网络效应靠不住，AI时代的增长还能靠什么？

一、引言

今天的文章和“增长”有关，祝大家在新的一年持续增长！

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，单位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？

 

二、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软件时，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 。当然软件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开发了一个法律软件，该软件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。

 

三、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件成本，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 （仅） 十年内实现了100倍的增长。

2. 大模型定律：大模型参数和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，将消耗尽所有图像训练数据。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”。

 

四、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获得者——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中的最终产品。

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协议是“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。

 

五、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操作系统。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软件完全相同的副本，它就能立即以价格与微软竞争。

而这正是国内盗版Windows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，亚马逊在硬件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。

虽然苹果的增量单位成本并不低：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 （软件更新、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+硬件”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。

本文来自微信公众号： 适道（ID：survivalbiz） ，作者：适道创投组，编辑：狮刀