今天小編分享的财經經驗：網絡效應靠不住，AI時代的增長還能靠什麼？，歡迎閲讀。
圖片來源 @視覺中國
文｜适道
説到增長回報，近二十年來，規模經濟和網絡效應下的 " 赢家通吃 " 一定是大殺四方。
規模經濟（Economies of Scale），原意是指企業随着生產規模擴大，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。随着招生規模擴大，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 "。最終市場競争達到動态平衡，每家企業都依據自身競争力，獲得相應的市場份額。
但這似乎與我們認知中的 " 赢家 " 世界不同。
原因在于，以知識為基礎的經濟世界，產品為知識密集型，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，而第二張和随後的軟盤只需花費 3 美元。而且，部門成本随銷售量增長而降低。
誰能先占領高地，并通過早期用户的正反饋快速迭代，誰就可能以 " 微弱的優勢 " 吃下整個市場，實現 " 赢家通吃 "。
當這個現象疊加互聯網時代的 " 網絡效應 "，" 赢家通吃 " 被進一步放大。
網絡效應（Network Effect），指某種產品（或服務），每增加一名用户，都會對該產品的其他用户產生新的價值。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，但利益不同的用户。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）用户牽上紅線，織出千絲萬縷的網絡。哪個平台 " 紅線 " 牽得越到位，就越讓用户着迷。例如，字節的算法推送就建立在這一邏輯上。
同時，因為 APP 復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，赢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。
趁着放假，适道再次閲讀了 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產品的 " 規模經濟 " 和彼時的新生理論 " 網絡效應 "。其意義之重大，甚至改變了硅谷的遊戲規則。
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 時代是否依然适用？
01 乏力：規模經濟和網絡效應
説説我的一家之言：至少從目前來看，這兩個增長理論似乎沒有那麼奏效了。
先説規模經濟的 " 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户倒貼 20 美元，給有些用户最多倒貼 80 美元。甚至用户越多，虧得越多。除非你的產品足夠優秀，用户願意為更好的體驗買單。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。
再説網絡效應的 " 弱化 "。
第一個原因，從最直觀的體驗來看，當你使用 AI 軟體時，面對的是一個個 robot，不是許許多多的 people，用户間的聯系不再錯綜復雜。當然軟體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，產品 / 模型是否會因為用户數據越多，而變得更好？還是存在一個 S 曲線？
先不説 ChatGPT4.0" 變懶 "。事實上，訓練模型可能并不需要更多的數據，達到一定程度就足夠了。例如，A16Z 所投資的公司 Everlaw 開發了一個法律軟體。該軟體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适配。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），指工人在生產時積累經驗知識，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，擺脱收益遞減規律的限制，推動長期經濟增長。
簡單來説，就是卷王先卷死自己再卷别人。
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，性能也将提升一倍。
比爾 · 蓋茨曾經説過：" 我喜歡把摩爾定律作為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。随着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，摩爾定律将會失效。
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，這意味着成本每年下降 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體成本，将從 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。
也就是説，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 将推動 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 年中将 AI 處理性能提高了不低于 100 萬倍，并将在未來 10 年内再次令 AI 性能強大 100 萬倍。而摩爾定律在其最好的日子裏，在十年内（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 年内翻 100 萬倍，結果又是另當别論。
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确的時間範圍：2026 年，大模型訓練将消耗盡高質量數據；2030 年 -2050 年，将消耗盡所有低質量數據；2030 年 -2060 年，将消耗盡所有影像訓練數據。這意味着，如果數據效率沒有顯著提高或有新的數據源可用，到 2040 年，模型的規模增長将放緩。
3）Altman 定律：宇宙中的智能數量将在每 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，因為 Altman 沒有對 " 智能數量 "（amount of intelligence）進行明确定義。這句話更像是一句脱口而出的感想。
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：摩爾定律适用于萬物，人工智能将降低商品和服務的成本。一個烏托邦世界就此展開：财富或技術快速增長，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迭代特征。這一點大概是貫穿人類技術發展的永恒 " 增長規律 "。
03 恒定：專利實現内生技術增長
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。
如果一家公司的產品是 Idea（算法、公式、設計），其開發過程道阻且長。可一旦 Idea 被開發，其後續產出會成為公司的專有财產（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產品。
敏鋭的小夥伴可能已經發現，這個例子屬于諾貝爾經濟學獎得主——羅默，内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為。換句話説，是人們對市場激勵的一種反應；
第三，開發一個新的技術會產生一個固定成本，但之後的使用成本為零。
羅默假設存在三個經濟部門：生產最終產品的部門、研發部門，以及生產中間品的部門。
研發部門負責生產 Idea，并将其賣給中間產品部門；而中間產品部門則產出耐用資本設備，并将其租給最終品生產部門以獲得租金，最終品生產部門負責生產經濟體重的最終產品。
在這個模型中，研發部門生產的 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并不一致。在羅默看來，為了鼓勵研發，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。
當我們将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，用知識產權構築 " 護城河 " 是重中之重。适道此前寫過：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，要格外重視早期貨币化機會，戰略性合作夥伴和許可協定是 " 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產權許可，并與一家成熟初創公司合作，銷售他們的產品，來獲得一部分必要收入，并通過多個合作夥伴，得到寶貴的早期客户反饋。
04 辨别：為何蘋果沒有迎來 " 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。商業上區分它們的并不是觀念重組。因為其他公司也可以做出非常相似的產品，但無法復制它們的網絡。
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為行業标準，就像微軟的 PC 作業系統。不然，Nvidia 會被更優秀或更便宜的競争對手取代。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 競争，因為你不可能一夜之間搬來龐大的用户。但如果一家公司能合法銷售和微軟軟體完全相同的副本，它就能立即以價格與微軟競争。
而這正是國内盜版 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，亞馬遜在硬體基礎設施上進行巨額投資，并且不斷嘗試新東西。
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，将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網域的主導地位。
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。
雖然蘋果的增量部門成本并不低：iPhone15 Pro Max 的生產成本在 500 —— 600 美元。但蘋果可以保護其回報率，因為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随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（軟體更新、各項專利）、邊做邊學和國際貿易。
因此，當人們認為終有一天，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，在智能手機領網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，成功地在内存有限的 iPhone 和其他蘋果設備上部署了大模型。而這條 " 大模型 + 硬體 " 的路線或許會直接改變 AI 手機的競争格局。第二篇詳細介紹了一項名為 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 分鍾内生成一個 " 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别——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，适道認為，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。
