，是本文的核心任务。沿着人工智能的供应链，从基础模型上游基础层的数据、算法、算力，到下游的主机层、应用层，几乎在每个环节都存在已出现或即将形成的垄断结构。这一供应链中的垄断结构不仅源于经营者对各要素资源的控制，还源于其构建的独特生态系统。这种资源控制与生态锁定的双重结构，是人工智能供应链中出现垄断风险的关键肇因。而且，人工智能产业明显更依赖于下游构建的生态垄断结构来获得终端垄断利益。
人工智能产业重新掀起热潮，得益于神经网络的回归、概率推理和机器学习的出现、巨大数据集的创建以及强大硬件和云计算技术支持深度学习的逐渐流行。人工智能技术的商业化存在不同模式。其中，对市场带来影响较大的是依赖应用程序接口（API）的应用系统，即将购买的人工智能系统以API接入的方式集成到自身系统之中，再将集成后的产品提供给用户。在这种商业模式中，人工智能供应链结构自上而下表现为：第一，基础设施层，数据、算法和算力支持；第二，基础模型开发层，利用算法、依托算力训练数据而成的基础模型；第三，主机层，封装已训练基础模型的工具，并提供API端口；第四，应用层，应用产品面向终端消费者。在这一结构中处于核心环节的是基础模型，即人工智能深度学习的模型，其具有海量参数和复杂架构，被用于进行人工智能预训练，拥有强大的处理能力和表征能力。向上，基础模型以数据、算法和算力大爆发为基础；向下，基础模型的应用深度依赖主机层和应用层的生态系统建立，并最终以产品形态走向消费者。有学者指出，在人工智能的法律规制中，出现了一种从“供应链”到“价值链”的转向，前者“偏重于条块分割、单向指示和分工负责”，后者则“偏重于上下连接、双向互动和整体协同”。诚然，人工智能相较于有形产品、传统软件的特殊之处，决定了其创造价值的过程尤为值得关注。不过，本文关于垄断结构和垄断行为的分析，却应该回归到供应链之中。反垄断规制旨在禁止竞争关系和交易关系中出现的垄断行为，这意味着反垄断法律分析常常需要紧密结合行业的供应链结构。例如，相关市场界定需要考察横向的商品和地域市场；又如，纵向垄断协议认定和非横向合并控制都需要考察纵向的上下游关系。当然，基于供应链的反垄断分析也离不开价值考量，特别是价值链结构中对中心节点担负关键职责的强调，正是其在供应链结构中垄断结构和垄断行为分析的直接映射。在过去的十年中，人工智能技术的快速发展主要是由于“显著集中的数据和计算资源掌握在人类手中”。在这一变化过程中，人工智能供应链中的关键要素呈现明显的聚集性，垄断结构已然出现。传统经济领域的垄断结构常源于某种资源的独家掌控。例如，在原料药市场中，作为受政府严格管制的市场，原料药的生产商相当有限，生产特殊管理药品与罕见病药品的原料药生产商数量尤为稀少。在此背景下，在原料药交易市场中司空见惯的“独家经销”模式成了垄断行为的助推器。同样，在人工智能行业中，人工智能供应链市场中的垄断结构也源于经营者对基础设施层中“数据”和“算力”的非对称性控制。而且，由于互联网中产生了海量数据，以及依托算力硬件和云计算出现的远超以往的计算能力，相对于前智能网络时代的数据垄断、平台垄断，这种人工智能供应链中的控制更具有显著性。第一，对训练数据的非对称性控制。以机器学习为基础的人工智能，相较以往传统技术，更依赖海量数据训练以获得价值。数据质量越高，人工智能呈现出来的性能就更优越。数据优势产生于两个关键环节：数据收集和数据处理。一方面，数据收集能力强的公司能轻易掌控原始数据市场，进而影响下游竞争。科技巨头公司，例如Meta、亚马逊、谷歌、微软和苹果等，已经建立了庞大的基础设施来跟踪和存储大量数据，正在追求一种不同于传统垄断的数据垄断控制。另一方面，数据处理也并非中小企业能够轻易驾驭的工作。数据处理者必须对数据进行清洗、评估和标注等处理，才能形成从原始数据到训练数据的转变，最终得到人工智能训练所需要的高质量数据。对中小企业而言，得到原始数据是困难的，巨头企业并不总对市场开放其数据信息。但是，即便是通过强制开放或互联互通打开数据流通的通道，中小企业可能依然无法承担数据处理的高额成本。因此，相对弱势的经营者常倾向于从公益渠道获得或向大企业购买已标注数据。不过，简单的公益标注数据不利于人工智能产品的性能提升，商业标注数据也会显著增加企业成本，进而影响企业的竞争力。第二，对支持计算的算力硬件的非对称性控制。算力为人工智能提供硬件基础，支持人工智能计算海量数据，是基础大模型是否能够顺利完成推理的决定性因素，因此也成为市场中最为明显的成本壁垒和技术壁垒。例如，2024年6月，英伟达公司股价盘中涨3.5%，市值达到3.337万亿美元，超越微软、苹果，成为全球市值最高的公司。同年7月，欧盟委员会执行副主席、竞争专员玛格丽特·维斯塔格警告称，英伟达公司的人工智能芯片供应存在“巨大瓶颈”。随着人工智能基础大模型不断复杂化，其所需的计算卡数量飙升，所耗费的计算硬件成本能快速从50万美元飙升至3亿美元。这些与日俱增的硬件成本，再叠加场地、水电等巨额费用，逐渐超出了许多中小企业的承受能力。而且，当硬件出现更新迭代时，下游经营者将不得不跟随这一迭代，以高昂的成本更换其产品所深度依赖的核心硬件设施。这种不定期的、周期性的成本负担对中小企业的影响也是巨大的。算力控制还体现在对云计算能力的非对称性控制。云计算的出现将这种从算力中获得的优势从AI芯片制造者传导到了其下游的AI相关从业经营者手中。通过在网站上提供快速且安全的云计算与数据存储服务，云计算服务提供者能让每个人都可以使用网络上的庞大计算资源与数据中心，从而使基础设施得以灵活利用。简言之，云计算让计算不再必须以购入硬件为要件。通过深度研发及在全球计算和通信基础设施上进行大量投资，2024年第三季度亚马逊在全球云基础设施市场的市场份额达到31%，领先于微软的20%和谷歌的11%。这三家企业在云市场中占据了超过60%的份额，而其余竞争对手的市场份额都停留在个位数。云计算资源聚集性控制的趋势显著。
资本家很早就发现了资源垄断，特别是控制供应链中的原材料资源，才是暴利的最优结构。经营者们垄断销售市场、争夺原料产地和投资范围，加强竞争力量，以获取高额垄断利润。例如，在著名的美国标准石油拆分案中，洛克菲勒家族拥有标准石油这家有史以来最为强大的垄断企业，直至其拆分时，人们才发现其极尽对产业链上原油、油罐车、消费煤油经销、煤油出口、铁路润滑油提供等所有资源的控制。然而，随着互联网的技术进步与应用普及，依托互联网兴起的新经济形态所依赖的资源发生了根本性变化。今日之平台已然质变，蜕变成为融合信息汇聚、核心要素生产、高效资源配置以及规则体系构建等多重功能于一体的新型经济核心引擎。这一转变显著增强了平台的公共属性，使之跃然成为介于政治权力与市场机制之间的第三方重要力量，既平衡着公共利益与市场效率的关系，又推动着社会经济的创新与发展。因而，垄断结构的形成不再直接指向单纯的资源控制，越来越多地以规则制定为基础的商业生态系统成为促成垄断结构的关键因素。纵观互联网各行业的发展历程，生态系统的建立，或者可以被理解为消费习惯的培育，例如电子商务生态的建立、网购习惯的培育；又如即时通信生态的建立、网上聊天习惯的培育，是科技革命与社会生活紧密关联的重要抓手，也是商业巨头诞生的开端。平台聚合体的垄断架构展现出鲜明的系统生态特性。通过充分利用互联网的广泛连接性和超级计算能力，平台深度挖掘并整合用户的海量数据资源，进而不断创新商业模式，构建了一个独特的生态竞争体系。〔这一体系不仅强化了平台在业内的主导地位，还跨越了行业界限，实现了对多个相关领域的实质性影响与控制。这种生态锁定在人工智能供应链中表现得更为显著。从人工智能技术的发展起源来看，人工智能是在开源运动中盛开的花朵。与传统知识产权以披露来换取独占的目的截然不同，开源在于构建一个健康、繁荣的软件生态体系，以此获得行业的广泛认可与接纳。但是，人们逐渐发现，这一以开放和共享为理念、以防止垄断为目的的开源模式，却反而更容易形成天然的垄断优势，引发垄断风险。从源代码贡献者的角度来说，软件代码的无偿公开与鼓励二次开发，实则是在播种一个基于其编程与创意理念的软件生态种子，通过迅速吸引并聚集庞大的开发者社群和用户基础，从而构建一个活跃且不断增长的生态系统。随着这一生态系统的成熟与壮大，开源模式开始展现多元化的商业价值变现方式，包括但不限于制定行业标准、提供认证服务、系统集成方案等，从而巩固开源者的市场地位，实现商业价值的最大化。例如，谷歌发布的AI开源框架TensorFlow，向市场提供了优质的工具和库资源，帮助开发者构建、训练复杂的深度学习模式。经过多年发展，TensorFlow和PyTorch（Meta）的“双寡头”格局逐步形成，持续引领全球AI框架的技术创新和升级趋势。显然，开源以构建生态、培育习惯奠定了垄断结构根基，而这种生态型垄断的风险，往往因易于隐藏而被忽视。除了基于开源形成的生态，人工智能供应链的垄断结构还源于下游端的中台布局，软件对人工智能应用和市场竞争也同样重要。例如，阿里“共享服务平台”（Shared Platformas Service，SPAS）即典型的中台布局，采用“去中心化”的服务架构，实施“大中台、小前台”战略，可以在前台快速生成各种微应用，也可以将后台系统中需要频繁变化或是需要被前台直接使用的业务能力“提取”到中台层，从而为前台提供更强大的业务类型支援。同样，在人工智能芯片行业中，真正奠定了英伟达市场霸权地位的是英伟达致力于以软件定义硬件的思路。通过建立成熟的硬件使用生态系统，不断研发配套软件，降低使用者的使用难度，深度培养市场消费习惯，英伟达获得了无法被其他产品替代的市场支配地位。随着“模型即服务”（Model as a Service，MAAS）模式逐渐兴起，将AI大模型转变为可服务化的产品，将大模型能力出租给第三方客户使用，能使更多的企业和开发者快速构建自己的AI应用，而这或将成为AI大模型行业的核心商业模式。例如，国内互联网巨头企业纷纷进行新的生态构建：腾讯依靠腾讯云TI平台建造行业大模型精选商店，提供一站式大模型服务；百度推出百度智能云，为企业和开发者提供人工智能、大数据和云计算服务。总的来说，人工智能产业垄断结构的风险来源是多样的，特别是源于上游资源和下游生态的垂直卡控。2023年，我国有上百个AI大模型进入市场。但从现实来看，多数产品竞争优势不明显，存在着严重的同质化竞争现象，中小企业渐显疲态。客观而言，从人工智能产业的供应链全过程来看，基础大模型在技术层面的壁垒目前尚未形成，中小企业的竞争劣势更多源于垂直领域的卡控。国家工业信息安全发展研究中心指出，训练基础大模型需要较高的算力、算法、数据和人才资源。高性能的基础大模型不仅需要海量数据训练，还需要高质量的专业标注的数据。例如，ChatGPT这样的千亿级大模型，需要英伟达最高端的A100/H10GPU连续训练100天才能得到。因此，未来基础大模型行业只可能由少数巨头胜出，形成人工智能供应链中全链条的垄断结构。人工智能供应链上游端的数据、算力、算法控制者基于其控制能力，下游端的应用产品经营者基于其构建的生态系统锁定能力，均可能形成垄断结构，占据较强的市场力量。在这一垄断结构之上，经营者的垄断行为同时表现为以人为主导和以算法为主导两种形态。以人为主导的垄断行为依然延续传统垄断行为以人为中心的模式，没有给反垄断规制带来颠覆性挑战，仍可以通过修正实体法律规则以应对，而以算法为主导的垄断行为，则将极大地颠覆传统的反垄断法律治理框架，需要结合算法以革新治理范式。
当经营者能控制人工智能供应链中某一关键要素资源时，拒绝分享资源、消灭资源争夺者、攫取高额垄断利润等排他性垄断行为最为典型。作为人工智能的关键要素资源，与数据和算力相关的垄断案件频发。在国内，“今日头条与新浪微博”“新浪微博与脉脉”“大众点评与网易”“华为与微信”“顺丰与菜鸟”等案件除了关系到数据确权和数据不正当竞争的问题，还涉及数据是否属于行业内“关键数据”、数据控制者拒绝开放数据是否属于拒绝交易的问题。在域外，“hiQ Labs诉LinkedIn案”中，hiQ Labs认为LinkedIn拒绝其抓取网站上公开的用户个人数据的行为违反“关键设施原则”，其实质是通过拒绝向交易相对人开放必不可少的数据以实现垄断。“Craigslist诉3Taps案”中，PadMapper和3Taps认为其从Craigslist处抓取数据的行为是迫于生存，Craigslist拒绝开放数据属于垄断行为。同样，在算力支持的芯片行业，也出现了类似的担忧。2024年7月，法国反垄断监管机构认为存在芯片供应商滥用市场主导地位的风险，对人工智能行业过度依赖英伟达编程工具CUDA表示担忧，并质疑英伟达投资人工智能云服务提供商的行为，计划指控英伟达涉嫌存在反竞争行为。经营者对关键要素的垄断控制追求，还表现为对关键要素控制者（例如海量数据处理者）的直接兼并或间接控制。为了攫取垄断利益，部分经营者试图遵循传统的资源控制思路，以合并或收购为手段累积和掌控数据资产，实现对相关数据市场的完全垄断。这种数据驱动型经营者集中明显跨越了传统行业界限与地域限制。经典案例如微软收购LinkedIn、Facebook收购Instagram以及中国的滴滴与优步合并、优酷与土豆合并，除了网络效应下企业的强强联合外，其背后均体现了对数据资产的追逐。而且，在以数据控制为目的的并购中，传统的反垄断思维，即对集中后垄断结构的担忧，特别是对市场份额和营业额的关注，被打破了。在“Facebook收购WhatsApp案”中，WhatsApp的营业额与Facebook的收购价格之间存在巨大差距。WhatsApp背后庞大的用户基础、活跃的数据交互以及这些数据所蕴含的巨大潜力，是推动此次交易达成并赋予其高额估值的关键因素。而当经营者在人工智能产品市场中建立起锁定下游经营者和消费者的生态系统时，滥用的必然是其在该生态中的市场力量，排除、限制其他经营者进入或使用该生态。2019年，谷歌宣布终止与华为在智能手机领域的关键业务合作。这一举措直接影响了华为对开放手持设备联盟（Open Handset Alliance，OHA）所维护的安卓操作系统的全面使用权限。当然，这一事件背后暗含美国政府出口控制和制裁政策的驱动，但从行为表现来看，这是最为典型的基于生态垄断的排他性限制行为。排他性滥用有时还表现为搭售或者附加不合理交易条件，类似案件不胜枚举。例如，2016年Facebook修改了其JavaScript库React的开源许可协议，使得任何使用React的企业如果与Facebook或其子公司发生直接或间接的专利诉讼，将会失去使用React的权利。又如，2018年欧盟对谷歌的开源安卓系统进行了反垄断调查，调查起因在于谷歌将谷歌商店、谷歌搜索和谷歌浏览器三个软件捆绑出售。2024年8月，美国哥伦比亚特区地方法院认为，谷歌通过独家分销协议，成为智能手机、网络浏览器默认搜索引擎的行为，属于《谢尔曼法》所禁止的非法维持市场地位行为。同样，科技巨头与人工智能公司的合作，慢慢不再单纯是一种对资源控制的追求，而转向捆绑人工智能技术，扩大其在所构建生态中的影响力。同时，科技巨头在数据、算力、算法等AI基础方面都比初创公司的资源更加充沛，与巨头捆绑的AI公司将更容易在竞争中脱颖而出，对其他初创公司构成压制，共同形成人工智能领域的垄断局面。2024年6月，欧盟开始加强对人工智能行业的反垄断审查，特别是微软与人工智能头部企业OpenAI之间的合作关系。美国同样也在密切关注微软和OpenAI之间的联盟关系。2024年1月，美国联邦贸易委员会宣布对Alphabet、亚马逊、Anthropic PBC、微软和OpenAI这5家公司发出调查令，要求其披露近期关于AI投资和合作的信息。2024年7月，美国联邦贸易委员会再次公告调查包括微软在内的5家主要科技公司，审查其在AI领域的投资、合作过程中是否存在垄断行为，调查当前AI市场的竞争格局以及对创新的潜在影响。为了增加生态系统中的技术影响力，人工智能行业中的经营者集中不仅表现出跨界性，还呈现出较强地对初创企业的扼杀性。而且，为了规避反垄断审查，这种扼杀方式还出现了新的变化。2024年3月，微软聘请了AI公司Inflection的联合创始人兼CEO，同时还吸纳了Inflection的首席科学家、多名顶级工程师和研究人员。2024年7月，AI初创公司Adept宣布，其CEO和主要员工将加入亚马逊，同时亚马逊获得了Adept的AI系统和数据集的使用许可。亦即，科技巨头不再直接收购整个AI初创企业，而是通过雇佣其关键人员和获取技术许可的方式，实现实质的收购效果。这又被称为“反向收购招聘”。
除了延续以“人”为中心的传统垄断方式，人工智能供应链中出现了以“算法”为中心的个性化垄断行为，即深度依赖算法技术，以半自动化或全自动化的方式，实现对市场竞争的限制，从而谋求高额垄断利益。这种行为与人工智能产业深度依赖算法技术有关，算法权力在人工智能供应链的生态系统中不断跨层传导。一方面，人工智能的初步应用已经表现为辅助工具，这促进了经营者之间的合谋行为。在“联邦政府诉Airline Tariff案”中，航空公司利用一个传递票价信息的复杂信息交换系统，就机票价格变化与其他经营者进行意见交换和谈判，同时就机票价格变化的水平、范围和时间等内容相互承诺。二十年后，“联邦政府诉Topkins案”再次证明了算法作为辅助工具对经营者实施数字垄断协议的作用。在该案中，被告Topkins使用基于算法的定价软件，收集亚马逊商城上销售特定产品的竞争者定价信息，进而设定其在亚马逊商城销售的所涉海报的价格。无独有偶，在立陶宛“Etuas案”中，立陶宛的30家旅行社通过使用在线旅行预订系统，进行了在线旅行预订折扣幅度限制的沟通协调工作，将折扣限制在不高于3％的范围内。在“算法辅助型”数字垄断协议中，算法作为工具，在竞争或非竞争经营者间发挥不同作用。于竞争者间，算法传递信息、监督协议执行；于产业链上下游，算法则成为协调中心，引导市场一致反应。另一方面，随着人工智能深度学习能力增强，人工智能的自主性明显提升，人工智能供应链中的垄断不仅以算法为辅助工具，逐渐呈现由算法完全主导的趋势。算法辅助决策是人工智能应用的重要领域，其背后的基本原理是，利用算法有效挖掘海量数据，深入挖掘历史决策并从中学习决策要素。自动化决策显著提升了决策的效率。然而，潜在的偏见和歧视也成为机器伦理中的核心问题。在诸如COMPAS累犯概率评估系统、招聘简历自动筛选、个性化广告推送等典型应用场景中，这些作出决策的人工智能对社会和个人产生了深远影响，而决策机制的透明度和公平性都显著存疑。不仅仅是在算法辅助决策的过程中，在自然语言处理和计算机视觉等领域，习得和放大历史偏见的问题也同样严峻。显然，随着算法辅助决策被越来越多地利用在商业决策之中，当这一工具的使用者是具有市场支配地位的经营者，垄断力量和技术力量的结合会加剧商业歧视和商业偏见带来的负面影响。事实上，在人工智能的生态系统中，倾斜定价策略或零成本服务逐渐成为常态，以牺牲消费者福利、破坏经济生态平衡为代价的新型数字剥削性滥用形式尤为普遍。大量扭曲市场竞争的剥削性行为出现，如大数据差异化定价（大数据杀熟）、平台内部偏好性优待、数据隐私的过度收集和不当使用等。与此同时，人工智能应用的生态中还存在隐蔽性极强的阈下剥削性行为。20世纪末，美国计算机科学家罗莎琳德·皮卡德提出设想，要将人类的情感引入计算机运算之中，通过测量和分析人的外在表现，计算如何操作以影响人的情感。情感计算本质上是一种阈下信息技术。阈下信息（Sub-liminalInformation）的“阈”指的是心理学上人的感觉阈限，阈下信息也就是在人感觉阈限范围之外的信息。人工智能应用强调人和机器互动，机器学习以人的情感理解与情感认知为重要的技术支撑，并进而开展情感分析和情感反馈，从而呈现出更强的“人性”。这种基于情感设计的人工智能应用被大幅度应用于商业，例如ChatGPT等大型生成式人工智能。通过定制化消费服务与广告营销，人工智能情感计算利用消费者的偏好或弱点，诱使用户作出无意识的、可能有害的决定，这被英国竞争与市场管理局（CMA）在《算法：如何减少竞争并危害消费者》专项报告中界定为“暗黑模式”技术架构。当垄断者在其生态中实施暗黑模式，无法离开生态、无意识被诱导的消费者们很难谈得上存在个人意志。在算法主导下，价格合谋也变得更隐蔽。人工智能凭借其强大的计算与分析能力，深度解析大数据，模拟市场主体间的复杂交互，承担协调市场行为的角色，促成技术驱动下的价格协同。以机器学习为基础的合谋，避免了以人为基础合谋的主观变化和情感分歧，容易形成更稳定的价格协同结构。算法黑箱的存在让算法决策背后的协同过程无迹可寻，反垄断执法机构很难进行事前甚至事中的阻止，最终导致社会资源的浪费和社会总体福利的减损。在模拟场景中，深度学习算法不仅能实现经营者间价格信息的深度共享与即时解析，还使得双方策略近乎“无缝对接”。当一方经营者（如A）出于利润最大化考虑上调价格时；另一方（如B）的算法能迅速识别这一信号，并自动跟进提价至相似水平，形成默契的价格联动。若A方价格调整趋于稳定，B方算法则可能解读为A的隐性承诺，进而使双方价格趋于固定，传统市场机制下的价格竞争机制显著减弱或消失。而且，人工智能算法还能让合谋以更多样化的形态出现。例如，算法轴辐类共谋，就是指以人工智能算法为驱动形成的中心辐射型卡特尔，算法实现经营数据自动更新，对多个纵向共谋和一个横向共谋的达成或维持起到实质性的作用，并最终产生排除、限制市场竞争的效果。基于人工智能供应链中垄断风险与垄断行为的特殊性，以静态竞争为预设的传统竞争理论必将难以应对动态竞争下垄断与创新交织的复杂格局。随着人工智能供应链市场结构的高集中度与低壁垒并存，垄断地位因技术迭代而脆弱易变，反垄断分析亟须在动态竞争观下，以动态竞争理论重构竞争损害评估范式，为优化反垄断监管与智慧化治理提供理论支撑。
竞争与竞争损害是反垄断法中的一组基础概念，只有回答了“什么是竞争、什么是竞争损害”这两个问题，才能进一步明确反垄断法应在何时介入、又应以何种程度介入。换言之，竞争损害的存在是反垄断法规制的核心依据。认定竞争损害时，一般需要考察典型反竞争效应，如共谋效应和排他效应。从前述分析来看，人工智能是可能导致共谋效应的，如依赖深度学习算法，推动不同竞争者之间行为一致所造成的限制竞争效应。同时，其也可能导致排他效应，即通过排除竞争对手获得人工智能行业的关键要素资源、阻碍其他经营者进入生态系统等行为，大幅度提升竞争对手成本，或直接消灭市场中的竞争对手，表现出排除竞争效应。这意味着人工智能一旦实施特定行为，即可能受反垄断法规制。然而，竞争损害评估并不是一个非黑即白的简单过程。随着古典经济学派的自由竞争理论不断地被修正和解释，完全竞争论、垄断竞争论、不完全竞争论、动态竞争论、有效竞争论和可竞争论逐渐出现。这些理论打破了竞争和垄断非此即彼的固有观念，搭建了竞争和垄断之间彼此联通的桥梁。“垄断”不是原罪，“自由放任主义”受到部分学者的批判和质疑。在竞争理论演变的过程中，何种状态可以称之为市场竞争受损，也相应地发生了变化。从市场特殊性来看，人工智能供应链中的竞争应被理解为动态而非静态。人工智能供应链的动态竞争特性与传统反垄断理论的静态分析框架存在根本性冲突：传统理论所依赖的前提假设在数智时代已然失效，这要求全面调适动态竞争观下的反垄断规制理论基础。一方面，如果将需要被保护的竞争秩序理解为一种竞争均衡化的静态结果，竞争损害会指向对这种竞争均衡状态的破坏，即减损社会总福利和整体经济效率，而不是指向限制竞争者之间的竞争过程本身。这种均衡状态需要以原子型市场、完全信息、流动性和不存在第三方效应为重要前提。显然，此时垄断与竞争是对立的，只有减少垄断结构，才能促进社会总福利的提升，竞争损害一般体现为竞争对手被消灭，市场结构过于集中。但另一方面，如果把竞争理解为一种对抗性的动态过程，那只要市场中仍存在竞争激励机制，经营者可以通过创新等方式进入市场，保有持续的竞争优势，即可以认为动态经济效率是在不断提升的，生产效率和配置效率是得以进一步优化的。而为了保护这一过程，就需要防止阻碍竞争的垄断行为，以及保障潜在竞争者进入通道，从而保持市场的可竞争状态，推动市场多样性。事实上，进入数字经济时代，平台同质竞争、规模竞争、生态竞争、代际竞争的特点，意味着竞争损害评估应以“可竞争市场”为目标，遵循“动态竞争”理论，构建以鼓励创新为导向的反垄断规制新范式。人工智能供应链中的动态竞争特征具体体现在，虽然在部分环节，以资源控制形成的垄断结构相对稳定，但当垄断结构来源于生态系统的构建时，垄断和竞争的边界变得模糊，高集中度和低市场壁垒甚至同时存在。一方面，高集中度的格局与互联网生态中的网络效应和锁定效应有关：网络效应促使用户聚集，在正反馈下经营者得以提升竞争力，形成赢者通吃的格局；锁定效应则增加了用户转移成本，巩固经营者垄断地位。另一方面，与传统经济规律不同的是，这种高集中度并不意味着存在明显的市场壁垒。用户需求的多元化、用户注意力上升为核心资源、信息沟通和交易成本降低，让市场细分成为可能。在互联网的长尾效应下，小众需求被满足的成本降低，挖掘细分市场和个性化需求，获得竞争机会和市场份额，成为竞争者们打破壁垒、杀出重围的新赛道。这意味着，依靠构建生态系统形成的垄断结构极度不稳定，易发生垄断与竞争两种状态之间的动态变化。垄断企业若缺乏技术创新或商业模式更新，将非常容易失去用户吸引力，难以继续维持市场地位。但如若新进入的竞争者精准定位用户，构建独特的商业模式则可能迅速崛起。例如，在国内电商寡头垄断格局业已形成时，拼多多还能快速占据一席之位；又如Facebook一跃超越MySpace成美国最大社交网络，这均呈现出与传统资源控制型垄断完全相异的特点，展示了竞争者快速崛起的可能。由此可见，人工智能供应链中的动态竞争是市场常态，竞争与垄断并非相互对立，垄断者随时可能由于动态性竞争和颠覆性创新而失去垄断地位。显然，人工智能垄断风险治理必须在动态竞争观下革新传统的反垄断法规制范式。
创新是市场转向动态竞争结构的最重要原因，关于创新损害的分析能够极大地补足动态竞争市场中的竞争损害分析的宽度和深度，进而影响整体反垄断法规制的基本范式。从数字经济的实际演变过程来看，经济发展不再单纯源于财富的积累性增加而造成的规模扩大，而逐渐由内部发生的质的自发性突破所推动。亦即，经济发展更多开始依赖经济社会中的创新，包括产品创新、生产方法创新、市场创新、原材料亦即资源开放创新、组织形式创新。任何一种创新都可以直接致使既有垄断被打破，新竞争者凭借创新能力入场。这种对抗性的动态过程，正是经济学家熊彼特所提出的“破坏性创新”理论。在人工智能发展的历史中，人工智能产业的发展同样伴随着人工智能技术的创新突破。例如，在机器翻译领域，随着深度学习技术出现，基于自注意力网络设计的Transformer成为神经机器翻译主流，带领整个自然语言处理进入新纪元，克服了传统基于规则和基于统计进行翻译所存在的劣势。这同时意味着，新技术的占有者能快速打破已有的市场结构，优质的开源模型天然具备快速的传播力和广泛的影响力。2025年年初，DeepSeek横空出世，DeepSeek-R1模型在极短的时间内席卷全球，被整合进各类应用系统，成为下游开发者的普遍选择。这种动态竞争观下对创新的重视，首先影响了反垄断分析范式中的基本价值。2022年新修的《反垄断法》将“鼓励创新”加入至该法的第1条之中，使之成为我国《反垄断法》的立法目的之一。反垄断的价值本就多元，还存在巨大的分歧。保护竞争、促进效率、维护消费者福利、保护公共利益等多元价值交错，产生了在先价值与在后价值、直接价值与间接价值、经济价值与非经济价值、初步价值和终极价值等诸多争论。而作为一种后来价值，创新价值却几乎贯穿于反垄断的全部价值之中：创新损害被认为是对竞争的直接损害，促进创新就是对动态效率的提升，创新带来新的产品与服务有利于消费者福利，更有助于社会的整体进步，引导经济从静态走向动态。因此，这种立法目的的修订绝对不是宣誓性的，会直接对各具体条款的理解和适用产生影响，有助于将鼓励创新落实在反垄断法三大支柱制度之中。这意味着，在人工智能激烈的动态竞争中，人工智能供应链中垄断行为的分析范式必须从“以价格为中心”转向“以创新为中心”，遵循动态竞争观下的动态竞争理论。在这一理念指导下，人工智能供应链的反垄断治理会呈现出两个重要的转向：第一，在评估竞争损害时，创新竞争比价格竞争显得更有价值。创新损害应被引入，与价格损害一并成为竞争损害分析中的核心内容。创新竞争旨在通过成本优化或质量提升获取决定性优势，其高效性远超传统竞争手段，犹如“炮轰”和“徒手攻击”之间的差距。因此，以创新和以创新为核心的动态经济效率成为各个企业竞争行为的核心驱动力，竞争的表现形式也不再是一元化的价格竞争，必将体现为产品、技术、服务或商业模式创新等多元化的非价格竞争方式。在最为极端的零价格行业中，例如搜索引擎和某些生成式人工智能应用，并不能因为没有定价行为而认定其不会对市场竞争造成影响。第二，在动态竞争和可竞争状态下，预防和阻止市场结构变动不是当然目的，适当的市场竞争受损是被允许的。数字经济的双边性市场、动态性竞争和颠覆性创新，需要适配的反垄断监管理论创新——秉持谦抑性理念确立积极的包容审慎监管原则。以经营者集中控制为例，美国的“实质减少竞争”的实质性标准最早明确于1914年的《克莱顿法》，它的第7条对实质减少竞争或者旨在形成垄断的占有他人资产的行为进行了规制。这种标准即使在近一百年后的《横向合并指南》中依然得到了重申。欧盟的标准则更明显地体现了对适当的竞争受损应有一定程度的容忍，只有当并购可能对竞争造成严重损害时，经营者集中控制才会采取相应措施或者直接予以禁止。同样，将创新带来的动态效率纳入豁免或抗辩理由之中，是动态竞争观下的常见做法。我国《反垄断法》明确将“改进技术、研究开发新产品”作为垄断协议豁免的重要情形。反垄断旨在制止人工智能供应链市场中排除、限制竞争的行为，但并不意味着追求原子型的市场结构，应避免政府对市场的过度干预，建立更符合动态竞争特点的违法性认定规则、补足有利于恢复市场竞争的救济措施，并以智慧化方式提升反垄断监管的精准度。
从违法性构成要件来看，不同的垄断行为样态迥异。但是，由于反垄断是一种为解决市场失灵而生的现代国家经济职能，反垄断法的三大支柱制度又有极大的相通之处。其中，关注市场力量、防止竞争损害是反垄断的必然使命，违法性认定规则均无法绕开对市场力量和竞争损害的评估。当然，禁止垄断协议和经营者集中制度各有特殊。一方面，由于部分垄断协议（尤其是横向垄断协议）常被认为属于本身违法，违法性认定的难度大多归于证据搜集，因而其更多依托于不断升级的反垄断智慧监管，而非违法性认定实体规则的修正。另一方面，经营者集中制度作为一种独特的事前监管制度，符合申报标准而未申报即属于违法，因而申报标准也是影响违法性认定的重要规则，有必要予以交代。
市场力量，是反垄断法贯穿始终的重要概念。禁止滥用市场支配地位就是禁止市场力量的滥用，审查经营者集中时同样应当考虑参与集中的经营者在相关市场的市场份额及其对市场的控制力，垄断协议与市场力量之间的直接关联也早已在经济学分析中得以彰显，更直接体现于我国《反垄断法》第18条第3款引入的安全港规则之中。由此，判断某一行为是否属于违法的垄断行为，或多或少都应考察相关经营者的市场力量。由于竞争总是发生在一定的产品和地理范围之中，以识别竞争者为主要目的的相关市场界定是市场力量评估的惯常起点。人工智能供应链中的垄断行为分析仍以相关市场界定为重要前提，因为动态竞争本质上就是动态的竞争性对抗，以存在竞争者为实现动态竞争的核心要义。不过，需要澄清的是，本文虽以人工智能供应链市场为研究对象，却不意味着整个供应链市场为一个相关市场，相关市场的界定仍需结合垄断发生的具体环节来加以判断。在合理界定相关市场的基础上，一般而言，市场份额和市场集中度是市场力量评估最为重要的考量因素。例如，在阿里巴巴“二选一”案中，市场份额超过50%、HHI指数（赫芬达尔—赫希曼指数）和CR4指数（市场集中度指数）显示市场集中度高等原因成为论证阿里巴巴具有市场支配地位的重要理由。但在人工智能供应链中，动态竞争的特征决定了反垄断应旨在保护竞争过程而非均衡化的市场结构，正如前文所分析的，高市场集中度和低市场进入壁垒可能同时存在，在相对集中的市场中依然可能存在可竞争性。如果一个相关市场中市场进入难度较低，即便存在短期的强市场集中度或高市场份额，依然不会影响市场竞争的持续存在，故市场进入壁垒理应成为动态竞争市场中的重要考察因素。这一现象在当前人工智能供应链中体现得尤为明显，大规模竞争一触即发，各类AI产品百花齐放。因此，是否存在市场进入壁垒需要被予以合理评估。我国《关于评估经营者集中竞争影响的暂行规定》将经营者集中可能提高市场进入壁垒的标准设定为可能性、及时性和充分性。如何理解这种抽象规范是实践中亟须解决的问题。此外，数字经济时代的网络效应和消费者锁定效应也应成为市场进入壁垒的评估因素，已经占据优势的经营者非常容易在其形成的生态系统中提高市场进入门槛，当然，破坏性创新也能轻易打破这种已有生态。
人工智能竞争实质是一种创新竞争，前文中所提到的通过雇佣人工智能公司的关键人员和获得技术许可等方式实现技术捆绑，就是经营者对创新能力的追求和掠夺。在动态竞争观下，竞争损害评估不仅应考虑传统意义上的价格竞争，还应考察非价格上的减损，尤其应当考察创新损害，因为创新竞争是动态竞争最核心的竞争方式，且正是持续性的商业模式创新、技术方法创新才让竞争不断处于动态的过程之中。垄断行为可能直接减损创新竞争。例如，我国《反垄断法》明确禁止具有竞争关系的经营者达成“限制购买新技术、新设备或者限制开发新技术、新产品”的垄断协议。又如，经营者集中可能带来的创新竞争损害可以被具象为“内部减损”“外部减损”“整体减损”三种类型，企业并购在某些情形下会直接导致研发创新活动的关闭和终止。因此，在以创新为竞争源动力的数字经济时代，创新损害内生于竞争损害之中，垄断行为影响到创新动机、创新投入、创新水平等多种创新要素，其所致损害应被予以具体甄别。从另一个维度来说，创新促进也可能成为垄断行为豁免的依据。例如，我国《反垄断法》也将“为改进技术、研究开发新产品”作为垄断协议豁免的重要依据。从本质上来说，通过创新以获得市场份额是经营者的重要发展动力。这种创新驱动大多发生于在相关市场上独占或寡占的企业，由于创新背后所暗含的人力、物力、资金上的风险，有时垄断和集中反而相较于竞争更有利于创新，因竞争性市场的中小企业难以承受这种风险。因此，如果某些数据交换和分享是技术研发创新的基础，或者某些经营者集中行为是有利于技术创新而非减损创新，即便其可能是助长垄断的危险信号，也会因此而符合豁免条件。
我国《反垄断法》以营业额作为集中的申报门槛，采用绝对规模标准，当人工智能供应链中出现经营者集中时，这种标准仍应继续适用。相较于以市场份额为基础的相对规模标准而言，绝对规模标准更为客观、可操作性强。虽然相对规模标准能更准确地反映市场集中度，但却会给经营者的申报带来不必要的技术困难，因为市场份额计算常以相关市场界定为必要前提。经营者集中申报标准的功能更偏于释放信号。亦即，经营者通过对合并是否可能造成竞争损害做出初步判断，进而交由执法机构审查。从这个意义上说，绝对规模标准如营业额、销售额、总资产额等都建立在企业的客观财务之上，更容易被经营者所识别。不过，为了更好应对人工智能供应链中的动态竞争样态，经营者集中申报标准应转向动态化，在绝对规模标准中补充动态性的量化指标。一方面，应该建立动态调整机制，参考宏观经济的总体运行状态、年度国内生产总值变化以及产业发展状况等多项经济指标，动态调整营业额标准，还可以结合人工智能供应链的高度动态性，改变调整周期。另一方面，可以针对行业特性持续优化标准，充分考虑人工智能行业与传统行业的规模差异，为不同的行业设定符合行业规模特点的申报标准，例如，采用营业额行业系数（TIC）等方法。此外，当涉及数据交易和算法交易时，交易额标准也是一种必要的补充，其与营业额标准一并构成多元化标准体系。在“Facebook收购WhatsApp案”中，即便是WhatsApp在被收购之前的营业额很少，远没有达到美国的营业额申报门槛，但Facebook仍然愿意以190亿美元的高价收购该公司，看中的就是其中的数据价值。数据的价值在商业化之前是难以估量的。德国就曾在修法过程中采取了营业额和交易额相协调的多元标准制度。当然，是否有必要引入专门的申报标准，需要考虑特定标准的现实需求度和客观可行性。由此，相较营业额和交易额等量化标准，用户注意力标准、网络效应标准、消费者锁定效应标准、相关技术标准等非量化标准不宜成为正式的申报标准，因其容易引发违法性认定的高度不确定性。
在国家及司法机关出现之后，人类的纠纷解决从私力救济转向公力救济，现代社会的出现以公力救济的转向为重要标志，纠纷得以被最公平、最合理的方式解决。从各国反垄断法律规定来看，反垄断的公力救济方式常表现为政府所采取的结构性救济或行为性禁令，前者例如对申报集中的经营者进行以资产剥离为核心的产权配置改变，后者则表现为禁止经营者某些反竞争行为，或者给经营者的产权行使行为附加限制性条件。对人工智能供应链而言，反垄断从来不是为了让企业变得更小、市场变得更分散，这与人工智能的产业发展需求是相背离的。换言之，救济手段必须与被关注的竞争问题相适应。资产剥离是一种生硬的救济手段，并不符合人工智能供应链中动态竞争的特征。在动态竞争的市场中，垄断的形成源于动态竞争，垄断的破除也可能因为动态竞争，垄断和竞争和谐共处、相互转换，维持这种动态平衡的核心就在于市场的可竞争性。实际上，这种动态竞争的本质是市场机制在资源配置中发挥了极其重要的作用，政府必须尊重这一客观规律，以维护市场动态竞争过程和保证市场的可竞争性为限度，更好发挥其作用。由于该过程中审查局限性不可避免，反垄断可能存在假阳性和假阴性失误，而其中，将违法行为误判为合法的假阴性错误还可以以其他手段予以弥补，反之，假阳性错误则会给经营者带来更为致命的打击，甚至可能摧毁一个产业。显然，应对人工智能供应链中可能出现的反竞争行为，反垄断监管需谨防假阳性错误，以恢复供应链市场的可竞争性为反垄断救济的基本目的，采取与反竞争程度相匹配的救济措施。一般而言，从现有法律框架来看，合理的行为禁令可以取得较好的效果，能及时解除紧迫的威胁，让受损利益得以全面恢复，防止竞争损害持续扩大。一方面，这种禁令体现为对垄断行为的事后禁止。例如，对于在手机操作系统中预装搜索引擎的行为，并不需要直接将手机操作系统从原经营者业务范围内剥离，而是应该禁止预装这一行为本身，为消费者提供合理的更多选择。另一方面，事前审查也常以禁令为救济方式。例如，在经营者集中的行为性救济中，实际包含了开放承诺、透明度条款、无歧视条款等一系列措施，以灵活组合的方式选择可操作性措施。当然，这一救济的有效性以及时披露和有效监督为重要前提。但在人工智能供应链中，单纯的行为禁令可能尚不足以恢复市场的可竞争性。特别是在基于生态构建的垄断结构中，禁止生态控制者排除、限制其他经营者进入该生态并不当然意味着市场可竞争性的恢复：事后禁令意味着其只能发挥停止侵害、解除危险的作用。因此，除了甄别已有的反垄断救济措施，更具有创造性、更直接恢复竞争的替代性救济手段也应被考量，适时在反垄断法律制度中正式引入。例如，有学者认为，应采取措施在不牺牲结构效率的前提下强制提升网络市场的竞争，一是促进平台内竞争，即将公司的内部决定权转移给公司运营的活跃参与者，例如亚马逊平台内的活跃经销商；二是推广增加平台间促进互操作性的行业规范，即以平台互操作促进参与者进入市场并帮助小企业生存，特别针对大型平台，例如占有海量数字化信息数据库的谷歌或Facebook等公司。当然，这种替代性救济手段并非毫无对价，巨头平台经营者如被要求通过互操作恢复市场竞争，这种平台接入和数据移转也不应是免费的，需要消费者或者受益的竞争对手向该平台经营者支付一定的对价。这种对价模式早已存在。例如，在开放“必需设施”或授权“标准必要专利”时，获得竞争优势的经营者应根据公平、合理、无歧视原则支付对价。
人工智能供应链中的垄断风险呈现出明显的技术性，以算法为主导的垄断行为引发了诸多监管技术难题。这意味着，除了调适已有的反垄断治理理念、违法性认定规则、救济措施和救济渠道，引入智慧反垄断监管是应对人工智能供应链中技术垄断风险的必由之路。反垄断智慧监管是指以技术赋能反垄断监管，重点在于构建包含监测预警机制、分级分类指标体系、试验场动态模拟机制等在内的风险监管系统，并同时确保技术不会违背反垄断法的基本价值、制度目标、认定规则，全面提升反垄断现代化执法能力。目前，从全球范围来看，反垄断智慧监管所使用的主要技术是违法筛查和后果模拟。第一，通过收集和分析某行业的市场份额分布、企业成本和定价行为、市场进入和退出等数据，执法部门可以筛查出可能存在合谋行为的相关证据。例如，2022年11月，OECD竞争委员会举办的论坛聚焦“竞争调查中的数据筛查工具”主题，梳理得出各国常利用结构性筛查和行为性筛查方法，识别有助于形成合谋的市场结构，标记可能存在合谋行为的证据痕迹。而且，随着人工智能技术的发展，机器学习进一步提高了筛查工具的智能化水平，通过建立包含串通投标和竞标在内的训练数据集，以此训练模型，可以极大优化机器对违法行为的筛查精准度。第二，通过建立模型，模拟经营者集中过程，预测集中被批准之后的市场状态和可能对竞争造成的影响。例如，2021年1月，斯坦福大学启动了计算反垄断项目，探讨法律信息学如何促进反垄断程序自动化。其中，合并模拟工具就是帮助执法部门预测集中后情形的计算科技工具，涉及审查制度改进、反竞争性集中预警、反事实模型、扼杀式收购判定等内容。预测模型极其依赖执法部门的决策数据、已经审结交易相关数据，包括企业成本和价格变化情况、市场进入和退出情况、产量和交易量变化情况等与市场竞争息息相关的各类数据。智慧反垄断监管，不同于旨在提升反垄断回应型监管能力的法律规则调适，更侧重在事前预防式地化解可能出现的垄断风险。在现代科技和风险社会的语境之中，预防已经逐渐从新兴法律原则演变成新型法治形态，其以法益损害的事前预防为根本宗旨。而事实上，预防式也可能异化为新的风险来源，必须构建对预防措施的反省、评估、监管机制，谨防滥用。但除此之外，还需要强调的是，为了调和风险防控和过度预防之间的紧张关系，预防型法治需要交由多元主体协同治理。这也和数字法治范式的特点相契合：中心化和去中心化的架构同时存在，法治逻辑和代码逻辑并重，算法治理成为新的秩序形态。因此，除了加强政府的智慧化监管能力，智慧监管还表现为引导企业的智慧化合规自治。智慧化企业合规自治深度依赖于算法治理。算法治理源于著名论断“代码就是法律”，软件代码或者技术架构被看作是规范社会行为的四个因素之一，仅次于法律、市场和社会规范。在法律1.0时代，法律的推理形式还是将规则、标准和一般原则适用于特定的事实情景。法律2.0中法律推理就不再是重新利用大量的传统规则、标准和原则，而是要阐明新的规则和监督框架，以适应新的需求。在此基础之上，法律3.0的到来意味着新技术已经呈现为与法律规则一起被利用的规制工具。换言之，法律3.0的规制思维是持续关注技术工具的潜在用途，以技术措施作为规制问题的解决方案，发挥支持、补充或替代法律规则的作用。例如，欧盟《通用数据保护条例》中隐私增强和隐私设计技术所秉持的基本思路，就是让代码本身符合法律的基本价值和规则，否则应承担相应的法律责任。在这一逻辑下，与之一脉相承的竞争设计机制是智慧化企业竞争合规所主要依赖的算法治理进路。具体而言，除了关心被开发的人工智能算法在实际运行时是否符合公平竞争的基本原则，竞争设计机制还应考虑到在开发过程中，开发者是否在各个环节、阶段、程序中采取了必要、合理的措施，以防止或减少损害竞争的现象发生。当然，前述智慧反垄断监管的方法并非毫无实施障碍。各国对于反垄断监管的科技手段都仍处于探索阶段，面临着反垄断执法部门专业技术人员配备、机器学习训练数据收集、模拟预测技术壁垒克服等关键性难题，更可能遭受算法黑箱、算法偏见等信任危机。因此，要实现对人工智能供应链的反垄断智慧监管，则需要从更高维度上不断完善现代化国家治理体系，积极探索监管主体之间的数据共享机制，增强算法的透明度和可信任度。社会发展不能以危害人类为代价，技术进步也不能单纯因其可能致使的危险而停滞不前，关键在于合理评估智能机器的利用价值、科学治理其可能带来的风险，在发展和安全之间寻求适当的平衡。从人工智能供应链所占据的要素来看，在这一供应链中的垄断问题几乎是长久以来数字经济领域所出现各类新型垄断的集大成者，其复杂性可见一斑。显然，这种已然存在或正在形成中的垄断风险已受到各国监管部门的密切关注。不过，在发展和安全之间确立平衡点，意味着依赖开源治理、构建生态走向繁荣的人工智能商业模式不能轻易、随意地被政府以强力干预，更尊重数字经济市场规律的动态竞争观是反垄断能同时促进人工智能产业发展所必须遵循的基本理念，反垄断治理范式和监管规则也自然在这种理念调适之中随之相应转变。同时，由于人工智能供应链中的垄断行为在与算法深度融合时具有天然优势，仅优化实体法规则必然不足以应对，以算法为主导的垄断行为必须依靠反垄断智慧监管，需不断提升政府智慧化监管能力和企业智能化合规水平。目录｜《东方法学》2025年第4期（数字化专刊3）雷磊｜完美的效率还是负责任的正义？——大语言模型时代数字司法的价值反思孙济民｜从财产到合同：论数据爬虫法律规制的范式转型
