扬帆配资构建创新与安全并重的大模型竞争治理体系丨法经兵言

在全球人工智能竞争日益激烈的背景下，我国大模型产业对内面临低水平竞争与结构性垄断风险、存在产业管制与监管失灵等政策性干预的可能；对外则需摆脱对人工智能相关技术与供应链依赖，进行充分创新与竞争。

本文结合我国人工智能市场竞争及竞争治理状况，考察可能会影响大模型产业创新发展的市场风险，提出以创新为主线和以安全为底线、统筹创新与竞争、兼顾效率与公平的人工智能大模型市场竞争优化路径。

闭源还是开源？

关于大模型的开源与闭源两种软件开发模式的争议从未停止。开源指开放源代码，将源代码公开发布并允许任何人查看、修改和使用；闭源则不公开源代码，只对外发布编译后的软件。选择闭源路径的大模型主要有OpenAI的GPT系列、Anthropic的Claude以及谷歌的Gemini。闭源大模型的模型代码及数据通常不对外开放，研发者可以通过提供API访问和企业解决方案来实现盈利，进而保证相关技术能够持续研发并改进模型。与此路径相反的是以深度求索（DeepSeek）为代表的大模型，其开源发布多款较低训练成本、较高计算效率、高水平算法优化、具备思维链推理性能的原创性、高质量开源大模型，获得全球技术认可和市场跟随。

我国开源创新生态尚处于初步探索阶段，大模型开源创新生态的建设面临不小挑战。一方面，我国大模型底层基础研究能力相对薄弱，数据和算力基础制约大模型性能提升；另一方面，大模型产业内各类创新主体间未形成有效协同，产业内无序竞争引发乱象丛生。

实践中开源大模型的公地治理也比较复杂。一方面，要考虑跨国组织、政府机构、非营利性组织等多元群体的差异化利益诉求。另一方面，开源大模型与开源软件在开源要素、数据需求等方面差异显著，公地治理出现新的矛盾。在开放智能阶段，大模型开源公地持续高昂的建设、维护和使用成本，使投资回报无法在短期内兑现，在开源软件阶段中以开源许可证为公地治理的共识机制、以开源基金会为协调纽带的公地治理机制面临重大挑战，仅仅依靠开源社区（社会主体）与商业公司（市场主体）无法有效治理公地悲剧。

大模型市场竞争治理挑战

一是垄断行为认定标准不适配。首先，目前市场界定方法无法适应动态竞争的大模型市场。大模型技术迭代迅速，产业链涉及关键要素众多，通用模型与垂直模型的竞争相互交织，大模型既属于基础技术，又广泛接入具体应用场景，导致相关市场边界越发模糊。《国务院反垄断委员会关于相关市场界定的指南》主要依托静态分析框架，在判断企业是否在单一市场构成支配地位时存在结构性局限：一方面，其对平台经济特性的兼容性不足，难以识别数据驱动型跨界竞争对市场边界的重构作用；另一方面，忽略技术创新迭代速度、市场进入壁垒动态变化及消费者需求迁移等要素，可能导致对市场力量的误判。不同于在数据驱动的生态竞争中获取的竞争优势，大模型产业的生态系统竞争优势不一定来源于某个独立的相关市场，从协作模式、价值创造路径多个角度对比来看，经营者存在摆脱依赖单一市场的可能，转为依托整个生态系统所产生的竞争优势排除、限制竞争。

其次，经营者集中制度面对大模型市场存在固有漏洞。当前，营业额仍是我国经营者集中唯一的申报标准，而对于可能或已经形成大模型生态系统的经营者而言，大部分开源大模型仍旧提供免费服务，其营业额未必达到申报标准。同时，通用大模型的深度应用能够快速推动经营者的数智化运行，推进大模型普惠化，降低经营者的经营成本；效率的提升可能推动营业额的快速增长，增加经营者集中申报的潜在需求，对营业额标准造成冲击。市场监管总局在2024年发布的《横向经营者集中审查指引》首次提出市场份额与市场集中度的量化指标，能够更好指引经营者集中申报和审查工作，但从长期来看，依旧需要建立对技术更为敏捷的动态调整机制，并探索融合数据权属等新型评估维度，以适应大模型产业的生态系统。

再次，通用大模型难以达到监管透明度要求。通用大模型训练与推理过程的不可解释性、不可预测性，使得要求算法公开的救济手段难以实施，制度上也缺乏对算法透明度的强制性审查要求，监管机构难以追溯相关反竞争行为的证据。同时，我国现行反垄断相关制度仍以市场份额、价格协议等作为垄断行为认定标准，难以应对人工智能领域特有的数据垄断、算力垄断、算法共谋等新型竞争问题。例如，通用大模型训练所需的海量多模态数据可能聚集形成“数据孤岛”，但现行反垄断监管框架中缺乏对数据聚集的审查的触发标准和可量化指标。

二是产业发展与政策制定失衡，这主要表现在两方面：第一，不当的产业政策可能扭曲市场竞争。地方政府对本地人工智能企业的算力补贴政策易存在区域限制、补贴标准差异，可能导致跨区域市场分割；第二，不当的产业政策可能导致资源配置失衡。例如，在多地产业政策支持下，截至2024年7月底，我国纳入监测的智算中心已达87个，但平均利用率仅为30%左右，部分区域算力闲置率超25%。这种“军备竞赛”式投入反映出产业政策未与竞争政策形成协同效应，造成资源利用效率降低。

第三，国际协同与风险应对不足。我国尚未形成具有国际约束力的标准体系，影响力相对有限。我国大部分高性能计算场景具有对进口芯片的依赖性，一旦遭受人工智能相关技术的管制措施，我国通用大模型产业则可能面临供应链中断问题。

大模型市场竞争治理举措

当前，人工智能通用大模型处于技术扩散与商业模式探索阶段，大模型的基座属性与规模经济效应不可忽视，由此带来了通用大模型市场的监管力度难以把控的问题。

第一，坚持鼓励创新的包容性监管。人工智能大模型仍处于发展初期，大模型生态系统尚未完全成形，需要更为宽松而非约束的监管环境。过早建立刚性监管框架存在增加合规成本、抑制企业创新等弊端，导致监管措施与技术创新曲线错位。

第二，设定灵敏的反垄断事前规制措施。其一，完善反垄断事前监管的相关规则与标准。可以考虑在认定市场支配地位时，通过必需设施原则对通用大模型进行垄断分析，评估杠杆行为对大模型市场竞争格局的破坏，而非仅聚焦单一市场份额。在经营者集中监管方面，《横向经营者集中审查指引》将效率作为经营者集中抗辩理由之一，其中明确包含“技术改进效率”，允许经营者证明集中可通过整合研发资源、加速技术扩散提升创新效率，还通过评估集中是否消除潜在竞争者，间接保护创新。未来，需优化对于创新抑制型集中的识别机制，考虑将数据聚集程度和算力基础设施控制力纳入核心审查指标，允许通用大模型经营者通过承诺开源核心算法或开放API接口等研发资源共享的方式进行创新抗辩。

其二，重视通过市场调查梳理相关垄断风险。英国的《数字市场、竞争和消费者法案》授予了CMA对指定企业开展战略市场地位调查的权利，识别在关键数字领域具有实质影响力的企业。我国可以借鉴英国CMA的战略市场地位调查，考虑先对数据、算力基础设施等关键资源进行初步研究，通过定量、第三方认证等方法对通用大模型企业的市场地位进行评估。市场调查也要充分强化技术赋能监管，通过举报、舆情监测、行业协会等多维度信息源掌握可能的线索，价格波动同步性、技术路线趋同性等指标进行实时监测，完成对市场竞争状况、市场集中度等指标的经济分析。

第三，强化行业管制与反垄断监管协力。行业管制一直与反垄断执法相辅相成。反垄断监管旨在事后消除或制裁具有强大市场力量的数字企业正在实施或已经实施的垄断行为，而通用大模型的迅速发展需要监管执法不断提升其敏捷性。

第四，加强产业政策与竞争政策的协同共融。强化中央与地方产业政策协同，以促进产业发展为目标，防止产业无序发展和无序竞争。国家层面，制定人工智能大模型产业发展指南，秉持发展和安全并重的原则，在国家统一的指导标准下，推行稳定、可预期的产业政策。地方层面则须立足自身产业基础与产业优势，因地制宜地出台具有协同性的产业政策，实现区域全要素生产率的提升。

（作者系南开大学竞争法研究中心主任、法学院副院长，数字经济交叉科学中心研究员）

举报文章作者