今天小编分享的财经经验：网络效应靠不住，AI时代的增长还能靠什么？，欢迎阅读。
图片来源 @视觉中国
文｜适道
说到增长回报，近二十年来，规模经济和网络效应下的 " 赢家通吃 " 一定是大杀四方。
规模经济（Economies of Scale），原意是指企业随着生产规模扩大，平均成本逐渐降低的经济现象。
但如果按照亚当 · 斯密赋予的原始含义，你会发现 " 规模经济 " 不仅不会呈现增长递增，反而会增长递减。
例如，一家培训机构招了 1 名老师，5 名学生。随着招生规模扩大，学生变成了 20 名。假设 1 名老师的精力有限，最多只能教 20 名学生。此时，培训机构达到了 " 规模 " 极限。如果继续扩大招生，培训机构还要再雇 1 名老师，从而承担更多的成本。
在这种情况下，增长从 " 规模经济 " 变成了 " 规模不经济 "。最终市场竞争达到动态平衡，每家企业都依据自身竞争力，获得相应的市场份额。
但这似乎与我们认知中的 " 赢家 " 世界不同。
原因在于，以知识为基础的经济世界，产品为知识密集型，自然资源比重小，可以实现递增收益。例如，微软公司花了 5000 万美元研发出 Windows 系统第一张软盘，而第二张和随后的软盘只需花费 3 美元。而且，部門成本随销售量增长而降低。
谁能先占领高地，并通过早期用户的正反馈快速迭代，谁就可能以 " 微弱的优势 " 吃下整个市场，实现 " 赢家通吃 "。
当这个现象叠加互联网时代的 " 网络效应 "，" 赢家通吃 " 被进一步放大。
网络效应（Network Effect），指某种产品（或服务），每增加一名用户，都会对该产品的其他用户产生新的价值。最典型的例子是电话，世界上装电话的人越多，能通话的人就越多，电话的价值也就越大。
但电话只是初代网络效应—— " 直接网络效应 "。
互联网时代则是 " 交叉网络效应 " 的天下——一个平台上，至少有一组相互依附，但利益不同的用户。例如某宝的买家和卖家；某程的酒店和房客；某滴上的司机和乘客；某红书的博主和粉丝。
平台的作用就是帮双边（多边）用户牵上红线，织出千丝万缕的网络。哪个平台 " 红线 " 牵得越到位，就越让用户着迷。例如，字节的算法推送就建立在这一逻辑上。
同时，因为 APP 复制的成本几乎可以忽略不计，边际成本接近于零，规模经济进一步放大，赢家进而吃掉整个市场。
得益于规模经济 + 网络效应的双重 buff，我们听过最波澜壮阔的创业故事几乎都发生在互联网时代。
趁着放假，适道再次阅读了 Brian Arthur 在 1996 年发表的经典论文《Increasing Returns and the New World of Business》（收益递增与商业新世界）。论文介绍了知识密集型产品的 " 规模经济 " 和彼时的新生理论 " 网络效应 "。其意义之重大，甚至改变了硅谷的游戏规则。
但正如 Arthur 在文中质疑 Alfred Marshall 于 1890s 提出的收益递减规律。28 年转瞬即逝，Arthur 于 1996 年所提出的 " 商业新世界下网络效应和规模经济 " 在 AI 时代是否依然适用？
01 乏力：规模经济和网络效应
说说我的一家之言：至少从目前来看，这两个增长理论似乎没有那么奏效了。
先说规模经济的 " 失效 "。
ChatGPT 每回答一次问题，都要消耗算力。例如微软的 GitHub Copilot，此前平均每月要给每个用户倒贴 20 美元，给有些用户最多倒贴 80 美元。甚至用户越多，亏得越多。除非你的产品足够优秀，用户愿意为更好的体验买单。不过，即便在这种情况下，高昂成本依然存在，利润不会像互联网时代一样庞大。
再说网络效应的 " 弱化 "。
第一个原因，从最直观的体验来看，当你使用 AI 軟體时，面对的是一个个 robot，不是许许多多的 people，用户间的联系不再错综复杂。当然軟體开发者也可以通过建立 AI 社区，同时叠上 " 网络效应 " 的 buff，例如 Midjourney；
第二个原因，虽然 " 数据 " 至关重要，但其作用可能被夸大了。大家思考一个问题，产品 / 模型是否会因为用户数据越多，而变得更好？还是存在一个 S 曲线？
先不说 ChatGPT4.0" 变懒 "。事实上，训练模型可能并不需要更多的数据，达到一定程度就足够了。例如，A16Z 所投资的公司 Everlaw 开发了一个法律軟體。该軟體在对一百万封电子邮件进行情感分析后，就不需要再训练了。
此外，训练模型的数据一定要和实际问题非常适配。而互联网巨头的数据壁垒，更多的价值体现在数量，而非质量。
02 变化：万物摩尔定律时代
还有哪些 " 靠得住 " 的增长理论？
除了规模经济（Economies of Scale）、网络效应（Network Effect）。增长回报主要的独立原因还包括：边学边做（Learning by Doing）、观念重组（Recombination of Idea）。
边学边做（Learning by Doing），指工人在生产时积累经验知识，会想办法提高自己的技能，从而形成总体经济层面的技术进步，摆脱收益递减规律的限制，推动长期经济增长。
简单来说，就是卷王先卷死自己再卷别人。
在这个 " 卷王 " 理论之下，有一条非常著名的定律。
摩尔定律（Moore ’ s Law）：当价格不变时，单个芯片上可容纳的元器件的数目，约每隔 18-24 个月便会增加一倍，性能也将提升一倍。
比尔 · 盖茨曾经说过：" 我喜欢把摩尔定律作为一种预测未来的方式。它可以帮助我们了解科技发展的速度，以及我们应该预测的未来。"
不过，摩尔定律不是数学定律，也不是物理定律，而是一条基于半导体行业发展经验的规律。随着晶体管数量逐渐增加，摩尔定律如今也碰到了天花板。有专家预测，2025 年，摩尔定律将会失效。
真的如此吗？Ark Invest 报告显示，2014 年以来，AI 芯片性能以每年 93% 的速度提高，这意味着成本每年下降 48%，比摩尔定律成本每年下降 30% 还快。例如，2020 年 GPT-3 单次训练成本是 460 万美元，而现在的价格是 140 万美元，约下降 70%。2023 年初，OpenAI 提供的 API 服务价格下降 90%。如果趋势持续，完成同等质量任务的硬體成本，将从 2014 年的 11000 美元下降到 2030 年的 5 美分。
此外，自 2012 年以来，AI 模型在 ImageNet 分类中训练神经网络达到相同性能所需的计算量，每 16 个月也会减少 2 倍。
也就是说，传统的摩尔定律可能失效，但 AI 时代有属于自己的 " 智能摩尔定律 "。
1）黄氏定律：GPU 将推动 AI 性能实现逐年翻倍。
2020 年，黄仁勋提出取代摩尔定律的 " 黄氏定律 "。2023 年，老黄又称：Nvidia 的 GPU 在过去 10 年中将 AI 处理性能提高了不低于 100 万倍，并将在未来 10 年内再次令 AI 性能强大 100 万倍。而摩尔定律在其最好的日子里，在十年内（仅）实现了 100 倍的增长。
2）大模型定律：大模型参数和与训练数据量飞速增长。
根据 OpenAI 测算，全球头部 AI 模型训练算力需求 3-4 个月翻一番，每年头部训练模型所需算力增长幅度高达 10 倍。
如果按传统的摩尔定律，芯片计算性能大约每 18-24 个月仅翻一番。这种情况下，芯片性能提升的步伐跟不上 AI 训练模型的胃口。不过，如果按照上述 " 黄氏定律 "10 年内翻 100 万倍，结果又是另当别论。
此外，高质量数据似乎也不够用。《麻省理工技术评论》曾发表文章表示：大模型就像是一个不断吸收的 " 网络黑洞 "，最终导致没有足够的数据进行训练。
而 AI 研究机构 Epochai 的论文给出了一个精确的时间范围：2026 年，大模型训练将消耗尽高质量数据；2030 年 -2050 年，将消耗尽所有低质量数据；2030 年 -2060 年，将消耗尽所有影像训练数据。这意味着，如果数据效率没有显著提高或有新的数据源可用，到 2040 年，模型的规模增长将放缓。
3）Altman 定律：宇宙中的智能数量将在每 18 个月后翻一番。
Gary Marcus 对此直言：是 AI 炒作量每 18 个月翻一番吧。其实也怪不得 Marcus 阴阳，因为 Altman 没有对 " 智能数量 "（amount of intelligence）进行明确定义。这句话更像是一句脱口而出的感想。
不过，早在 2021 年，Sam Altman 就撰文 " 万物摩尔定律 "（Moore's Law for Everything），其中提出：摩尔定律适用于万物，人工智能将降低商品和服务的成本。一个乌托邦世界就此展开：财富或技术快速增长，人类可以用更低廉的价格得到自己想要的东西。
总而言之，无论是 " 见顶 " 的传统摩尔定律，或是各类新生的摩尔定律，都表明了信息技术的爆发式指数增长快速迭代特征。这一点大概是贯穿人类技术发展的永恒 " 增长规律 "。
03 恒定：专利实现内生技术增长
另一个增长回报的独立原因：观念重组（Recombination of Idea）——任何创新都是不同材料的重新组合或拼接。
如果一家公司的产品是 Idea（算法、公式、设计），其开发过程道阻且长。可一旦 Idea 被开发，其后续产出会成为公司的专有财产（例如专利）。结果就是公司获得了一个增量成本接近于零的高价值产品。
敏锐的小伙伴可能已经发现，这个例子属于诺贝尔经济学奖得主——罗默，内生经济增长理论开山之作《报酬递增与长期增长》（Increasing Returns and Long-Run Growth）三个基本前提之一：
第一，技术进步位于经济增长的核心；
第二，技术进步在很大程度上是人们有意识的行为。换句话说，是人们对市场激励的一种反应；
第三，开发一个新的技术会产生一个固定成本，但之后的使用成本为零。
罗默假设存在三个经济部门：生产最终产品的部门、研发部门，以及生产中间品的部门。
研发部门负责生产 Idea，并将其卖给中间产品部门；而中间产品部门则产出耐用资本设备，并将其租给最终品生产部门以获得租金，最终品生产部门负责生产经济体重的最终产品。
在这个模型中，研发部门生产的 Idea 是具有外部性的，其社会收益和其给研发部门带来的私人收益并不一致。在罗默看来，为了鼓励研发，需要尽可能消除这种私人收益和社会收益之间的差值，因此引入专利、版权等一些激励手段十分必要。
当我们将眼光从整个经济世界转向微观企业个体，观念重组的概念更像是技术开发，用知识产权构筑 " 护城河 " 是重中之重。适道此前写过：一些深度科技企业在筹资中经常面临 " 先有鸡还是先有蛋 " 的问题。即，没有近在咫尺的市场，企业筹资相当困难；但没有足够的资金支持，接近市场更是难上加难。
因此在早期阶段中，要格外重视早期货币化机会，战略性合作伙伴和许可協定是 " 无价之宝 "。例如，深度科技公司 Halitus 向一家行业领导者提供了自家的知识产权许可，并与一家成熟初创公司合作，销售他们的产品，来获得一部分必要收入，并通过多个合作伙伴，得到宝贵的早期客户反馈。
04 辨别：为何苹果没有迎来 " 黑莓时刻 "
近期，著名经济学家 Michael J. Mauboussin 和 Dan Callahan 发表了一篇论文《Increasing Returns：Identifying Forms of Increasing Returns and What Drives Them》。
文章虽然没有提出全新的增长模型。但通过追溯规模经济、网络效应、边学边做、观念重组、国际贸易，对 Google、Meta、Nvidia、微软、苹果等巨头的增长来源进行了区分。
Google 和 Meta 非常依赖网络效应。商业上区分它们的并不是观念重组。因为其他公司也可以做出非常相似的产品，但无法复制它们的网络。
Nvidia 的增长源于观念重组。未来能否持续领先取决于公司能否让自家技术成为行业标准，就像微软的 PC 作業系統。不然，Nvidia 会被更优秀或更便宜的竞争对手取代。借用马斯克的一句话："Nvidia 不会永远在大规模训练和推理芯片市场占据垄断地位。"
微软虽然得益于网络效应，但更依赖观念重组。
试想，如果一家公司合法拥有所有 Facebook 社交网络或 Google 搜索引擎背后的技术，这家公司仍然无法与 Meta、Google 竞争，因为你不可能一夜之间搬来庞大的用户。但如果一家公司能合法销售和微软軟體完全相同的副本，它就能立即以价格与微软竞争。
而这正是国内盗版 Win 漫天飞，但你却找不到第二个 IG 或小红书的原因。
亚马逊的零售业务虽然非常依赖网络效应，但其增长回报却主要源于传统的规模经济和边做边学。因此，亚马逊在硬體基础设施上进行巨额投资，并且不断尝试新东西。
同时，亚马逊也是国际贸易增长回报的巨大受益者。公司创建了一个技术和物流层，将亚洲工厂的廉价制成品运送到西方的庞大终端市场。不过，从目前来看，跨境电商独角兽 Shein 正在挑战亚马逊在这一领網域的主导地位。
苹果惊人的增长回报则源于以上五大独立增长因素的组合叠加。
虽然苹果的增量部門成本并不低：iPhone15 Pro Max 的生产成本在 500 —— 600 美元。但苹果可以保护其回报率，因为他们似乎永远不会失去定价权。而这可能归功于网络效应和随之而来的高切换成本（在这个背景下考虑 iMessage 的锁定效应）、观念重组（軟體更新、各项专利）、边做边学和国际贸易。
因此，当人们认为终有一天，摩托罗拉、诺基亚和黑莓的命运也会降临到苹果身上时，苹果却在持续增长。
从最近来看，在智能手机领網域的创新几乎枯竭之际，2023 年底，苹果连发两篇论文（观念重组）。其中一篇提出：苹果通过一种创新的闪存利用技术，成功地在内存有限的 iPhone 和其他苹果设备上部署了大模型。而这条 " 大模型 + 硬體 " 的路线或许会直接改变 AI 手机的竞争格局。第二篇详细介绍了一项名为 HUGS（Human Gaussian Splats）的生成式 AI 技术。HUGS 仅仅需要一个约 50-100 帧的原始视频，相当于 2 到 4 秒 24fps 的视频，就能在 30 分钟内生成一个 " 数字人分身 "。而该技术是 VR 头显进一步发展的必然要求。前不久上市的 Vision Pro 更是突破智能手机平面计算的局限性，踢开了空间计算时代的大门。
对于投资者的启发：" 黑莓 " 们和苹果存在本质区别——增长回报是否可持续？源自不同独立因素的增长回报是否具有不同半衰期？各家公司又是否具备过硬的本领扛过半衰期？
回到文章开头，适道认为，至少从目前来看，网络效应可能弱化，但观念重组（专利技术）的力量却始终熠熠生辉。
