生成式人工智能反垄断论纲

人工智能（AI）技术作为数字时代中最关键的变革性技术，已从教育、医疗、金融等各领域逐渐渗透、影响人类生产生活的方方面面。目前，世界各国都在强调人工智能技术对于经济社会发展的重要价值。相继制定出台各项配套政策，希望能在新的技术变革中抢占先机。而在人工智能技术众多的技术分支之中，生成式人工智能（Generative AI，GAI）技术尤其受到关注。

根据我国《生成式人工智能服务管理暂行办法》的定义，生成式人工智能技术是指具有文本、视频等内容生成能力的模型以及相关技术。能够生成“新”内容，而非只是简单地对现有数据进行分析或者操作的能力，使得生成式人工智能技术能在很多应用场景发挥作用。从早期ChatGPT的人机对话，到前年DreamFusion的三维建模，再到最近Sora的文生视频。越来越多新兴功能的“解锁”，正在揭示生成式人工智能技术巨大的发展潜力。知名投资机构红杉资本就曾预测，“生成式人工智能技术将有可能创造数万亿美元的经济价值”。

然而，生成式人工智能技术发展的同时，许多复杂的法律问题也随之出现。其中，垄断问题是尤为突出的。囿于生成式人工智能模型高昂的研发成本，导致只有少数经营者才拥有独立进入市场、参与竞争的能力。ChatGPT、Bard、文心一言等热门生成式人工智能产品的背后，几乎都有谷歌、微软、脸书、百度等少数几家大型科技企业直接、间接的参与。如此一来，使得生成式人工智能技术的发展，有着与生俱来的结构性垄断担忧，很有可能会被垄断行为不当阻碍。

当前，已有许多国家开始关注生成式人工智能技术发展所呈现的垄断问题：2023年5月4日，英国竞争与市场管理局（CMA）启动针对人工智能模型的初步调查。启动文件中，点明生成式人工智能模型是其关注的重点；2023年6月29日，美国联邦贸易委员会（FTC）下属的竞争局和技术办公室发表题为《生成人工智能引发竞争担忧》的联名文章。文章指出垄断行为将会扭曲创新发展的速率和方向，开放性、竞争性的市场环境能为生成式人工智能技术铺平实现最大潜力的发展道路；2023年底开始，英国、欧盟和美国相继发起了对微软、OpenAI之间合作关系的初步调查。2023年7月10日，我国公布的《生成式人工智能服务管理暂行办法》同样关注到了垄断问题，第4条第3款明确规定，不得利用算法、数据、平台等优势实施垄断行为。

高质量的发展，离不开高水平的创新。高水平的创新，则又离不开公平竞争。只有保证公平竞争的市场环境，创新才能繁荣，从而推动生成式人工智能技术的发展。反垄断法应当充分发挥预防、制止垄断行为的作用，保护市场的公平竞争。但是，也要注意反垄断法实施的方式、限度，避免因为过度干预市场陷入“有竞争没创新”的低质发展。有鉴于此，有必要细致考量数据收集、处理直至模型部署、应用各个阶段的发展规律、垄断风险。以此作为基础，才能做出更科学、合理的反垄断监管应对，更好保障我国生成式人工智能技术的发展。

一、生成式人工智能技术发展中的结构性垄断担忧

生成式人工智能技术研发的核心流程，大致包括数据的收集、处理，模型的设计、训练，模型的评估、改进，模型的部署、应用四个阶段。整个研发流程中，数据、模型、人才和算力是四个关键的资源投入。因此，明晰各个关键资源的重要性及其市场特征，是理解生成式人工智能技术发展环境的基础。与此同时，其中内在的结构性垄断担忧也能更加清晰地被揭示出来，为后续考察潜在的垄断行为指明方向。

（一）数据资源方面内在的结构性垄断担忧

1.数据资源的市场特征

“没有数据，就没有人工智能。”一方面，数据的质量、数量将会影响生成式人工智能模型训练、评估阶段的效果。继而，决定生成式人工智能模型生成内容的好坏。例如相比于在小规模、有偏见的面部图像数据集上训练的模型，在大规模、多样化的面部图像数据集上训练的模型显然更有可能生成逼真、多样的面部图像。另一方面，随着生成式人工智能模型越来越复杂，训练、评估阶段所需的数据相应越多。比如，GPT-2、GPT-3的参数数量分别为约15亿和1750亿。相比GPT-2所用的约40GB训练数据，GPT-3所用的约45TB训练数据要比前者多了两个数量级。数据资源有着如下两个突出的市场特征：

其一，数据资源的优势能够自我强化。已经拥有数据资源优势的经营者，有能力利用更多、更新的数据改良服务。更好的服务又会吸引更多用户、合作伙伴。由此，让经营者既有的数据资源优势得以不断增强。除此以外，规模经济、范围经济的交织也是不可忽视的因素。数据资源的范围经济性，使不同来源的数据可以相互结合带来更加深入、丰富的见解。借助这些见解，经营者能更有效赋能、提升服务；规模经济性，则使经营者扩大数据资源优势的同时一并获得成本优势。前后两者相互的交织，进一步巩固数据资源优势自我强化的机制。

其二，数据资源的获得存在多重障碍。数据虽然多被认为具有非竞争性、非排他性，但是作为研发投入的数据资源事实上很少能被轻易获得。比如，获得数据资源可能面临渠道障碍。生成式人工智能模型的研发，对数据的质量、数量等方面有较高的要求。只有达到一定标准，才能真正用作研发的资源投入。现实中，想要获得符合要求的数据资源其实渠道非常有限。一些冷门、小众的领域，甚至可能没有获得数据资源的渠道。又如，获得数据资源可能面临技术障碍。比较典型的，就是兼容性问题产生的技术障碍。不同经营者收集数据时常会根据己方的需求、偏好组织数据，若不充分了解数据的组织方式，即使获得数据也很难能确保数据的相关性、可靠性。

2.数据资源方面结构性垄断担忧的形成

通过以上梳理，可以发现数据资源的市场特征非常容易催生结构性垄断问题。一方面，网络效应、范围经济等市场特征使得数据资源倾向于更集中化、规模化。很多时候，少数经营者可以不成比例地控制大量的数据资源。而大多数的经营者，只有机会获得少量的数据或者无效的数据。另一方面，数据资源的各种可获得性障碍能进一步帮助具有数据资源优势的经营者建立、维持较高的数据资源壁垒。有鉴于此，具有数据资源优势的经营者能有机会将其数据资源优势延伸、转化为其在下游生成式人工智能技术市场的市场势力。人工智能科学家吴恩达（AndrewNg）教授指出：“人工智能的研发人员，80%的时间都是耗在数据的准备工作。”在结构性的数据资源优势加持下，经营者的市场行为更加难被竞争机制约束。除了可能产生传统的竞争损害以外，更为重要的是经营者的创新动力、能力可能因此减弱，继而影响生成式人工智能技术的发展。

（二）模型资源方面内在的结构性垄断担忧

1. 模型资源的市场特征

模型，是在训练数据上运行算法的结果，代表算法从训练数据学到的内容。完全从零开始构建算法、研发模型不仅不必要而且难以实现。目前普遍的做法，是充分利用现有的算法和模型资源，然后在此基础上尝试研发新的模型。例如，DALL·E 就是OpenAI基于GPT-3微调、训练研发的。这样，不仅能够缩短 研发时间、节约研发成本，还能很大程度确保生成式人工智能模型的稳健性——毕竟大型预训练模型通常已在更高质量、多样化的数据集上完成训练。根据人工智能企业Clarifai副总裁Alfredo的说法，大型预训练模型能使研发时间缩短可达一年。由此，节约数十万美元的研发成本。所以可用的算法、模型资源，对于生成式人工智能模型的研发人员来说是宝贵的“跳板”，为其后续的研发活动提供一个包含先验知识的、更高的起点。算法、模型资源的市场特征可以从以下三个方面加以说明：

其一，先进模型具有的主导性。一旦某个生成式人工智能算法或者模型拥有明显的先进性，往往其在未来很长一段时间内会占据所属领域的主导地位。一是因为领域内大部分的经营者都将选择以之作为研发基础。例如脸书2023年2月刚刚推出的预训练模型Llama，就是因其卓越的性能在很短的时间内被ChatMed、MiniGPT-4、PandaGPT等众多模型用作研发基础。二是因为诸如英伟达、英特尔等软、硬件厂商有时也会针对主导性的模型提供优化和适配。由此，先进模型的主导性就会变得更加稳固。三是因为主导性的模型能在较长的时间内与更多的用户进行互动。在此背景下，主导性的模型能有更多的反馈用以迭代、更新。

其二，模型资源对于数据资源的依赖性。“更多的数据，胜过聪明的算法。但是更好的数据，还要胜过更多的数据。”生成式人工智能模型的性能，很大程度上由研发所用的数据决定。除了前文所举的一些例子以外，生成式人工智能的涌现能力也是很好的印证。涌现能力（Emergent Ability）是指生成式人工智能模型随着模型参数和训练数据拓展可能突然掌握的、超出预期的能力。例如研究人员发现，原本只是接受 文本训练的大型语言模型可能突然可以执行数学计算、回答事实问题等预定义以外的任务。而在小型语言模型中，类似的情况并不会发生。涌现能力的出现，使得生成式人工智能模型的泛化性被极大提升，也再 一次的证明，生成式人工智能模型对于数据资源的依赖。

其三，专利保护产生的排他性。生成式人工智能模型的专利申请非常困难，因为通常难以满足专利保护所需的创造性要求。2023年版的《欧洲专利局审查指南》中就阐明，很多人工智能模型本身具有抽象的数学性质。所以，一般来说是不可专利的。但是尽管如此，百度、阿里巴巴、谷歌等大型科技企业仍在人工智能模型方面拥有多项专利。例如，百度至少已获108件大模型方面的发明专利。诚然，专利保护存在诸多方面的好处，与此同时，也要重视其所固有的排他效果。尤其是当专利保护可能包含广泛的权利要求，或者涉及通用的技术方案。举例来说，谷歌申请的专利Dropout、微软申请的专利 Active Machine Learning就曾引起很多研发人员的异议。其中前者是生成式人工智能关键技术（正则化技术）的主流方案。

2.模型资源方面结构性垄断担忧的形成

生成式人工智能模型研发的难度和成本，从一开始就为潜在市场竞争者创设了很高的市场进入壁垒。专利保护产生的排他性，则让情况有时变得更加恶劣。以至于很长时间内，可能都不会有多少经营者进入市场参与竞争。在此背景下再考虑先进模型的主导性，可以发现：对于能够利用甚至控制这些算法或者模型的经营者，模型资源优势为其带来的市场势力几乎很难受到挑战。除此以外，模型资源的优势在现实中很少会独立存在。类似脸书、微软、百度等大型科技企业，模型资源的优势很大程度上得益于其所具有的数据资源优势。

综合上述分析，模型资源所涉市场的态势很有可能会是：（1）可以作为研发基础的先进模型由极少数的经营者控制；（2）大多数的经营者，需要依附极少数经营者建立的模型“生态系统”开展业务。比如，基于大型预训练模型的应用程序接口（API）创建针对细分领域的小型应用程序。由此，也就不得不对一些内在的结构性垄断问题引起重视。例如控制主导性模型的经营者，拥有在其生态系统内部挑选赢家、输家的市场势力。囿于模型资源的市场特征，市场行为通常很难被竞争机制有效约束。因此，其有动机亦有能力选择通过限制甚至扼杀创新长期维持市场势力。

（三）人才资源方面内在的结构性垄断担忧

1. 人才资源的市场特征

小到模型研发的每个阶段，大到技术发展的整体进程，都离不开专业人才的参与。就以生成对抗网络的演进为例：2014年，Goodfellow等人首次提出生成对抗网络的概念。在当时，生成对抗网络只是新颖 的理论构想。随着越来越多的专业人才参与研究，生成对抗网络得到显著的改进。例如2015年，Radford等人创新性地将卷积神经网络（CNN）与生成对抗网络结合，提出的深度卷积生成对抗网络（DCGAN）能使生成对抗网络训练过程更加稳定、生成内容更加高质。又如2017年，Karras等人提出的渐增生成对抗网络（ProGAN）使得高分辨率图像生成进一步得以实现。除了生成式人工智能理论、技术的专业人才以 外，能够架起生成式人工智能理论、实践桥梁的专业人才同样重要。比如，谷歌大脑（Google Brain）团队的研究项目洋红色（Magenta）旨在研发艺术、音乐相关的生成式人工智能模型。团队中，就有许多艺术家、音 乐家等其他领域的专业人才。人才资源市场有着两个明显的特征：

其一，专业人才普遍的稀缺性。生成式人工智能专业人才的稀缺性，主要源于研发所需技能的专业性和复杂性。一方面，研发生成式人工智能模型时会涉及许多复杂的技术。为此，生成式人工智能专业人才要对这些技术的原理都有深入的了解，而且由于各项技术迭代、更新的速度很快，生成式人工智能专业人才必须保持持续的学习、适应状态。另一方面，生成式人工智能专业人才还要具有很强的实践经验、实践能力，能将抽象的理论知识转化成为现实的解决方案。

现实中，稀缺性也能从需求、供给两个角度看出。先从需求的角度来看，目前生成式人工智能专业人才存在明显的需求缺口。麦肯锡2023年发布的报告显示，有关机器学习、数据科学、提示词工程等职位，有逾一半的受访经营者认为正在面临招聘困难。此外，薪资水平也是直观的反映。根据央视财经的调查，2023年我国人工智能新发职位同比增长超过170%。其中，有关深度学习的职位年薪高达42万元。再从供给的角度来看，我国当前专业人才的数量、质量尚有不足。有过实践经验的人数更是少之又少。人民网的一篇报道提到，中美两国真正有过大模型研发经验的可能一共也就“百十号人”。

其二，头部经营者有着巨大的吸引力。首先，最为重要的是头部经营者能够提供有竞争力的薪资。根据levels.fyi的统计，美国数据科学家的平均年薪目前约为10万美元。而在谷歌，这个数字则能达到27.8万美元。其次，是因为头部经营者能够提供卓越的研发环境。例如脸书的DeepFace项目中，研发人员可以使用迄今为止规模最大的、经过标注的面部数据训练模型。也正因为无与伦比的数据资源，超过1.2亿个参数的复杂模型才能最终获得优异的性能。最后，顶级研究人员、研究团队的影响同样不容忽视。很多时候，企业不仅是工作场所，更是想法的交流平台。加入头部经营者的团队后，能和顶级的研究人员、研究团队建立更加密切的联系。

2. 人才资源方面结构性垄断担忧的形成

近些年，对于生成式人工智能技术发展具有推动贡献的论文大多出自谷歌、脸书、英伟达等大型科技企业的研发人员。某种意义上，也是人才资源不平衡分配的证明。由此带来的结构性垄断担忧，一是源于头部经营者的技术优势更加难被追赶。技术水平的高度分化，利于头部经营者形成强大的市场势力。二是源于生成式人工智能技术更新、迭代迅速，持续不平衡的人才资源分配便于头部经营者累积市场势力。三是源于人才资源的流动，容易受到头部经营者的控制。如果拥有丰富实践经验、能力的专业人才不能自由地向外流动，不仅技术创新会在一定程度限于头部经营者偏好的方向，而且市场中也更难出现某个经营者能在技术上对头部经营者构成威胁。

（四）算力资源方面内在的结构性垄断担忧

1. 算力资源的市场特征

从最开始的训练、验证直至最后的部署、应用，生成式人工智能模型研发的每一步都需要算力资源的支撑。以GPT-3为例：训练阶段，GPT-3总共耗费数千单位（Petaflops/s-Days）的算力资源。拉姆达（Lambda）实验室的首席科学官Chuan Li预计，GPT-3单次训练所需算力资源的成本至少超过460万美元。而在应用阶段，GPT-3同样需要耗费大量的算力资源。根据一些媒体的推算，GPT-3生成单个单词的算力资源成本约为0.0003美元，为此，OpenAI每天至少需要花费10万美元。一般情况下，通用的图形处理器（GPU）、张量处理器（TPU）等计算硬件足以支撑生成式人工智能模型的研发，但对更大规模、更加复杂的模型研发来说，可能还有必要用到价格更高的定制计算硬件满足低运行延迟率、高数据吞吐量等要求。算力资源的市场特征可从市场的供需和市场的结构两个方面加以分析：

先就市场的供需方面而言，算力资源市场表现出很明显的供需失衡。OpenAI的一份报告指出，最大规模的人工智能模型训练所需的算力资源平均每隔3、4个月就会翻倍。而以算力的基础硬件之一芯片作为对比，芯片的计算性能根据摩尔定律大约需要2年的时间才能实现翻倍。算力资源需求与芯片计算性 能增长的不匹配，正是芯片如今越来越稀缺、昂贵的主要原因所在。Elon Musk接受采访时曾直言“现在图 形处理器甚至要比毒品更难买到”。2023年6月30日微软披露的年报中，也对图形处理器短缺造成服务中断的风险作了提示。不过对大部分的经营者来说，通过购买芯片、服务器等软、硬件自建算力资源不仅困难，而且高额的运维花费使得自建算力资源通常缺乏成本效益。实践中，研发、部署生成式人工智能模型大多都在云中进行。但是，云计算服务如今同样也在变得稀缺、昂贵，许多初创经营者无法找到足够的算力资源。The Information的一篇报道称，等待Azure、AWS等云计算服务的时间可能长达数月。

再就市场的结构方面而言，算力资源市场整体是较为集中的，并且还有纵向一体化的趋势。如从自建算力资源的角度来看，许多软、硬件市场都有集中度高的特征。以图形处理器市场为例，根据Jon Peddie Research的调研，英伟达占到2022年第4季度全球dGPU市场份额的85%。鉴于技术、人才和专利等方面的壁垒，图形处理器的市场态势短期内还不会发生太大变化。再从租用算力资源的角度来看，数据中心 （IDC）、云计算等市场一样有着较高的集中度。例如我国的云计算服务提供商，主要是阿里巴巴、华为、腾讯、百度四家大型科技企业。2023年Canalys发布的报告显示，四家共占我国云服务市场接近80%的份额。其中，仅仅阿里巴巴一家就占36%。此外应当注意到，这些经营者的优势往往不仅限于算力资源市场。类似英伟达、谷歌等大型科技企业，不仅拥有制造算力基础软件或者硬件的能力，而且还在研发各种先进的人工智能模型。比如，张量处理器就是谷歌自研的芯片。张量处理器除被出售以及用作谷歌云基础设施的一部分外，还被广泛用于AlphaGo、RankBrain等各人工智能项目。又如英伟达虽以制造图形处理器闻名，但是GET3D、eDiff等前沿的生成式人工智能模型也都出自英伟达之手。

2.算力资源方面结构性垄断担忧的形成

算力资源市场的高度集中，使得少数经营者拥有不成比例的市场势力。供需匹配失衡，则让市场势力进一步得到强化。在此背景下，竞争机制也就更难发挥作用，各种滥用行为更有可能、也更容易发生。有鉴于此，不难预见创新、消费者福利等各方面竞争损害的出现。此外，竞争损害的广度、深度还会随着业务纵向一体化的进程而有所增加。通过业务纵向一体化产生的规模经济、范围经济，经营者可以获得相较其他市场竞争者更多的竞争优势。如此一来，不仅既有的市场势力可以继续得到强化，而且还有可能导致“围墙花园”的创建，进而将各类型的消费者，逐步锁定在其技术和产品的生态之中。由于此时兼具“市场竞 争者”“市场管理者”的双重身份，经营者有动机亦有能力进行自我优待、排挤其余的市场竞争者。

二、生成式人工智能技术发展中的潜在垄断行为

数据、模型、人才和算力资源，都因各自的市场特征而有内在的结构性垄断担忧。不过结构性垄断担忧关注的实质只是经营者所处的“垄断状态”。现代反垄断法普遍认为垄断状态本身并不违法，真正应受规制的是产生或者可能产生竞争损害的垄断行为。最可能阻碍生成式人工智能技术发展的，是对数据、模型、人才、算力等关键资源的利用产生消极影响的各种潜在垄断行为。依据垄断行为影响程度的强弱可以粗略分为三种类型：封锁型行为、限制型行为和剥削型行为。

（一）封锁型行为

封锁型行为是指经营者采取一定措施，完全排除其他经营者对其控制的关键资源进行利用。一般情况下，是否开放关键资源属于经营者的经营自由。正如美国联邦最高法院审理高露洁（Colgate）案时所言：假如没有任何建立或者维持垄断的目的，反垄断法不会约束经营者行使独立的自由裁量权决定与谁交易。参考各国既有的反垄断案例，如下三种行为较为典型：

1. 掠夺性封锁行为

第一种情形，是经营者通过并购、超额购买、竞业禁止合同、独家授权许可协议等行为掠夺性地控制大量的关键资源。然后，再对关键资源实施封锁。其所产生的竞争担忧，核心在于市场竞争者可能因为封锁无法获得或是需要付出过高的代价才能获得关键资源。实施封锁的经营者由此得以通过排挤市场竞争者不正当地增强市场势力。作为类比，美国司法部（DOJ）曾在美国电话电报公司 / 时代华纳并购案中有过相似的竞争担忧。美国电话电报公司是美国最大的电信企业，也是美国最大的多频道视频节目分销商 （Multichannel Video Programming Distributor，MVPD），时代华纳则是美国乃至全球最受欢迎的视频节目 提供商之一。起诉书中，美国司法部指出：下游的美国电话电报公司完成收购后，将会利用其对上游时代 华纳产品的控制阻碍市场竞争。一种可能的竞争担忧就是新兴的在线视频节目分销商，因为无法获得热门节目难以进入市场、参与竞争。市场竞争最终因此减弱，消费者需要承受更高的节目费用和更少的创新选择。而在近期涉及算力资源的英伟达 / 安谋（ARM）并购案中，美国联邦贸易委员会同样也有简要提及：“完成收购后，经营者将有能力和动力破坏、扼杀会与英伟达商业利益冲突的创新。”

2. 策略性封锁行为

第二种情形，是经营者通过策略性地开放，吸引其他经营者利用其所控制的关键资源开展经营活动，而在其他经营者产生路径依赖后，突然封锁关键资源使其自营产品不正当地获得竞争优势。已在关键资源方面拥有初步优势的经营者，大多会在前期推出低价甚至免费的开放政策与尽可能多的经营者进行合作。越短的时间内与越多的经营者合作，关键资源优势的自我强化循环就能越快建立。近期较有代表性的例子，是2023年7月18日脸书宣布开源的大型语言模型Llama 2可以免费用于研究和商业用途。对于利用关键资源的经营者来说，低价甚至免费的利用不是完全没有风险的好事。因为随着合作时间增加，经营者可能囿于技术、业务方面的转向成本，对其所使用的关键资源逐步产生路径依赖。

2021年脸书案的起诉书中，美国联邦贸易委员会就曾提到类似的情况。脸书最初允许第三方开发人员以较宽松的条件通过应用程序接口访问部分用户数据。例如第三方开发人员可以通过Open Graph API， 在其应用程序当中添加诸如“点赞”“分享”等脸书上的按钮，基此，第三方应用程序的用户可以更好地与脸书好友分享动态。推出一周后，Open Graph API很快得到超过5万个网站的使用。两年后，经此分享的社交数据日均接近10亿条。但在2011年至2018年期间，脸书不断缩紧数据开放政策。一开始，脸书只是对其平台内部的第三方应用程序进行限制，到后来，限制逐步延伸至非脸书平台内部的第三方应用程序，甚至终止所有应用程序对于某些重要应用程序接口的访问。脸书的一份内部文件显示，此举旨在消除 “一些应用程序利用脸书实现增长，切换功能成为脸书直接的市场竞争者”的担忧。

3. 必要设施性封锁行为

第三种情形，是经营者控制的某些关键资源可能构成某个市场的“必要设施”。如果经营者的封锁行为缺乏正当理由，就会落入反垄断法“必要设施原则”的适用范围。如以欧盟法院经典的马吉尔 （Magill）案为例：马吉尔案的上诉人RTE和ITP，分别是爱尔兰和北爱尔兰的电视台。案件起因是电视节 目指南出版企业马吉尔，因为RTE、ITP拒绝授权第三方出版电视节目指南，遂向欧盟委员会投诉RTE、 ITP滥用市场支配地位。上诉审理中，欧盟法院认为：首先，上诉人的节目安排信息是制作电视节目指南必不可少的原材料，而上诉人则是原材料唯一的来源渠道。上诉人拒绝开放节目安排信息的行为，阻止了新产品“每周电视节目指南”的出现。其次，上诉人拒绝开放节目安排信息的行为没有任何正当理由。最后，上诉人拒绝开放节目安排信息的行为使得次级市场（即每周电视节目指南市场）的竞争全部排除。综上所述，欧盟法院认定上诉人拒绝开放节目安排信息的行为违法。不过长期以来，必要设施原则一直备受各界争议。美国联邦最高法院就在特林科（Trinko）案中明确表示，必要设施原则“已经处于或者接近反垄断法律责任的外部边界”。因此，其实鲜有第三种情形真正受到反垄断法规制。

（二）限制型行为

限制型行为的影响程度相比封锁型行为更弱，经营者并未完全排除其他经营者利用其所控制的关键资源，但客观上会造成关键资源的利用限制，导致市场的竞争减弱、创新受阻。就限制型行为追求的直接效果而言，可以简单区分两种类型：

1. 排挤市场竞争者的限制型行为

（1）通过投入市场（Input Market）排挤市场竞争者

经营者通过投入市场排挤市场竞争者的行为方式，比较可能的是对关键资源的开放安排实行差别待遇或是设置不合理的排他性条件。前者可以借鉴202年意大利竞争监管局（AGCM）处罚的亚马逊案，案中的亚马逊就在提供电商中介服务时为自营物流服务创设诸多便利。例如给予专门使用亚马逊物流服务的第三方卖家“Prime”标签，并且使其有权参加Prime会员日、黑色星期五等亚马逊特别的推广活动。鉴于电商中介服务市场上亚马逊的市场势力，许多第三方卖家不可避免地会转向使用亚马逊的物流服务。意大利竞争监管局对此指出，亚马逊的自我优待策略不仅导致物流市场竞争者处于不公平的竞争劣势，而且由于第三方卖家受到单归属激励，物流市场的竞争性也会相较此前多归属状态而有大幅下降。类似情形也有可能会在云计算服务市场发生：如在算力资源紧缺的情况下，具有市场支配地位的云计算服务提供商作出承诺，将会优先保障自营生成式人工智能服务的可用性，此时，多数用户可能就会倾向使用云计算服务提供商自营的生成式人工智能服务。后者则可以借鉴早期的洛雷恩日报（Lorain Journal）案。洛雷恩日报案是美国联邦最高法院1951年审理的经典反垄断案件，涉案行为是报纸出版商洛雷恩公司拒绝为在WEOL广播电台上打广告的企业投放广告。洛雷恩（Lorain）地区当时99%的家庭都会订阅洛雷恩杂志公司（LorainJournalCo.）的报纸，洛雷恩公司对于本地的新闻、广告传播享有实质性的垄断权力。许多企业因此被迫中断，或者放弃了在WEOL上打广告的计划。由于WEOL最大的潜在收入来源是洛雷恩地区的广告，洛雷恩公司的限制行为使得WEOL的经营遭受毁灭打击。洛雷恩日报案的竞争损害机制是很直观的，即把交易相对人当作排挤市场竞争者的工具，通过排他性条件减损市场竞争者的交易机会。审理中，美国联邦最高法院特别强调：“选择交易相对人的权利，不是绝对的更非不受监管的……反垄断法禁止将其作为实现垄断目的的手段。”类似洛雷恩日报案中的行为，也很可能会被控制算法、模型资源的经营者用于阻碍其他新兴算法、模型的发展。

（2）通过产出市场（Output Market）排挤市场竞争者

通过产出市场排挤市场竞争者的特点，在于市场竞争者对于关键资源的利用没有受到直接的影响。但是由于排挤将会削弱市场竞争者盈利的能力，市场竞争者后续获得关键资源的能力随之减损，所以最终也会产生关键资源利用受限的后果。常见的垄断行为，包括但不限于搭售、忠诚折扣等。具体而言，以忠诚折扣行为为例：我国的利乐滥用市场支配地位案中，利乐因为实施个性化目标折扣、追溯性累计销量折扣两种忠诚折扣行为受到处罚。国家工商行政管理总局认为：特定的市场条件下，忠诚折扣行为具有明显的反竞争效果。尤其在可竞争部分的需求本就有限时，市场竞争者要用极大的折扣来与忠诚折扣行为抗衡。而如前文所述，先进的生成式人工智能算法、模型具有主导性，因此市场中，可竞争部分的需求可能同样较为有限。有鉴于此，类似利乐滥用市场支配地位案中的情况就很值得警惕。例如控制主导性模型的经营者，可以利用忠诚折扣“圈定”下游可竞争部分的需求，使得下游经营者尚有其他交易选择时，因为忠诚折扣的存在选择更多调用主导性模型。

2. 阻碍关键资源流动的限制型行为

阻碍关键资源流动的限制型行为是指，经营者为阻碍关键资源的流动，不正当地打压关键资源市场的竞争性，以此减少其在获得关键资源时的成本。在过程中，有时也会伴随抑制创新的反竞争效果。该类情形大多是与人才资源有关，比较典型的如市场竞争者之间的互不挖角协议。互不挖角协议，一直是各国重点关注的垄断行为。例如美国司法部、联邦贸易委员会就于2016年联合发布指南，点明纯粹的互不挖角协议属于本身违法且会受到刑事处罚的垄断行为。又如2021年，葡萄牙竞争管理局（ADC）发布劳工市场反竞争协议最终报告。正文的第一部分，就对互不挖角协议的反竞争性进行说明。近期，我国市场监管总局也对倡议、签署《互不挖人公约》的四家生猪养殖企业进行约谈。要求采取有效措施，主动整改、及时消除危害后果。

一般来说，互不挖角协议核心的竞争担忧在于破坏劳工市场的竞争机制。如在2011年奥多比（Adobe）、苹果等案的起诉书中，美国司法部就提到互不挖角协议对于劳工市场的竞争损害。但在某些智力密集型的市场中，由于市场竞争的关键是要找到掌握合适技能、能够推动创新的人才，经营者之间的互不挖角协议就会致使创新因为人才流动被阻而受抑制。欧盟委员会执行副主席Vestager对此更是表示，“拒绝雇佣的承诺，实际上是在承诺不创新或者不进入新的市场”。考虑到人才资源的重要性，在与生成式人工智能有关的市场中也很有可能出现相同的情况。

（三）剥削型行为

正如前文所述，关键资源背后的市场大多存在集中度、进入壁垒较高的现象。在此背景下，控制关键资源的经营者也就可能相应拥有市场支配地位。英国竞争与市场管理局就在《人工智能通用模型：初步报告》中指出，获得数据、算力等关键资源的限制很有可能导致令人担忧的结果。如果只有少数经营者可以 创建、运维领先的人工智能模型，如此形成的市场势力将使其有能力、有动机只在闭源基础上以不公平的价格、条件开放模型。如果经营者滥用市场支配地位实施不公平高价或是其他剥削型行为，则会导致下游经营者的预期投资利润因为关键资源获得成本过高的问题大幅减少。进而，不愿甚至不能创新。高通滥用市场支配地位案中，我国国家发展和改革委员会就曾指出：高通经由各种免费反向许可要求，直接或者间接收取不公平的高价专利许可费，不仅使得被许可人的创新意愿受到抑制，更使无线通信技术的创新发展受到阻碍。值得注意的是，剥削型行为产生的影响通常较为复杂，实践中有必要根据个案情况综合分析。以模型资源的不公平高价行为来说，由于研发生成式人工智能模型需要大量的前期投入，“不公平”的高价行为其实是对经营者的创新激励。假设后期没有可观的利润回报，几乎没有经营者会冒如此风险选择创新。但不可否认，这确实会对依赖大型预训练模型的研发活动产生一定的消极影响。

三、我国生成式人工智能技术发展的反垄断监管应对

（一）秉持包容审慎的反垄断监管原则

生成式人工智能作为极具潜力的新兴技术，背后的市场既有无与伦比的经济机遇亦有不可预测的垄断风险。总体上，当前生成式人工智能技术及其衍生市场大多处于发展初期，需要更为宽松而非约束的监管环境支持经营者创新、发展。其一，是因为生成式人工智能业态的特征、规律尚不明晰。在还没有摸清特征、规律之前施加约束性强监管，非常容易出现“一刀切”或是刻板沿循传统路径的情况。此时，假阳性错误的发生概率较高。其二，是因为发展初期的市场较为脆弱。相较假阴性错误，假阳性错误会对市场造成更大破坏。而且如今，生成式人工智能技术亟待大量的创新。经营者的创新意愿若被反垄断监管“误伤”， 假阳性错误带来的社会成本还会进一步地增加。2021年1月31日印发的《建设高标准市场体系行动方案》中，将“健全对新业态的包容审慎监管制度”作为完善现代化市场监管机制的重要内容。《生成式人工智能服务管理暂行办法》第3条规定：国家坚持发展和安全并重、促进创新和依法治理相结合的原则，采取有效措施鼓励生成式人工智能创新发展，对生成式人工智能服务实行包容审慎和分类分级监管。这些文件强调的“包容审慎”监管原则，是符合当前生成式人工智能技术发展的总体情况的。

值得注意的是，包容审慎监管原则的适用不是静态的，必须结合实际情形动态地调整和变化。一方面， 要具体考量不同市场的监管需求，确保包容审慎监管原则的可适用性。比如，云计算服务市场可能就不适用包容审慎监管。因为云计算服务市场目前市场集中度已经较高，还有互操作性、转换成本等因素形成的市场进入壁垒。对于假阴性错误造成的负面影响，市场很难通过竞争机制进行自我纠正、修复。有鉴于此，提高反垄断监管强度可能会更合适。另一方面，要具体考量市场不同阶段的监管需求，重视包容审慎监管原则适用的时效性。此处，可以参考平台经济的反垄断监管历程。平台经济发展初期，我国反垄断执法机构秉持包容审慎的监管原则。在此期间平台经济飞速发展，逐步成为驱动我国经济发展的新动能、新引擎。但到2020年左右，许多平台企业已在各自市场拥有稳固的主导地位。继续适用包容审慎监管不再合适，有必要适时转为“积极、协同、审慎、依法”的监管理念。2021年，我国市场监管总局严格查处阿里巴巴滥用市场支配地位案便是监管原则发生转变的体现。面对生成式人工智能技术的飞速发展，反垄断执法机构也应关注市场发展的态势，处理好原则和例外的关系。动态调整反垄断监管方式，更好适应市场监管需求的变化。

（二）采用事前预防性监管为主的反垄断监管策略

秉持包容审慎监管原则，绝不等于消极监管甚至放任不管。“包容”旨在营造相对宽松的法治环境， 能让经营者有更广阔、自由的创新空间。“审慎”则是要求反垄断执法机构权衡利弊、谨慎干预，但对经营者触及违法“红线”的行为仍应及时予以纠正。简而言之，践行包容审慎监管原则的核心要义，在于保持有效创新与有为监管平衡。当前生成式人工智能技术绝大部分处于发展初期，传统偏重事后的反垄断监管模式无法有效应对发展中潜在的垄断风险。毕竟业态特征、规律尚不明晰的情况下，反垄断执法机构需要耗费大量时间才能做出科学、合理的决策。如此一来，垄断行为真正得到规制时，很可能竞争早已严重受损。为了更好维护有利于生成式人工智能技术发展的市场，反垄断执法机构有必要采用事前预防性监管为主，同时结合事中纠偏性监管和事后矫正性监管的反垄断监管策略。

1. 事前预防性反垄断监管

由于事后反垄断监管存在迟滞的问题，对于生成式人工智能技术的反垄断监管重心必须相应向前调整。在就特定行为展开正式调查之前的事前阶段，反垄断执法机构便应采取各种主动性、前瞻性的预防性监管措施。针对生成式人工智能技术，事前阶段的反垄断监管需要侧重以下三个方面：

（1）经营者经营活动的指引和规范

包容审慎监管原则下，反垄断法的实施更加具有弹性，但也因此导致经营活动违法与否的边界愈发模糊。如果经营者无法把握合规风险，投资、创新意愿反倒会有减损。为此，必须重视对于经营活动的指引和规范，通过增加法律可预测性稳定市场预期、提振发展信心。考虑到现阶段监管经验尚不丰富，更为适宜进行柔性的指引、规范。比较可行的是发布合规指引文件，以及给予业务合规指导。就前者来说，反垄断执法机构可以列举潜在的垄断行为，并对各个垄断行为的违法风险加以警示、说明。例如前文提到的封锁型行为中，掠夺性、策略性封锁行为的反竞争效果尤其明显，因而反垄断执法机构应当提醒经营者慎重实施；与此相对，必要设施性封锁行为仅在极为苛刻的条件下才会有损害竞争的可能，基此，或可对其标 注“低风险”以减轻经营者的合规担忧。鉴于关键资源具有集中于少数经营者的特征，监管经验丰富之后借鉴《数字市场法》设置适度的禁止性义务也是可以尝试的做法。

（2）市场调研以及垄断风险的监测、识别

事前阶段的市场调研以及垄断风险的监测、识别，有助于反垄断执法机构及时、全面把握竞争动态，从而尽早发现违法线索，展开有针对性的反垄断调查。目前在此方面，英国是最活跃的国家之一：2022年，英国政府开始委托进行人工智能领域的市场研究。而在2023年3月29日市场研究报告发布后，英国竞争与市场管理局又于2023年5月4日迅速启动对于人工智能模型的初步调查。除了积极推动市场研究、调查之外，英国还很重视前沿技术的转化应用，例如早在2018年，英国竞争与市场管理局就已筹建内部的数据监管团队（DaTA），公开展示的工作内容包括利用机器学习、自然语言处理等技术，分析、研判经营者的市场行为以及筛选、审查经营者的内部文档。我国反垄断执法机构可以考虑先对各个关键资源进行初步的市场研究，而后基于市场研究的结果，选择是否要做更进一步的调查，或在常态化监测时，着重关注某些市场的特定经营者。 

（3）有关政策措施的公平竞争审查

以上讨论的，主要是对经营者的事前监管。实际上，地方政府的行为也很值得关注。如今，各地政府都在抓紧出台各项支持人工智能产业创新发展的政策。截止2023年6月14日，仅仅山东省就已发布至少13部有关人工智能的政策文件。诚然，地方政府的支持对于生成式人工智能技术的发展至关重要。但是与此同时，亦不能忽视其中暗藏的反竞争风险。比如，许多地方政府的支持政策中都含有奖补措施。应该注意到，不合理的奖补措施就很容易扭曲竞争、阻碍创新。首先，是因为奖补措施会对竞争性的市场进入、退出过程造成干扰。效率低下的经营者，可能由于奖补延缓退出市场，挤占高效经营者的市场份额。其次， 是因为奖补措施会对经营者的投资意愿产生影响。受到奖补的经营者，研发成功率通常会有所提升。而在研发获得成功之后，经营者之间的竞争差距也会扩大。在此背景下，未受奖补或受奖补较少的经营者有时就会缩减初始的投资计划。最后，是因为奖补措施会对经营者维持、增强竞争优势提供帮助。欧盟委员会在其报告中还指出，即使奖补措施只是间接增强经营者的市场势力，也有可能导致妨碍现有市场竞争者发展的后果，抑或促使现有市场竞争者退出市场，阻止潜在市场竞争者进入市场、参与竞争。为此，政策制定机关正式发布有关政策之前，必须经过公平竞争审查，防止出台影响竞争的政策。

2. 事中纠偏性反垄断监管

生成式人工智能业态发展具有高度的动态性，使得经营者行为的反竞争效果非常难以判断。为了更好践行包容审慎监管原则，针对特定行为进行正式调查的事中阶段变得更加重要。一是为了确保反垄断监管的审慎性，反垄断执法机构要在调查活动中与有关的经营者增强沟通、交流，从而加深对受调查行为及其所处背景的理解。二是为了保证反垄断监管的包容性，反垄断执法机构要在事中阶段及时纠偏。在受调查行为违法程度较弱的情况下，尽可能用更温和的方式防范、化解垄断风险，留与经营者更大的创新空间。

目前，我国反垄断事中监管工具较为充足。2022年我国修订《反垄断法》时，还通过第55条新增“反垄断约谈制度”。实际上，反垄断约谈制度就很契合生成式人工智能有关市场的事中监管。反垄断执法机构可在约谈时，详细了解案情并在此基础上对其所关注的竞争担忧予以阐明。必要时，还可释放采取进一步措施的监管信号，推动受到调查的经营者完成自查自纠。不过，我国反垄断约谈制度尚不完善。诸如反垄断约谈实施的程序问题，及与其他制度的衔接问题都仍有待解决。为此，反垄断执法机构有必要加快制定约谈规则，以更充分发挥反垄断约谈制度的效能。反垄断约谈制度可与承诺制度有机衔接起来，鼓励经营者主动做出公平开放关键资源的承诺消除竞争担忧。

3．事后矫正性反垄断监管

虽然事前、事中阶段的反垄断监管越发重要，但仍无法替代事后阶段以矫正为目标的反垄断监管的作用——通过调查处理垄断行为，救济受损的竞争机制以及消费者福利。同时威慑有关的经营者，预防其在未来实施类似的行为。如前所述，阻碍利用数据、模型等各关键资源的垄断行为，是现阶段生成式人工智能技术发展最大的挑战之一。对此，反垄断执法机构设计救济措施时应充分考虑关键资源背后的市场特征，以免救济措施因有悖市场特征，无法达到预期的救济目的，甚至产生负面效果。

传统结构性的拆分措施，可能就不适合用于控制模型资源的经营者。因为模型资源具有的市场特征，使其有向少数经营者集中的发展倾向。如果罔顾市场特征强行拆分，反而会对市场正常发展造成干扰。而且由于拆分后与市场特征不符，反垄断救济的实际效果也会更不稳定。市场随着时间逐渐推移，很大概率又会恢复之前的状态。在此背景下，类似施加公平开放、保障互操作义务等行为性的救济措施会更适用。

除此以外，鉴于目前有关生成式人工智能的反垄断监管经验较少，反垄断执法机构应在实施救济措施后，重视跟踪性、回溯性的监管评估。一是通过跟踪性的监管评估，全方位地掌握救济措施的作用及过程，由此明确监管效果，并据监管需求灵活进行调整。二是通过回溯性的监管评估，总结有益的、经过检验的监管经验，为日后的救济措施设计提供支撑。随着监管经验逐步丰富，反垄断执法机构可将碎片化的监管数据关联聚合。从而实现“分类”监管，提升面对不同场景的监管能力。

（三）强化面向国际、产业的反垄断监管合作

1.与各国反垄断执法机构的合作

生成式人工智能技术的飞速发展，离不开商业、技术等各方面的国际互动。在此过程中，国际反垄断监管合作的需求愈发迫切。一方面，要帮助避免不同国家反垄断监管的分歧。全球已有超过125个反垄断司法辖区。由于竞争政策、法律文本的差异，各国反垄断监管出现分歧是很常见的情况。如在通用电器/霍尼韦尔并购案中，尽管美国司法部在先批准通用电器的收购行为，但是欧盟委员会还是意见一致地认为应该禁止。鉴于欧盟是世界最大的航空航天市场之一，通用电器只能最终放弃其对霍尼韦尔的收购计划。类似的反垄断监管分歧实践中有很多，都对经营者的交易效率、成本有着很大影响。另一方面，要帮助提高反垄断监管的时效性。反垄断执法机构监管涉及多国的垄断行为时，常会面临监管资源不足、调查范围受限等各种障碍，相应的，反垄断监管的时效性也会因此大打折扣。对此，各国反垄断执法机构之间必要的合作成为保障监管效率、质量的关键。

为了更好地强化反垄断监管的国际合作，我国需要采取战略性、多元化的推进路径。一是要在制度层面上，继续推动与各国家确立反垄断监管合作的框架。例如通过《中美反托拉斯和反垄断合作谅解备忘录》，我国与美国明确了包括竞争政策高层对话在内的合作框架。近年，我国还与俄罗斯签署了《中华人民共和国政府与俄罗斯联邦政府反垄断执法和竞争政策领域的合作协定》，这是我国市场监管总局成立以来签署的第一份政府间反垄断合作协定。二是要在实践层面上，继续丰富与各国家开展反垄断监管合作的方式。对此，我国可以考虑借鉴美国的做法。即除传统的个案协作、会议交流等方式之外，还可针对特定事项创建多边的工作组或是委员会。如对云计算、人工智能等高科技领域，美国就与欧盟建立了“欧盟-美国贸易和技术委员会”（EU-US Trade and Technology Council，TTC）。其中，欧盟-美国贸易和技术委员会第五工作组（Working Group5）的职责之一就是确保公平、有效的市场竞争。《欧盟-美国贸易和技术委员会启动联合声明》中，更是特别强调第五工作组要与其他工作组一起探索云基础设施及其服务的监管方法。又如对于监管分歧频发的经营者集中问题，美国先后与欧盟、加拿大等国成立专项工作组，目的是就经营者集中审查工作，达成利于各国消费者、经营者的最佳实践。

2.与有关产业从业人员的合作

在生成式人工智能技术及其衍生市场动态发展的背景下，反垄断执法机构必须更密切、更广泛地与有关产业的从业人员进行合作。借助来自业内的“第一手”资讯，增进对于技术、市场发展现状的见解，从而保证反垄断监管的有效性，取得促进创新、维护竞争之间的平衡。总体上，反垄断执法机构应将合作有机嵌入监管的各个阶段。鉴于目前相关案件较少，反垄断执法机构有必要把重点更多地放在事前阶段，例如通过圆桌会议、调研访谈等方式了解竞争动态。在此方面，目前国内外已有许多成熟的参考。如就前者而言，可以参考我国针对数字经济公平竞争与反垄断问题举办的“中国市场监管圆桌会议”。就后者而言，则可参考英国竞争与市场管理局的做法：先对当前的人工智能基础模型展开初步调查，基于调查结果提出系列拟议的监管原则（Proposed Principle）。围绕拟议的监管原则，有针对性地推动与国内外利益相关者接触的调研计划。在此过程中，进一步发展、完善拟议的监管原则。除此以外，我国还可借鉴欧盟设立专门的咨询专家组，以在指南、政策制定活动中，获得来自有关产业从业人员更加及时、全面的支持。比较具有代表性的咨询专家组，就是欧盟的ICT标准利益相关方平台（European Multi-Stakeholder Platform on ICT Standardisation）。

四、结语

抓创新就是抓发展，谋创新就是谋未来。重视生成式人工智能技术发展中的垄断风险及其反垄断监 管应对，就是要为生成式人工智能的技术创新营造公平竞争的市场环境。利用市场竞争、技术创新之间有益的互动，推动生成式人工智能技术实现高质量的发展。尽管当前生成式人工智能业态的特征、规律尚不清晰，但就目前来看仍然没有超脱现有的反垄断监管逻辑、框架。我国反垄断执法机构应以既有的监管经验作为指引，围绕数据、模型、人才和算力等关键资源进行更加深入、细致的前瞻性研究。在此基础上，探索、制订出更适合中国实际的反垄断监管策略。通过有为、有效的反垄断监管，激发生成式人工智能领域的创新活力，以此确保我国能在全球竞争的背景下，一直走在生成式人工智能技术发展的前沿。