市场具有竞争性当且仅当 P NP

一句话看懂：一篇 2026 年 2 月发表在 arXiv 上的理论计算机与博弈论论文提出，一个市场能否维持竞争性，直接取决于计算复杂度中经典的 P 是否等于 NP 问题。如果 P=NP，企业能高效检测合谋，市场趋于寡头垄断；如果 P≠NP，则合谋在计算上不可行，竞争自然维持。这一结论将算法合谋、市场效率与基础计算机科学问题直接挂钩。

事件核心：发生了什么

该论文作者 Philip Z. Maymin（在此之前曾证明市场效率需要 P=NP）进一步证明：市场具有竞争性当且仅当 P≠NP。核心逻辑是：如果 P=NP，企业能够高效求解“合谋检测问题”，即在复杂、有噪声的市场数据中识别出谁偏离了合作约定，从而让惩罚威胁变得可信，合谋成为可持续的均衡状态；如果 P≠NP，则这类计算对满足特定需求结构（称为实例硬度条件）的市场是不可行的，合谋无法稳定，市场自然保持竞争性。论文结合 2011 年的结论指出——市场不可能同时实现信息效率与竞争性。

为什么重要

虽然这是一篇纯理论文章，但其推论的现实意义明确：AI 正在扩大企业的计算能力，而这正把市场从竞争性向合谋性方向推移。论文指出，算法合谋（例如定价算法之间无需人类沟通即可实现的默契提价）不是偶然现象，而是计算能力提升后的必然趋势。这解释了为什么过去几年中，多个行业（如汽油零售、在线零售、航空机票）出现了定价模式高度同步但无明确证据指向人类合谋的现象。对反垄断监管机构来说，这暗示着单纯依赖“是否有通联证据”的执法框架可能失效——因为计算本身就能产生不可检测的合谋结果。

对用户/开发者/创作者的影响

对 AI 开发者和大模型应用方：论文本质上将定价算法的设计选型（如模型复杂度、推理成本、可解释性）上升为竞争政策问题。部署高计算能力的 API 定价模型可能无意中促成市场合谋，需要开发者提前评估算法透明度与合规风险。
对企业采购与运营团队：如果所在行业大量使用 AI 定价工具，应关注竞争对手是否使用同类型定价 API 或模型。论文指出，即使没有共谋意图，共享相同计算框架的两家公司也可能在定价上实现“同步”，触发监管审查。
对反垄断研究者与政策制定者：论文提供了理论支撑，建议把“算法复杂度”作为评估市场集中度的新指标。过去依赖价格离散度等传统信号，未来可能需要监控算法使用的算力层级或推理架构。

值得关注的后续

监管框架是否会引入“计算复杂度”测试：目前美国 FTC 和欧盟竞争总司已在研究算法合谋；这篇论文可能推动立法讨论——是否需要在并购审查中加入算法推理能力的量化评估。
定价 API 与服务商是否会主动披露算法特性：如果 P≠NP 假设成立，意味着只有限制企业计算能力的市场才能保持竞争；这或许催生出“低算力合规版”定价 API 产品。
开放研究是否会出现实证验证：论文的“实例硬度条件”需要具体市场需求结构支撑，后续可能有研究者用真实市场数据（如电商历史成交记录）测试这一理论的门槛在哪里。