服务方式和监管模式与时俱进是我国政府建设的重要特征，2019年党的十九届四中全会首次提出“推进数字政府建设”，时至今天，数字政府建设已经成为我国国家治理体系与治理能力现代化的重要战略方向。数字时代，数字技术创新与数字政府建设日新月异，新一轮科技革命和产业变革将数字政府建设助推到新的阶段。2022年出台的《国务院关于加强数字政府建设的指导意见》提出，“建立健全大数据辅助科学决策机制”“以新型监管技术提升监管智能化水平”。为提高数字化、智能化水平，人工智能技术开始被应用于国家立法、行政、司法等领域，融入国家治理的方方面面，在规则制定、执法裁量、司法审判等场景下已有不同程度的应用并被广泛探讨。作为当下最具代表性的科技成果，人工智能如何改变政府服务和监管方式以及与之相关的问题成为必须面对的话题。

公平竞争审查制度是近年来政府规制领域最为重要的制度创举，自2016年建立到《公平竞争审查条例》（以下简称《审查条例》）及实施办法颁布，其法治化和体系化水平得到显著提升，刚性约束不断强化。公平竞争审查制度能够从源头上控制行政机关滥用权力的行为，已经成为政府工作中的必要环节和重要内容，在约束政府行为、建设全国统一大市场等方面发挥着重要作用。随着人工智能技术的广泛使用以及公平竞争审查制度的深入落实，将人工智能应用于公平竞争审查的讨论也正当其时。近年来，少量人工智能赋能反垄断监管的研究对该话题表现出一定关注，但系统性和针对性有限。人工智能应用于公平竞争审查无疑是公平竞争审查制度实施的新形式和新样态，人工智能如何发挥作用，怎样从制度上保障和促进这一技术的应用，是实现智能化的公平竞争审查必然面临的问题。

一、人工智能应用于公平竞争审查的基础和前景

人工智能技术应用于公平竞争审查领域是数字政府建设的内在要求和必然方向。这种技术应用具有以往各种公平竞争审查配套机制无法比拟的优势，运用前沿的资源和技术条件缓解当前审查面临的压力，提升审查效能，符合智能技术发展的趋势和制度落实的长期需求。

（一）人工智能应用于公平竞争审查的必要性与可能性

落实公平竞争审查制度对人工智能技术存在现实需求。公平竞争审查制度是对行政体系的系统性改造，实践中面临审查“质”与“量”两方面的考验。一方面，我国每年制定的与市场经济活动有关的文件数量巨大，出台速度较快，绝大部分政策起草单位或多或少都存在审查需要，且公平竞争审查制度在存量清理、文件抽查和督查等环节和事项方面都有待落实，而政策起草单位及市场监管部门长期面临人少事多的矛盾，传统的人工审查难以有效应对海量文本的处理需求。另一方面，由于审查规则本身及审查主体能力和动机等多方面原因，审查人员未必能够及时发现问题文件并加以纠正，政策起草单位自我审查质量有待提高；并且不同单位对标准的不同理解极易导致审查结论差异，使得审查质量良莠不齐，即使借助第三方专业评估等机制也难以有效缓解。而将人工智能应用于公平竞争审查有望提升审查效率与精准度，缓解审查压力，减少人为偏差，加强审查的客观性和统一性，是助力公平竞争审查的重要路径。有研究者基于此曾提出，将人工智能技术应用于公平竞争审查，构建人工智能辅助审查体系。此外，深入落实公平竞争审查制度要求提升对全局态势和整体状况的把握能力，公平竞争审查的考核评价等激励机制依托于此，而审查的分散性不利于收集宏观数据和持续监测政策措施，传统工作方式（包括第三方的综合评估）效率不足。为此，《公平竞争审查条例实施办法》第7条规定：“市场监督管理部门应当做好公平竞争审查数据统计和开发利用等相关工作，加强公平竞争审查信息化建设。”一定程度上传递出对公平竞争审查数字化、信息化的关切，是以规则形式支持公平竞争审查工作数字转型的开始。

实践中的客观需求迫使公平竞争审查工作进行数字化改造，而人工智能技术的创新性发展与公平竞争审查的制度特点则为二者融合提供了可能。

1.技术发展为人工智能进一步赋能公平竞争审查提供了更多可能性

当前人工智能技术正以惊人的速度重塑各行各业，其中大模型技术的突破性发展尤为引人注目，这种技术质变将极大解放生产力，为监管方式改变和能力提升提供了契机。以GPT-4等为代表的千亿参数级大模型，展现出前所未有的文本理解、逻辑推理和知识关联能力，降低了文本应用的开发门槛，能够深入分析政策目的及其实施方式，因此应对政策措施审查的条件更加充分。尤其是以DeepSeek为代表的人工智能基础模型的突破式创新，通过降低算力成本和技术开源提升了AI工具的可获得性，使得大模型技术带来的福利变得更加普惠，方便更多政府部门运用人工智能开展审查工作。政务大模型是近年来人工智能赋能政府事务的典型形式，各类政务大模型层出不穷，在政府内部办公、政务信息公开、政务服务提供、公共服务优化等领域的应用并不鲜见，将其应用于公平竞争审查正是顺应了这一趋势。

2.公平竞争审查制度与人工智能技术较为契合，便于人工智能引入和应用

公平竞争审查本身就是一套高度流程化的程序设计，通过“是/否”分支逐步推进，分步式逻辑判断环环相扣，适合将其进行指令化。而作为实体性规范，审查标准自制度建立以来，已经形成了以“市场准入和退出标准、商品和要素自由流动标准、影响生产经营成本标准、影响生产经营行为标准”为基础的较为稳定的三级标准体系，且主要以“负面清单”形式存在，有条件转化成机器可识别的规则。总体来看，公平竞争审查制度具备较好的标准化和数字化基础。

基于实践、技术和制度等层面的考虑，人工智能技术运用于公平竞争审查具备充分的条件，事实上这一技术运用并非设想，而是一种正在发生的事实。2024年8月1日，湖北省上线全链条公平竞争审查系统；2024年12月，西南政法大学竞争法研究中心与中国科学院自动化研究所基于“白泽·政通”政务大模型合作研发推出公平竞争审查大模型；2025年2月，南京物浦大数据有限公司在2023年“小竞”机器人模型的基础上接入DeepSeek-R1研发出公平竞争审查行业大模型“小竞2.0”。不少政府及其部门已经启用公平竞争审查线上评估系统或接入公平竞争审查大模型，实现不同程度的智能化审查。大模型的更新换代、垂直领域专业模型的训练及服务应用产品的开发将释放更加强大的效能，为人工智能介入公平竞争审查增添更多想象空间。

（二）人工智能在公平竞争审查中的运作逻辑

人工智能运用于公平竞争审查领域的速度惊人，在制度确立后的短短9年时间，公平竞争审查迅速实现线上化、信息化、数字化和智能化。这一过程得益于数字信息技术和智能技术的快速发展和应用。

互联网为人工智能审查提供了基本支撑，线上审查可以被视为智能审查的初级阶段。线上审查的主要目标是实现审查流程的线上化，通过文件上传、线上审查等将政策制定机关、第三方评估机构、市场监管部门等审查相关主体纳入统一系统中来，实现初审、评估、复审、线索反馈、督办、整改、抽查等多环节一体化，最终达成线上连接和多方互动。以湖北省公平竞争审查系统为例，该系统分为三个端口：市场监管端、起草单位访问端和第三方专家访问端，不同端口内部存在不同的功能设计和流程设计，端口间一定程度的连接最终实现公平竞争审查的整体线上化。（参见图1）线上审查是人工智能审查的前提，依据规范流程搭建了公平竞争审查的基本框架，在连接各方主体实现线上工作的基础上，更加智能化的审查才能发展起来。

随着大数据等技术的应用，公平竞争审查信息化管理系统和公平竞争审查数据库建立并不断优化，在此基础上的公平竞争审查智能化水平持续提升，逐渐从宏观数据统计跨越到具体文件审查。《中国反垄断执法年度报告（2021）》显示，江苏、浙江等地较早探索建立了公平竞争审查信息化管理系统，在公平竞争审查过程中，通过引入大数据技术，实现对政策措施的实时监测、精准评估，提高公平竞争审查工作效能。江苏探索运行大数据监测评估系统，监测范围覆盖500余家单位，监测评估政策措施47.3万份。浙江开发建设“行政垄断”监测系统，建立包含全省2万多个政策文件的公平竞争审查数据库，梳理30多组高频搜索关键词，实现对行政性垄断行为的智能监测，开发上线以来已监测发现各地问题政策文件101件。公平竞争审查信息化、数字化管理的效果开始逐渐显现。

彼时的审查还是基于智能审查词库、高频敏感词等作出简单机械的特征匹配，只能识别固定的词汇组合，智能程度有限。大模型支持下的人工智能基于深度学习模型，学习大量的语言样本，并通过自然语言处理技术深度理解复杂语言，因此，一方面，能够将复杂的公平竞争审查规则转化为可编码的节点和关系，形成机器可理解的审查规则图谱；另一方面，能够结合上下文语境来分析内容的真实意图，从而判断政策文件中较为隐晦的内容是否违规，并凭借强大语言生成能力输出判断结果及相关依据。作为“技术基座”，大模型在技术能力上能够支持公平竞争审查，但真正适配公平竞争审查领域，还需要在通用模型基础上进行专业优化训练和参数微调，使其成为该领域的专业模型。公平竞争审查专业模型的训练依赖于该领域内的大量专业知识和专业数据，市场监管部门建立的公平竞争审查服务平台和数据库，是人工智能训练学习的重要资源，通过对数据的清洗、标注、加工等标准化处理，使其成为具备特定格式和结构的数据集，从而真正被用于专业模型训练。另外，人工智能模型能够在后续每次审查中学习，不断优化其分析模型和分析过程，适应公平竞争审查的规则与规律。而今人工智能大模型技术向纵深发展，在公平竞争审查中发挥的作用也更值得期待。

（三）人工智能在公平竞争审查中的作用

人工智能在公平竞争审查中发挥的作用往往是由场景驱动的，通过开发并依托丰富的应用场景，人工智能得以拓展和实现更多功能，从而赋能公平竞争审查工作。人工智能在公平竞争审查领域主要的用途有以下几个方面：

1.智能审查

赋能实质审查是对人工智能最为核心的期待，即运用人工智能对政策文件是否违反公平竞争审查标准作出判断，这一过程是公平竞争审查效率提升的重要环节，也是几乎所有公平竞争审查专业模型的必备功能。大模型技术在文本图像等多模态数据处理、自动化决策多方面的进步促成了这一功能的实现，通过“上传文件＋一键审查”，决策式人工智能技术算法模型能够自动识别存在问题的文件内容，并匹配到对应的违规条目和标准类型，生成式人工智能技术则支持生成完整的公平竞争审查报告，进行一定程度的说理式分析，大大提高审查效率。

2.数字化评估

数字化评估是人工智能应用于公平竞争审查的系统性展示，审查平台以采集数据和审查数据为基础，以公平竞争审查综合评估中的量化评估指标体系或公平竞争指数为依据，进行自动化计算，实现各级、各区域公平竞争审查情况的量化评估及时空双维度对比分析，也可形成公平竞争审查指数评估报告，并通过可视化技术全方位呈现和监测公平竞争审查制度落实状况。

以上应用是聚合的而非单一的，并且有诸多基础功能的支撑才能实现，例如搜集政策文件、提供审查咨询、推荐审查案例、在线监测、清理政策措施等。通过统一审查平台提高审查水平和专业性，公平竞争审查工作得以流程化和透明化，也便于上级机关或第三方对审查过程和结果的考核与监督。人工智能应用于公平竞争审查领域，主要集中于政府内部场景，但依然可以考虑面向外部用户，助力社会监督。结合公平竞争审查的各种机制和多种配套措施，深入挖掘公平竞争审查工作的各种需求场景，能够实现对公平竞争审查领域智能化的全面改造。

二、人工智能应用于公平竞争审查的挑战

或许是基于前述原因，公平竞争审查工作似乎迫不及待地拥抱人工智能技术，公共部门（政府及监管部门）与商业部门（如第三方评估机构等）都积极地参与其中，而对人工智能技术应用面临的问题和挑战却思虑不足。诚然，人工智能在公平竞争审查领域表现出不俗的应用前景，但数字技术与传统制度间存在不小的差距、矛盾甚至冲突，公平竞争审查的数字化改造必须面对并妥善处理技术逻辑与制度逻辑在某些场景下可能出现的紧张关系。为此，基于人工智能发挥作用的前提与基础，正确认识智能审查的真实局限，有助于破除技术盲从和商业泡沫，压缩技术应用与制度运行之间的夹角，引导人工智能更好地融合于公平竞争审查。

（一）公平竞争审查规则的不确定性和复杂性

人工智能审查依然需要遵循公平竞争审查规则来开展，人工智能算法与公平竞争审查规则间的张力影响智能审查的效果，因此需要认真对待。人工智能的应用并不会影响既有公平竞争审查规则，完全可以基于审查规则设计可靠的人工智能审查系统，从而赋能公平竞争审查，这对人工智能提出了较高要求。人工智能审查对程序性规则的适应性尚可，但面对实体性规则，还存在不少障碍。

首先，审查标准具有不确定性。作为现实生活的抽象归纳，法律语言的不确定性广泛存在，在公平竞争审查制度中主要集中在审查标准方面。审查标准的不确定性体现在规范的主体要素、客体要素、行为要素等方面，法律文本中的“特定经营者”“不合理”“不必要”等开放式概念使得审查裁量空间较大，对应到实践中的情况将更加复杂，例如“龙头企业”“领军企业”“省级重点企业”等是否属于特定经营者难以有效判断，尽管《公平竞争审查条例实施办法》对“特定经营者”进行了语义解释，但在适用时仍有赖于审查经验和具体情境。审查标准的不确定性是智能审查系统设计的重要挑战。一方面，法律适用时一旦具体规则力有不逮，便只能寄希望于法律原则及规范背后的基本价值，尽管与公平竞争“价值对齐”是对公平竞争审查专业模型的要求，但在过于依赖价值权衡的复杂场景下，考虑到客观条件，这种要求尚难达到，价值判断构成了人工智能系统设计的障碍；另一方面，不确定性概念需结合具体市场环境、经济效果和公共政策目标进行动态解释，具体情况具体分析，这样一来，违法性判断的信息便需要在文本之外寻找，智能审查的准确性即变得难以控制。人工智能基于确定性代码逻辑运行，与法律规则的不确定性始终存在结构性矛盾，尽管经过海量信息及数据样本的投喂与训练，大语言模型对不确定性规则的理解和处理能力会不断进化，使最终结果趋于更优。但实现最优结果的理想状态尚需大量投入，在较长时间内这种矛盾只能尽量缓解。

其次，审查规则具有复杂性。一方面，审查标准之间存在较为普遍的竞合问题，主要在于其他三类标准与商品自由流通标准的交叉，以及标准内部具体表现形式的交叉，同一事实往往能够适用不同的标准进行评价。以对待共享单车的态度为例，实践中的某些做法依据《反垄断法》第39条“限定或者变相限定单位或者个人经营、购买、使用其指定的经营者提供的商品”、第40条“通过与经营者签订合作协议、备忘录等方式，妨碍其他经营者进入相关市场或者对其他经营者实行不平等待遇”或者公平竞争审查标准中“违法设置或授予特许经营权”在效果上都能够确认违法，但不同条款对该问题的认识完全不同。因此标准的选择及准确适用有时非常重要，不加注意便容易造成误断。另一方面，审查标准本身并不足以判断审查对象是否具有违法性，需要结合其他规定作出分析，具体应用时又需要综合考虑法律与政策。例如“对市场准入负面清单以外的行业、领域、业务等违法设置审批程序”，这一标准要求准确了解市场准入负面清单的相关内容；违反“影响经营成本”标准的特定行为以“没有法律、行政法规依据或者未经国务院批准”为前提，这就需要了解相关领域的上位法依据。理解并适用公平竞争审查中的引用性规范，不仅要求熟悉《审查条例》，还要求对诸多市场监管法律和相关政策有一定程度的了解，具体涉及《反垄断法》《招标投标法》《政府采购法》《价格法》《行政许可法》等法律及其配套规范，涉及的政策则更为宽泛。忽视审查规则的复杂性，无疑会导致人工智能审查算法设计的系统性偏差，而这种复杂法律规则的代码转换，难度较大。此外，还需要考虑法律法规及政策的变动与大模型知识库间的差距。基于大量历史政策法规信息训练的人工智能系统存在时效性局限，可能给出过时的判断结果，如何及时调整跟进快速变化的政策与市场环境，也是必须面对的问题。

公平竞争审查规则是体系化的，这一规范体系是从法律原则到具体规则再到个案解释的金字塔逻辑结构，文本对象越抽象，算法转化的难度便越高（当然，作为“塔基”的最为具体的个案素材则最容易被吸收转化）。审查规则的上述特性使得部分规范信息难以在人工智能算法上完整映射，算法对规则文本的表述也会产生解释偏差或逻辑错误，尽管“批量列举型规范”消减了审查规则的不确定性和复杂性，但也可能产生将违反审查标准的常见情形上升为必要条件的情况。人工智能理论上固然可以实现审查结果的统一，但倘若处理不好与规则间的张力，也会走向刚性的一刀切，破坏审查的准确性和公正性。

（二）高质量数据集供给不足

数据是大模型训练的“燃料”，人工智能大模型的学习能力和泛化能力建立在对海量数据的收集、存储、挖掘、分析与应用的基础上。人工智能审查系统的功能优化与性能提升需要充足的高质量数据，高质量数据越充足，审查结果越具有可靠性。而如果用于人工智能训练的数据质量较差，专业知识比重较低，则更容易出现无意识的偏见和歧视，最终导致审查错误和审查疏漏。高质量数据在准确性、完整性、标注精确度、规模类型和时效性等方面要求较高，如果用于训练的数据不准确、不完整、类型单一、时效性差，则必然影响人工智能机器学习的效果。同时，通过特定领域数据集的重点训练能够将通用模型转化为专业模型，使人工智能掌握特定领域的关键特征与独有规律。因此，为训练和精进人工智能审查模型，公平竞争审查领域充足的高质量数据集必不可少。

训练人工智能审查系统需要在收集既有的审查数据的基础上进行数据清洗与标注，审查数据多来源于网络已公开数据和政府自建的数据系统和数据库。公平竞争审查场景下的数据集更多关联政府事务，也因此与政府信息公开和公共数据开放密不可分。一方面，当前我国公平竞争审查的信息公开并不充分，存在重整体而轻细节、重形式而轻实质等问题。其一，公平竞争审查信息公开范围过窄，且强制性不足。我国《审查条例》第21条和第22条分别规定了公平竞争审查抽查结果和举报受理渠道的社会公开，其中，举报受理渠道属于强制公开，具有数据训练意义的抽查结果的公开则属于可裁量的公开，信息可得性便大打折扣。其二，公开信息简略，实质内容缺失。发布的审查工作总结、审查统计数据、审查文件目录等信息内容难以形成可有效利用的数据，对人工智能持续训练价值不大。作为公平竞争审查对象的大量政策文件及其规范性判断是人工智能审查训练最重要的数据资源，而这方面的信息公开显著不足，并没有得到足够重视。另一方面，政府部门掌握着最丰富、最优质的公平竞争审查案例信息，但如何转化为可供利用的数据在实践中面临困境。一是信息的数据化及其归集。总体来讲，公平竞争审查的信息化尚在初期阶段，建立公平竞争审查服务平台或系统在实践中并没有普遍发展起来，并且在建立该系统的地方，政策起草机关使用该系统仍需要进行动员，尤其对将政策文件上传系统较为谨慎，出于保密、安全等方面的考虑，不会将与市场主体相关的政策文件全部上传，基于应付考核或评估等原因，仅愿意选择性地将部分审查过的文件上传系统。因此，审查案例信息在数据化及数据归集等方面并不充分。二是数据的开放度。尽管公共数据开放已经被纳入政策议程并如火如荼地发展，但公平竞争审查领域的数据开放尚未有实践，考虑到其内容涉及政府行为约束的特殊性质，该领域数据开放也并不容易。

高质量数据集供给不足的原因还在于审查实践方面。充分的审查实践无疑能够提供高质量的训练数据，而某些地方及领域公平竞争审查质量不高、审查经验不足等将影响更优质数据的供给。从地方来看，公平竞争审查制度在地方层面的实施进展不一，差异明显，部分地方审查水平有待提升，县级政府实施公平竞争审查绩效不佳。从制度适用倾向上来看，公平竞争审查例外规定适用较少，相关规范可操作性差，适用较为困难，而且遗憾的是，当前市场监管部门几乎未公开过任何适用公平竞争审查例外规定的案例，一方面使得实践中对例外规定讳莫如深，不敢适用；另一方面，为使制定的政策措施顺利通过审查，某些政策制定机关将本不属于例外情形的归于例外，使得例外规定被滥用，从而产生异化风险。在相关案例缺乏、难以建立一定规模高质量样本数据库的情况下，训练出的人工智能审查系统更倾向于找出可能存在的问题，而非适用例外。因此，需要更多适用例外规定的案例被标注为关键数据，才能针对性优化人工智能审查的性能，改进对适用例外规定的认识。高质量数据集的供给有赖于高质量审查实践的支持，提升审查的质量和效果是持续供给高质量数据集的保障，基于高质量数据集的智能审查又将进一步优化审查效果，正是通过这一过程达到人工智能与公平竞争审查融合的正反馈循环。

（三）人工智能算法的不透明性及其解释需求

作为运用人工智能审查的普通工作人员，只能观察和接触到输入与输出的内容，因此，输入端与输出端之间的运作过程是不透明的，大多数审查人员难以理解从输入到输出之间的运行逻辑。这一不透明事实使得审查过程难以被追溯，因而不能被有效监督，审查的公正性和准确性便难以保证。此外，人工智能审查存在的一些缺陷会加剧算法不透明的后果。例如，人工智能在违反审查标准的选择方面不够准确；内容审查过于机械和刚性，容易“一刀切”；出现“机器幻觉”，错误解释审查规范、虚构案例和资料来源，等等。以上问题通常隐藏在人工智能技术背后，呈现出较强的隐蔽性，使政策起草机构和市场监管部门难以察觉。审查过程的不透明将放大人工智能审查弊端，使得不透明性成为公平竞争审查领域人工智能应用中的难题。如果长期得不到解决，将影响使用者对人工智能的信任度，并逐步侵蚀智能审查的可信基础。

为此，需要提高人工智能算法的可解释性。人工智能经过怎样的处理得出审查结论，什么因素能够影响人工智能作出判断，什么条件下审查结果更具有准确性，人工智能审查有何局限性，这些问题构成人工智能审查算法透明的重要内容。具言之，智能审查的标准选择错误是因为人工智能在对审查规范进行转换的过程中存在语义损耗和解释偏差，还是忽视了规则的体系性导致规则转化中存在逻辑错误，是主观人为的还是客观难以避免的，等等，这些问题需要被理解和认识。通过算法解释，增强使用者的认识和了解，减少信息不对称，才能建立与使用者之间的信任，并更好地使用和改进人工智能算法。例如，如果知晓其基本工作模式仅是简单的词库对比匹配，一旦出现“优先”一词就倾向于将其列为涉嫌违规，那么使用者则会相应调整对人工智能的信任度和依赖程度，弥补人工智能的缺陷；当某一含“优先”的表述被标记时，审查人员则会具体考虑该“优先”一词的语境，以及市场主体是否实质上享有同等参与机会、政策目的是否出于一定激励效果等，提高审查的准确率。

三、人工智能在公平竞争审查中的定位及发展

承上所述，人工智能应用于公平竞争审查存在不少挑战和问题，一定程度上暴露了人工智能审查的缺陷，限制了人工智能在公平竞争审查领域的进一步应用，但这些问题和挑战的存在并不会将人工智能嵌入公平竞争审查划入禁区。厘清人工智能在公平竞争审查领域中扮演的角色，缓和两者之间存在的矛盾，促进人工智能的更好应用是技术赋能的必由之路。

（一）人工智能在公平竞争审查领域的功能定位

鉴于人工智能应用受到的客观约束及存在的问题，应当对其合理定位并谨慎对待。尤其是政府部门应当在利用人工智能审查的同时保持对人工智能技术的警惕，避免技术崇拜和过度的追新求异。

首先，坚守审查人员的主体性。尽管人工智能可通过机器学习模拟人类决策模式，似乎开始突破传统工具属性向具备系统性分析能力的智能体进化，但其决策过程实质上是统计关联而非价值推理，当前其智能化及应用程度仍然有限。公平竞争审查的主体是人，人工智能可以成为辅助审查的工具，但不能成为代替审查人员作出最终判断的主体性角色，其审查结果“不具有终极效力或证据效力”，因此也并不会影响当前的公平竞争审查的责任规范。以人为中心的责任规范依然符合当前人工智能审查的规律和现实，审查人员不能因为人工智能的审查失误而推卸责任，自然也不能归咎于系统开发者。

其次，妥善协调人机关系。鉴于当前人工智能审查在性能等方面仍有待提升，审查结果并不完全准确和可靠，很难通过智能审查直接解决审查问题，因此需要专业审查人员复核。在智能审查之外增加人工审核非常必要，智能审查伴随的“一刀切”“机器幻觉”与解释偏差等问题需要人工审查来纠正，可以由人工智能承担初筛、标注、分类等基础工作，提供审查线索，审查人员与专家则聚焦复杂案件的实质性论证，由此建立“AI辅助＋人工复核”模式，实现更好的人机协同。在复核环节，审查人员可以拥有更多的时间和资源关注政策的重点内容、相关领域规则和案例的更新，必要时进一步考察和权衡政策可能带来的正负效应，以使审查结果更加准确。鉴于当下人工智能审查在例外规定适用方面并没有展现出太多优势，人工复核时需参酌政策背景和意图等方面的因素，适当考虑例外的可能性，平衡公平竞争和其他价值目标，体现审查的实质公平。加强复核人员的沟通交流，互相分享审查经验并及时反馈机器审查存在的问题，从而调整和优化人工智能审核的结果。当然，更加具体地界定人工智能在审查中的参与度，需要根据人工智能的性能和智能化水平来考量，这也对人工智能的可解释性提出了一定要求。

人工智能审查的功能在于以更高质效的审查影响和塑造政策起草机关的思想观念和行为模式。政策起草机关由于思维惯性和路径依赖在自我审查时往往难以发现问题，而借助人工智能审查则变得更加容易。湖北省公平竞争审查系统即在起草单位访问端设置文件预评估的自检环节，对还未发布、需提前预评估是否涉嫌违反公平竞争审查标准的文件，通过内置算法模型进行研判。通过人工智能高效的预评估和初筛，对待审内容进行快速分析和判断，自动识别出政策文件的潜在问题或风险点，并给出相应的提示，能够及时提醒政策起草机关，使其明确审查的重点，进而优化政策措施。基于公平竞争审查规则及大量高质量数据集训练的人工智能审查，可以部分替代第三方评估（包括公平竞争评估和综合评估），利用有限资源，更高效地在政府体系内培育并形成公平竞争观念，助力公平竞争审查制度的落实。

（二）人工智能对公平竞争审查领域的发展促进

尽管人工智能审查面临一些挑战，甚至与公平竞争审查的某些方面存在结构性矛盾，但这些问题和矛盾能够通过多方努力得以消解。顺应时代发展要求和趋势，改进规则和实践做法，在人工智能与公平竞争审查之间架起坚实的桥梁，有利于推进人工智能在公平竞争审查中的高效应用。

1.提升人工智能与审查规则的适应性

人工智能审查系统与公平竞争审查规则息息相关，因此必须妥善处理两者的关系。首先，应提升人工智能审查系统与公平竞争审查规则的适配性。在人工智能审查系统开发环节摆脱唯技术论倾向，考虑到人工智能审查系统的开发主要是竞争法和人工智能领域的结合，合作开发是较好的形式。反垄断专家应当全面参与到智能审查模型训练过程中，指导并促成对法律概念与规范逻辑的正确理解，同时通过对训练结果的仔细判别，不断修正和完善用于训练的数据集，提升大模型识别文件的准确性。作为指导公平竞争审查的机构，市场监管部门在公平竞争审查体系中有着特殊地位，应当参与到面向政府部门应用的审查系统开发中。

其次，调整与改进公平竞争审查规则。法律规则与科学技术之间的关系是联动的。一方面，法律与技术的融合应遵循以法律为主导、技术为支撑的方向，审查规则指引着人工智能审查系统设计，更具科学性和准确性的审查规则有利于人工智能审查知识图谱的优化，从而促进审查实践。另一方面，制度规范应当反映科技发展状况并回应其发展需求。仅从信息化的方面考虑公平竞争审查工作仍显不足，需加强公平竞争审查数字化、智慧化转型的规范供给，适当回应人工智能介入公平竞争审查的尺度、边界和风险管控，以及公平竞争智能审查相关数据的收集、管理、共享、分配等问题。

最后，为应对规则的复杂性，可以将具体领域或行业作为突破口。人工智能审查系统可以标注或分类的方式更多地关注具体行业，例如招投标领域的公平竞争审查等，以行业或领域为标准进行审查分类，逐渐丰富与行业或领域特性相关的审查标准中的关键要素和特定概念，使智能审查更加精细化。再如，发改委发布了大量违背市场准入负面清单典型案例及处理情况，高质量数据较为充足且与公平竞争审查案例存在共通之处，可以纳入数据库针对性优化市场准入方面的公平竞争审查。通过强化人工智能在特定领域和业务场景的审查训练，才有可能提升人工智能审查的专业性和精准性。

2.加强高质量数据集的供给

高质量数据集供给对人工智能应用的意义重大。一方面，高质量数据供给不足必将影响人工智能审查的质量，只有保证充足的高质量数据集，才能不断提升人工智能审查的深度和精细度。另一方面，高质量数据集充分供给能够有效消解人工智能应用带来的风险，对人工智能应用产生的“机器幻觉”和审查缺陷等有明显的改进作用。为此，可以从以下三方面加强高质量数据集供给。

第一，完善公平竞争审查信息公开。公平竞争审查的信息公开不仅有助于保障市场主体的知情权，而且对数据的开发利用也具有重要意义。为促进智能审查发展，应当将高质量的数据集供给作为公平竞争审查信息公开的目标之一，系统性提升信息公开的质量和效果。一方面，应当完善公平竞争审查信息公开规则，明确并强化公平竞争审查各相关主体的信息公开职责，适当扩展信息公开范围。除了《审查条例》中提及的几种情形，还应当考虑定期审查清理结果、评估结果等情况的公开。信息公开以公开为原则，不公开为例外，除国家秘密、商业秘密、个人隐私等外，应当尽可能公开。另一方面，以加强数据供给为导向规范信息公开。在内容上，公平竞争审查的信息公开应避免过多形式化、政绩性的信息，回归案例本身，公开并解析以文书为主要内容的具体审查案例，提升个案审查的精细化程度。为进一步提炼审查规律、凝聚审查共识，应当保证个案公开的规范性，制定案例公开的统一模板，将案例的构成要素定型化，形成标准化的信息内容。值得借鉴的经验是，欧盟委员会竞争总司（DGCOMP）为落实2011年委员会重用决定和2019年开放数据指令，将案例数据以机器可读的JSON格式提供下载，每日更新，以供用户重新处理和分析。

第二，顺应数字政府建设趋势，推进公平竞争审查信息化系统建设，建立公平竞争审查案例数据库，实现政府数字化改革。从数据质量及数据收集成本方面考虑，相较于网络上已公开的信息数据，政府掌握的数据用于人工智能训练更有优势，因此相关平台与数据库建设显得更为重要。考虑到建设需求、能力和组织协调等方面的因素，建设主体应该是省一级政府。为节省资源、防止数据孤岛，可以考虑议题合并，将信息公开平台建设与案例库建设合而为一，同一平台发挥两种功用。为加强数字政府建设，鼓励审查单位将相关审查文件上传系统，可以将信息化、数字化水平作为政府机关工作考核的一项内容，并将其融入公平竞争审查第三方评估、检查等指标体系。为充分供给支持智能审查的高质量数据，还可以在以下几方面作出努力：其一，公平竞争审查是动态发展的，用于人工智能训练的数据库和语料库应当持续更新，及时淘汰不准确和过时的公平竞争审查案例，跟踪审查的政策与法规动态，保证数据的时效性和发展性。其二，尝试打破部门间信息和数据壁垒，尤其是市场监管部门与行业监管部门之间应当增强信息和数据流通，例如公共资源交易监管部门的招投标信息、发改委的市场准入负面清单管理数据等对公平竞争审查都有重要意义。其三，加快公共数据开放进程，在维护国家秘密及数据安全的前提下，有条件地逐步开放公平竞争审查系统和案例数据库，充分开发公共数据资源。

第三，提供有力的审查实践支撑。人工智能应用于公平竞争审查不仅是技术驱动的，更是以实践为内容的，线上线下审查并无本质区别。高质量数据集的供给需要持续推进公平竞争审查实践，提升公平竞争审查经验。政策起草部门和市场监管部门应当注重回应现实问题，面对疑难问题积极创新。以公平竞争审查制度的例外规定为例，政策起草机关不乏适用的冲动，市场监管部门可以在充分论证的前提下发布典型案例提供有效指引。公平竞争审查是一项长期的事业，现有的公平竞争审查制度框架已经形成，通过多种机制并行推动公平竞争审查制度深入实施，在丰富的实践素材的基础上，人工智能审查的准确性和确定性才能有效提升。

3.推进人工智能算法解释

完全的算法透明是不可得的，但增进对算法的解释和理解依然有其重要价值。人工智能审查算法的解释宜采取功能主义取向的解释方法，以可被理解的方式进行有意义解释。算法备案是监管导向下对算法解释的一种制度尝试，依据《生成式人工智能服务管理暂行办法》，具有舆论属性或者社会动员能力的算法推荐服务提供者应当履行备案义务，填写算法数据、算法模型、算法策略和算法风险与防范机制等信息。应用导向下的算法解释似乎更具现实意义，要求不应过于严苛，目的在于促进智能审查的可信发展。一方面，可以制定相关的人工智能审查说明，使审查人员了解人工智能审查的工作原理，输入内容对输出内容的影响，知悉人工智能审查的目的。另一方面，通过拓展智能审查系统的功能，一定程度上实现运行结果溯源，例如，在生成审查结果的同时，展示其对应的检索知识库出处及相关索引、推荐类似案例等，有利于加强算法运作过程的解释，给审查人员提供参考，提升结果的可接受性。相应地，应当加强审查人员的培训，将智能审查的工作原理及相关问题作为培训内容，提高审查人员对智能审查的了解程度和适应性，提升应对复杂问题的能力和素质。同时，应加强审查的事后反馈。将审查人员对人工智能判断的修正结果反馈给模型，进一步优化模型性能，促进人机更好协同。

结 语

人工智能应用于公平竞争审查已是不可逆转的事实，政府起草的产业政策、税收优惠、招商采购等更广泛领域的政策文件将要甚至正在接受人工智能的审查，因此，需要直面挑战及其存在的问题。公平竞争审查的数字化、智能化还在路上，鉴于审查规则、数据供给等客观因素的限制，具有深度理解能力、能够应对复杂情境、兼具适应性和灵活性的人工智能当下仍很难充分落地并得到普遍应用，因此，有必要正确看待人工智能在公平竞争审查中的作用，通过技术革新、规则调适和实践改进来克服人工智能应用于公平竞争审查的缺陷，不断夯实其应用基础。

人工智能应用于公平竞争审查领域，并非仅是简单的技术过程，本质上涉及技术、制度和实践的互动。遵循既有法律框架，通过转化制度规则、收集加工实践数据，并进一步清洗数据训练模型，法律逻辑与智能技术双向适配，方能推进智能化审查工作。这一过程对公平竞争审查规则及其实施提出了更高要求，完善公平竞争审查规则、促进各种配套保障机制落地也因此被赋予了更多意义。人工智能应用于公平竞争审查领域，并非仅是简单的产业化过程，审查的正当性与合理性还面临考验，效率、公平、秩序、安全等基本价值的权衡一直存在。作为技术嵌入行政系统的生动实践和政府数字化改革的分支，其中不少问题具有共性，可以放在更为广阔的背景下整体性考虑，例如数据系统安全、算法决策风险、公私合作治理等方面。迈向智能化的公平竞争审查，除了完善技术手段之外，还应探索人工智能应用的合理边界、克服其潜在风险，这既是智能技术向生产力转化的时代命题，也是人工智能规范发展的应有之义。