今天 你被算法“算计”了吗？

　　怎样的算法规制思路才会是更有效的呢？有两条则应该是可以被用作参考的，这两个则分别是：“将人的事情留给人，将算法的事情留给算法”，以及“用规制人的思路来规制算法”。

算法时代的烦恼

　　我们正在进入一个“算法”的时代。它对我们生活的影响越来越大——我们究竟应该买什么东西、什么新闻、去哪里上学、是不是应该贷款买车、应该花多少钱来买健康保险……在作出这些决策时，我们通常要遵循算法的指引。

　　算法给人们带来的好处是显而易见的。它可以让我们完成过去难以完成的任务，使我们的眼界大为开阔，还能为我们提供更为个性化的服务……所有的这些，都可以让我们的福利实现大幅度的改进。

　　但与此同时，算法的普遍应用也会产生很多的问题。例如，个性化推荐算法可能限制人的息来源，让人们陷入“息茧房”；企业可能利用算法，对消费者进行价格歧视，从而完全剥夺其“消费者剩余”；借助于算法，企业还可以实现在传统条件下很难达成的合谋，从而让市场的运作效率遭受损害……所有的这些，都是过去不曾遇到过的。

　　在这样的背景下，如何对算法进行规制，让算法的好处得到充分的发挥，同时尽可能减少因算法而产生的问题，就成了一个热门的话题。现在，关于算法规制的讨论很多，各种相关的著作和报告也不少。但究竟如何才能让对算法的规制更为有效，目前却依然没有统一的说法。

　　不少专家认为，要对算法进行有效规制，就必须让算法实现透明化，或者至少要让算法可以被解释。此外，还有一些专家提出了应该要让算法可以被共享。

　　这些观听起来不错，但在操作中面临的困难却很大。以算法的透明性为例，尽管很多人都呼吁将算法公开，以便其被监督，但这其实很不现实。一方面，对于很多企业来说，算法是核心的资产。如果强行要求将这些算法公开，那无疑是对企业知识产权的一种侵犯。另一方面，由于很多算法十分复杂，因此就算它们被公开、被共享了，要想对它们进行有效的监管，即使不是不可能，也会面临很高的成本。

　　基于以上的因，在笔者个人来，通过让算法透明化，然后对其进行规制的思路，恐怕未必能够行得通。在探索算法规制的过程中，我们需要探索一条更为有效的路径。

规制算法的两个则

　　那么，怎样的算法规制思路才会是更有效的呢？关于这，笔者现在也很难有一套完整的、明晰的思路。不过，有两条则应该是可以被用作参考的，这两个则分别是：“将人的事情留给人，将算法的事情留给算法”，以及“用规制人的思路来规制算法”。

　　先第一条则。现在我们将算法规制，潜台词是算法本身就是一个可以被规制的独立主体。但情况并非如此。事实上，在很多情况下，算法本身只是作为一种工具出现的，它至多只是为人的决策行为提供参考。对于这种情况，要负责任的就应该是人，而不应该是算法。举例来说，一些电商平台利用算法来对用户进行分级，然后根据分级状况来决定商品的销售价格。显然，这种行为就是我们熟悉的价格歧视，但这种歧视本质上并不是机器做出的，做决策的还是人。因此要对歧视行为负责的也是人，这和处理传统的行为并没有什么区别。

　　再第二条则。很多人认为算法规制很难，难就难在算法就是一个黑箱，你不知道里面是什么，是怎么运作的。因为不知道里面的运行机制，所以也就难以被规制。这个听上去似乎有道理，但细细一想，却存在着很大的纰漏。什么是算法呢？教科书上的定义是，它就是为解决特定问题而规定的一系列操作。根据这个定义，人自身为了解决问题而进行的思考其实也是一种算法。既然都是算法，那么是人的算法更加复杂，还是机器的算法更加复杂呢？恐怕应该是人的算法。毕竟，虽然机器的算法很复杂，但至少我们还知道它所应用的编程语言，还知道它在编制过程当中秉承的规则；而对于人脑中的算法，尽管我们已经研究了很多年，但却始终没有对其使用的“编程语言”，或者运行规则有十分明确的认识。尽管我们对人脑的运作机制知之不多，但这并不妨碍我们对人的行为进行规制，那么，我们为什么不能用类似的思路来思考对算法的规制呢？

　　在实践当中，我们如何规制人的行为呢？不妨让我们通过一个具体例子来进行讨论。举例来说，如果要指挥一个电工安一个灯泡，我们应该怎么做呢？一种思路是，在一边观察这位电工，他的行为有哪些偏差，一有问题就进行纠正。这个思路有两个问题：一是成本会很高，因为你需要时时刻刻注视着你的代理人，一刻也不能将眼光离开；二是这会损害代理人自身的积极性，不能让代理人的应变性、创造性得到有效的发挥。而另外一种思路则是，告诉电工“你若安好，便是晴天；你若安不好，就要倒赔钱给我”。如果电工接受了你的这个要求，那么你就尽可以放心，他一定会十分仔细地把灯泡安好。尽管你可能不知道他是怎么安的，但他一定是认真、尽力的。

　　为什么我们可以在不观察电工行为的条件下，就能够指挥他把灯泡安好呢？其中的道理就在于，我们通过调整电工的支付状况，让他自身的利益和我们达成了一致——如果灯泡安好了，那么我达到了目的，他得到了工钱，皆大欢喜；而如果灯泡没有安好，那我自然不高兴，但电工的利益也会损失。在这种安排下，我的事就成了他的事，既然是为了自己的事，他就当然有努力的理由了。在经济学上，这个条件被称为“激励相容条件”。根据相关的理论，如果委托人可以构建激励相容的条件，那么他就可以成功激励代理人作出符合其利益的行为。在这个过程中，委托人并不需要对代理人的行为进行具体的监督，相应的机制安排就能引导他们按照正确的方向去行事。

　　算法的问题，其实比人的决策还要简单。尽管学者们通常把“效用最大化”作为人的行为目标，但由于情绪、心情等因素的存在，人的决策其实并不是那么的理性。这使得在对人的规制过程中，还需要考虑更多的因素，根据具体的情况来调整规制方式。然而，机器的算法就不存在这种问题。一旦设定了目标，它就会按照这个目标，寻找最优的目标来实现它。在这个过程中，不会有情绪、心情，或者其他因素的干扰。从这个角度讲，规制者只要设法调整算法的输入目标，保证它是和我们想要的目标一致的，就可以引导它达到我们想要的结果。

　　这两个规制则可能有些抽象，下面我们可以通过对算法合谋问题来对它们进行进一步的说明。

算法合谋：老问题的新形式

　　算法合谋是合谋的一种形式。什么叫合谋呢？通俗来说，就是市场上的几家企业通过合约或其他形式，共同决定产量或价格。至少从亚当.斯密开始，合谋问题就备受经济学家的关注。在《国富论》中，斯密有过一段“吐槽”：“同行的人很少聚会，但是他们如果一旦聚会，将不是策划出一个对付公众的阴谋，就是炮制出一个掩人耳目的提价物价的计划”。

　　为什么经济学家如此重视合谋呢？因就在于，它可能带来效率的损失。如果市场上的企业达成了合谋，那么它们的整体就类似于一个垄断者。它们为了获得更好的利润，会对产量进行限制，并同时抬升价格。在这种情况下，消费者的福利就会受到损害。正是由于这个因，几乎在所有国家，合谋都被视为一种违法的行为而被加以禁止。

　　不过，在传统经济条件下，合谋现象并不是特别普遍，这主要是因为合谋本身就具有不稳定性。试想，如果有几家企业达成协议，维持一个市场高价。这时，如果其中有一个企业偷偷背约，降低价格，就可以暗中从自己的对手那儿抢得更多的市场，从而获得更高的利润。由于有这一动机的存在，所以尽管企业之间可以达成合谋，但背地里所有的企业都有偏离合谋的动机。

　　由于合谋本身就是违法的，因此合谋者不可能通过任何正式的法律手段来维持合谋，只能诉诸于“重复博弈机制”。换言之，如果有企业在某一时刻违背了合谋的约定，那么所有企业都会在随后的竞争中对它进行“惩罚”。例如，它们可以对背约者发动价格战，以牺牲自己的代价来打背约者。从理论上讲，由于忌惮未来可能受到的惩罚，合谋的各方都会遵守自己的承诺，保持参与合谋。

　　尽管“重复博弈机制”在理论上可以维持合谋，但在传统条件下，它却很难被真正被实施。因有二：一是因为背约行为并不容易发现。在一个市场中，企业之间要关注彼此的价格并不是件容易的事。因此，究竟谁遵守约定，谁又违反了约定，很难被真正地识别出来。二是因为惩罚本身就有成本。由于有成本，那么在没有外在约束的条件下，参与合谋的企业未必会有约束来执行惩罚。从这个意义上，所谓的“惩罚”其实只是一个不可置的威胁。

　　需要指出的是，究竟一个合谋能否维持，和参与合谋者的数量有很大的关系。参与合谋的企业越多，背弃合谋的行为就越难被发现，合谋者对背约者进行惩罚的激励也就更低，因而合谋也就更难被维持。由于这个因，在传统经济条件下，合谋只可能在竞争主体较少、集中度较高的市场结构下出现，而在竞争主体较多、集中度较低的市场结构下则不太可能出现。

　　然而，在算法被广泛应用后，以上的情况就出现了改变。一方面，借助于算法，检测企业的价格行为变得十分容易。因此，哪个企业背约了，其他参与合谋的各方都可以立即发现。另一方面，有了算法，“惩罚”行为也不需要企业自主去决策，一个“if语句”就搞定了。由于没有了决策过程中的纠结，因此本不可置的“惩罚”威胁就变得可了。由于这两个因，所以在有了算法后，合谋行为就更容易出现，并且它也不再会受到市场结构的限制。本只能发生在集中性较高市场的合谋现象，现在也可以发生在集中性较低的市场了。

　　对于这一，我们很容易在直观上找到证据：过去，同一件商品在不同的销售地通常有不同的价格。有时，即使相距几十米的两家店，商品的价格也会差别明显。但现在，对于同样的商品，所有网上的店家几乎会给出相同的报价——哪怕它们在不同的平台，哪怕它们的实体店远隔千里。尽管造成这种价格趋同的因很多，但其中之一就是算法让合谋变得更为巩固了。在这种背景下，当代的监管者对于合谋问题的担忧可能要胜过过去的任何时代。

不同的性质，不同的对策

　　尽管所有涉及算法的合谋都被称为“算法合谋”，但事实上不同的“算法合谋”之间，性质却有巨大的不同。目前，在献当中提到最多的“算法合谋”有四类：“使合谋”(Messenger)、“轴辐合谋”(HubandSpoke)、“可预测合谋”(PredictableAgent)，以及“自主机器合谋”(AutonomousMachine)。在这四类合谋中，算法扮演的角色是迥然不同的。

　　所谓“使合谋”，就是在合谋过程中把算法作为一种沟通工具来使用。例如1993年的“美国政府诉航空运价发布公司案”中，参与合谋的航空公司就应用了订票程序来作为合谋工具。在这种合谋中，具体的决策还是人作出的，算法只是工具，从本质上讲，它和其它工具并没有什么不同。

　　所谓“轴辐合谋”，指的是由一个第三方来提供算法作为工具，然后参与的各方利用这个工具来进行合谋。在这个过程中，算法工具的提供者类似一根“轴”，利用算法进行合谋的企业则类似于通过轴相连的“辐”(注：连结车辋和车毂的直条)，因此这种合谋就被叫成“轴辐合谋”。

　　2015年发生的“迈耶诉优步(U-BER)案”就是涉及轴辐合谋的一个代表性案例。在这个案例中，美国康涅狄格州居民、环保人士斯宾塞.迈耶(SpencerMeyer)指控优步的定价算法导致了司机之间的合谋——本来，出租车司机是单独定价的，为了争夺客户，他们会进行价格战。而在有了优步的算法来进行协调后，司机之间就会达成一致，不再进行价格战。在这个过程中，优步的算法就好像是“轴”，它连接起了作为“辐”的所有司机，并支撑起了整个合谋。

　　不难到，尽管“轴辐合谋”上去要比“使合谋”来得复杂，但从本质上，算法依然只是在这个过程中充当了工具的角色，具体做出合谋决策的依然是参与合谋的人。

　　相比于前两类合谋，后两类合谋的性质则有很大的不同：

　　在“可预测合谋”中，所有参与合谋的企业都分别设计自己的算法。不过，由于算法的结果有可预测性，计算机也以既定方式来调整交易条件，因此算法的运行结果依然可能达成合谋的效果。在这种类型的合谋中，人的决策因素就相对较弱了。尽管他们依然可以在事先知道自己的目标，也可以知道算法运行的大致结果，但一旦算法启动，具体出现的结果就不被自己左右了。

　　而在“自主机器合谋”中，人的因素就变得更弱了。所有企业只预先给定一个决策目标，例如利润最大化，至于如何达到这个目标，就全部留给机器学习去实现了。在这种类型的合谋当中，企业的运营者可能并没有进行合谋的动机，但其达成的却是合谋的后果。换言之，真正造成合谋的，其实是机器而不是人。

　　纵观以上四类合谋，尽管它们都涉及到了算法，被统称为“算法合谋”，但在这四种合谋当中，人在决策过程中的作用是依次递减的，而机器在决策过程中的作用则依次增加。

　　“使合谋”和“轴辐合谋”本质上是应用了新技术的旧合谋形式。根据前面提出的第一条则，我们完全可以利用现有的竞争法思路来对其进行规制。事实上，在现有的案例中，人们也是如此进行处理的。

　　而“可预测合谋”和“自主机器合谋”就不同了。在这两种合谋中，人的主观因素所起的作用很少，甚至合谋本身都不是企业本身的主观动机。因此，对于这两种合谋，就很难用现有的竞争法来对其进行规制了。

　　需要指出的是，虽然传统的竞争法并不适用于处理这两种新型的合谋，但前面指出的第二条则，我们却依然可以用规制人的思路来对其进行规制。算法的结果会怎样，主要取决于算法的目标是怎样。既然企业分别设定了利润最大化的目标，就会出现合谋的后果，那么规制者只要设法改变企业的决策目标，就可以诱导它们达成更好的后果。

　　如前所述，人们之所以不喜欢合谋，是因为它降低了产出、抬升了价格，进而损害了消费者福利。面对这一问题，规制者如果可以对增加产出的行为提供一定的“奖励”，例如对企业按照产出进行累进的税收返还，那么企业的“利润最大化”目标就会和整个社会福利最大化的目标达成激励相容。在将这一目标输入机器后，算法就可以自动达成有利于社会福利的后果。在整个过程中，完全无需竞争法的介入，我们想要达到的结果也可能得到实现。