網絡效應靠不住，AI時代的增長還能靠什麽？

說到增長回報，近二十年來，規模經濟和網絡效應下的“贏家通吃”一定是大殺四方。

規模經濟（Economies of Scale），原意是指企業隨著生産規模擴大，平均成本逐漸降低的經濟現象。

但如果按照亞當·斯密賦予的原始含義，你會發現“規模經濟”不僅不會呈現增長遞增，反而會增長遞減。

例如，一家培訓機構招了1名老師，5名學生。隨著招生規模擴大，學生變成了20名。假設1名老師的精力有限，最多只能教20名學生。此時，培訓機構達到了“規模”極限。如果繼續擴大招生，培訓機構還要再雇1名老師，從而承擔更多的成本。

在這種情況下，增長從“規模經濟”變成了“規模不經濟”。最終市場競爭達到動態平衡，每家企業都依據自身競爭力，獲得相應的市場份額。

但這似乎與我們認知中的“贏家”世界不同。

原因在于，以知識爲基礎的經濟世界，産品爲知識密集型，自然資源比重小，可以實現遞增收益。例如，微軟公司花了5000萬美元研發出Windows系統第一張軟盤，而第二張和隨後的軟盤只需花費3美元。而且，單位成本隨銷售量增長而降低。

誰能先占領高地，並通過早期用戶的正反饋快速叠代，誰就可能以“微弱的優勢”吃下整個市場，實現“贏家通吃”。

當這個現象疊加互聯網時代的“網絡效應”，“贏家通吃”被進一步放大。

網絡效應（Network Effect），指某種産品（或服務），每增加一名用戶，都會對該産品的其他用戶産生新的價值。最典型的例子是電話，世界上裝電話的人越多，能通話的人就越多，電話的價值也就越大。

但電話只是初代網絡效應——“直接網絡效應”。

互聯網時代則是“交叉網絡效應”的天下——一個平台上，至少有一組相互依附，但利益不同的用戶。例如某寶的買家和賣家；某程的酒店和房客；某滴上的司機和乘客；某紅書的博主和粉絲。

平台的作用就是幫雙邊（多邊）用戶牽上紅線，織出千絲萬縷的網絡。哪個平台“紅線”牽得越到位，就越讓用戶著迷。例如，字節的算法推送就建立在這一邏輯上。

同時，因爲APP複制的成本幾乎可以忽略不計，邊際成本接近于零，規模經濟進一步放大，贏家進而吃掉整個市場。

得益于規模經濟+網絡效應的雙重buff，我們聽過最波瀾壯闊的創業故事幾乎都發生在互聯網時代。

趁著放假，適道再次閱讀了Brian Arthur在1996年發表的經典論文《Increasing Returns and the New World of Business》（收益遞增與商業新世界）。論文介紹了知識密集型産品的“規模經濟”和彼時的新生理論“網絡效應”。其意義之重大，甚至改變了矽谷的遊戲規則。

但正如Arthur在文中質疑Alfred Marshall于1890s提出的收益遞減規律。28年轉瞬即逝，Arthur于1996年所提出的“商業新世界下網絡效應和規模經濟”在AI時代是否依然適用？

01 乏力：規模經濟和網絡效應

說說我的一家之言：至少從目前來看，這兩個增長理論似乎沒有那麽奏效了。

先說規模經濟的“失效”。

ChatGPT每回答一次問題，都要消耗算力。例如微軟的GitHub Copilot，此前平均每月要給每個用戶倒貼20美元，給有些用戶最多倒貼80美元。甚至用戶越多，虧得越多。除非你的産品足夠優秀，用戶願意爲更好的體驗買單。不過，即便在這種情況下，高昂成本依然存在，利潤不會像互聯網時代一樣龐大。

再說網絡效應的“弱化”。

第一個原因，從最直觀的體驗來看，當你使用AI軟件時，面對的是一個個robot，不是許許多多的people，用戶間的聯系不再錯綜複雜。當然軟件開發者也可以通過建立AI社區，同時疊上“網絡效應”的buff，例如Midjourney；

第二個原因，雖然“數據”至關重要，但其作用可能被誇大了。大家思考一個問題，産品/模型是否會因爲用戶數據越多，而變得更好？還是存在一個S曲線？

先不說ChatGPT4.0“變懶”。事實上，訓練模型可能並不需要更多的數據，達到一定程度就足夠了。例如，A16Z所投資的公司Everlaw開發了一個法律軟件。該軟件在對一百萬封電子郵件進行情感分析後，就不需要再訓練了。

此外，訓練模型的數據一定要和實際問題非常適配。而互聯網巨頭的數據壁壘，更多的價值體現在數量，而非質量。

02 變化：萬物摩爾定律時代

還有哪些“靠得住”的增長理論？

除了規模經濟（Economies of Scale）、網絡效應（Network Effect）。增長回報主要的獨立原因還包括：邊學邊做（Learning by Doing）、觀念重組（Recombination of Idea）。

邊學邊做（Learning by Doing），指工人在生産時積累經驗知識，會想辦法提高自己的技能，從而形成總體經濟層面的技術進步，擺脫收益遞減規律的限制，推動長期經濟增長。

簡單來說，就是卷王先卷死自己再卷別人。

在這個“卷王”理論之下，有一條非常著名的定律。

摩爾定律（Moore’s Law）：當價格不變時，單個芯片上可容納的元器件的數目，約每隔18-24個月便會增加一倍，性能也將提升一倍。

比爾·蓋茨曾經說過：“我喜歡把摩爾定律作爲一種預測未來的方式。它可以幫助我們了解科技發展的速度，以及我們應該預測的未來。”

不過，摩爾定律不是數學定律，也不是物理定律，而是一條基于半導體行業發展經驗的規律。隨著晶體管數量逐漸增加，摩爾定律如今也碰到了天花板。有專家預測，2025年，摩爾定律將會失效。

真的如此嗎？Ark Invest報告顯示，2014年以來，AI芯片性能以每年93%的速度提高，這意味著成本每年下降48%，比摩爾定律成本每年下降30%還快。例如，2020年GPT-3單次訓練成本是460萬美元，而現在的價格是140萬美元，約下降70%。2023年初，OpenAI提供的API服務價格下降90%。如果趨勢持續，完成同等質量任務的硬件成本，將從2014年的11000美元下降到2030年的5美分。

此外，自2012年以來，AI模型在ImageNet分類中訓練神經網絡達到相同性能所需的計算量，每16個月也會減少2倍。

也就是說，傳統的摩爾定律可能失效，但AI時代有屬于自己的“智能摩爾定律”。

1）黃氏定律：GPU將推動AI性能實現逐年翻倍。

2020年，黃仁勳提出取代摩爾定律的“黃氏定律”。2023年，老黃又稱：Nvidia的GPU在過去10年中將AI處理性能提高了不低于100萬倍，並將在未來10年內再次令AI性能強大100萬倍。而摩爾定律在其最好的日子裏，在十年內（僅）實現了100倍的增長。

2）大模型定律：大模型參數和與訓練數據量飛速增長。

根據OpenAI測算，全球頭部AI模型訓練算力需求3-4個月翻一番，每年頭部訓練模型所需算力增長幅度高達10倍。

如果按傳統的摩爾定律，芯片計算性能大約每18-24個月僅翻一番。這種情況下，芯片性能提升的步伐跟不上AI訓練模型的胃口。不過，如果按照上述“黃氏定律”10 年內翻100萬倍，結果又是另當別論。

此外，高質量數據似乎也不夠用。《麻省理工技術評論》曾發表文章表示：大模型就像是一個不斷吸收的“網絡黑洞”，最終導致沒有足夠的數據進行訓練。

而AI研究機構Epochai的論文給出了一個精確的時間範圍：2026年，大模型訓練將消耗盡高質量數據；2030年-2050年，將消耗盡所有低質量數據；2030年-2060年，將消耗盡所有圖像訓練數據。這意味著，如果數據效率沒有顯著提高或有新的數據源可用，到2040年，模型的規模增長將放緩。

3）Altman定律：宇宙中的智能數量將在每18個月後翻一番。

Gary Marcus對此直言：是AI炒作量每18個月翻一番吧。其實也怪不得Marcus陰陽，因爲Altman沒有對“智能數量”（amount of intelligence）進行明確定義。這句話更像是一句脫口而出的感想。

不過，早在2021年，Sam Altman就撰文“萬物摩爾定律”（Moore's Law for Everything），其中提出：摩爾定律適用于萬物，人工智能將降低商品和服務的成本。一個烏托邦世界就此展開：財富或技術快速增長，人類可以用更低廉的價格得到自己想要的東西。

總而言之，無論是“見頂”的傳統摩爾定律，或是各類新生的摩爾定律，都表明了信息技術的爆發式指數增長快速叠代特征。這一點大概是貫穿人類技術發展的永恒“增長規律”。

03 恒定：專利實現內生技術增長

另一個增長回報的獨立原因：觀念重組（Recombination of Idea）——任何創新都是不同材料的重新組合或拼接。

如果一家公司的産品是Idea（算法、公式、設計），其開發過程道阻且長。可一旦Idea被開發，其後續産出會成爲公司的專有財産（例如專利）。結果就是公司獲得了一個增量成本接近于零的高價值産品。

敏銳的小夥伴可能已經發現，這個例子屬于諾貝爾經濟學獎獲得者——羅默，內生經濟增長理論開山之作《報酬遞增與長期增長》（Increasing Returns and Long-Run Growth）三個基本前提之一：

第一，技術進步位于經濟增長的核心；

第二，技術進步在很大程度上是人們有意識的行爲。換句話說，是人們對市場激勵的一種反應；

第三，開發一個新的技術會産生一個固定成本，但之後的使用成本爲零。

羅默假設存在三個經濟部門：生産最終産品的部門、研發部門，以及生産中間品的部門。

研發部門負責生産Idea，並將其賣給中間産品部門；而中間産品部門則産出耐用資本設備，並將其租給最終品生産部門以獲得租金，最終品生産部門負責生産經濟體重的最終産品。

在這個模型中，研發部門生産的Idea是具有外部性的，其社會收益和其給研發部門帶來的私人收益並不一致。在羅默看來，爲了鼓勵研發，需要盡可能消除這種私人收益和社會收益之間的差值，因此引入專利、版權等一些激勵手段十分必要。

當我們將眼光從整個經濟世界轉向微觀企業個體，觀念重組的概念更像是技術開發，用知識産權構築“護城河”是重中之重。適道此前寫過：一些深度科技企業在籌資中經常面臨“先有雞還是先有蛋”的問題。即，沒有近在咫尺的市場，企業籌資相當困難；但沒有足夠的資金支持，接近市場更是難上加難。

因此在早期階段中，要格外重視早期貨幣化機會，戰略性合作夥伴和許可協議是“無價之寶”。例如，深度科技公司Halitus向一家行業領導者提供了自家的知識産權許可，並與一家成熟初創公司合作，銷售他們的産品，來獲得一部分必要收入，並通過多個合作夥伴，得到寶貴的早期客戶反饋。

04 辨別：爲何蘋果沒有迎來“黑莓時刻”

近期，著名經濟學家Michael J. Mauboussin和Dan Callahan發表了一篇論文《Increasing Returns：Identifying Forms of Increasing Returns and What Drives Them》。

文章雖然沒有提出全新的增長模型。但通過追溯規模經濟、網絡效應、邊學邊做、觀念重組、國際貿易，對Google、Meta、Nvidia、微軟、蘋果等巨頭的增長來源進行了區分。

Google和Meta非常依賴網絡效應。商業上區分它們的並不是觀念重組。因爲其他公司也可以做出非常相似的産品，但無法複制它們的網絡。

Nvidia的增長源于觀念重組。未來能否持續領先取決于公司能否讓自家技術成爲行業標准，就像微軟的PC操作系統。不然，Nvidia會被更優秀或更便宜的競爭對手取代。借用馬斯克的一句話：“Nvidia不會永遠在大規模訓練和推理芯片市場占據壟斷地位。”

微軟雖然得益于網絡效應，但更依賴觀念重組。

試想，如果一家公司合法擁有所有Facebook社交網絡或Google搜索引擎背後的技術，這家公司仍然無法與Meta、Google競爭，因爲你不可能一夜之間搬來龐大的用戶。但如果一家公司能合法銷售和微軟軟件完全相同的副本，它就能立即以價格與微軟競爭。

而這正是國內盜版Win漫天飛，但你卻找不到第二個IG或小紅書的原因。

亞馬遜的零售業務雖然非常依賴網絡效應，但其增長回報卻主要源于傳統的規模經濟和邊做邊學。因此，亞馬遜在硬件基礎設施上進行巨額投資，並且不斷嘗試新東西。

同時，亞馬遜也是國際貿易增長回報的巨大受益者。公司創建了一個技術和物流層，將亞洲工廠的廉價制成品運送到西方的龐大終端市場。不過，從目前來看，跨境電商獨角獸Shein正在挑戰亞馬遜在這一領域的主導地位。

蘋果驚人的增長回報則源于以上五大獨立增長因素的組合疊加。

雖然蘋果的增量單位成本並不低：iPhone15 Pro Max的生産成本在500——600美元。但蘋果可以保護其回報率，因爲他們似乎永遠不會失去定價權。而這可能歸功于網絡效應和隨之而來的高切換成本（在這個背景下考慮iMessage的鎖定效應）、觀念重組（軟件更新、各項專利）、邊做邊學和國際貿易。

因此，當人們認爲終有一天，摩托羅拉、諾基亞和黑莓的命運也會降臨到蘋果身上時，蘋果卻在持續增長。

從最近來看，在智能手機領域的創新幾乎枯竭之際，2023年底，蘋果連發兩篇論文（觀念重組）。其中一篇提出：蘋果通過一種創新的閃存利用技術，成功地在內存有限的iPhone和其他蘋果設備上部署了大模型。而這條“大模型+硬件”的路線或許會直接改變AI手機的競爭格局。第二篇詳細介紹了一項名爲HUGS（Human Gaussian Splats）的生成式AI技術。

HUGS僅僅需要一個約50-100幀的原始視頻，相當于2到4秒24fps的視頻，就能在30分鍾內生成一個“數字人分身”。而該技術是VR頭顯進一步發展的必然要求。前不久上市的Vision Pro更是突破智能手機平面計算的局限性，踢開了空間計算時代的大門。

對于投資者的啓發：“黑莓”們和蘋果存在本質區別——增長回報是否可持續？源自不同獨立因素的增長回報是否具有不同半衰期？各家公司又是否具備過硬的本領扛過半衰期？

回到文章開頭，適道認爲，至少從目前來看，網絡效應可能弱化，但觀念重組（專利技術）的力量卻始終熠熠生輝。---來源: 钛媒體-