圖片來源@視覺中國
文｜適道
美國硅谷著名投資人，國際知名支付工具PayPal的創(chuàng)始人彼得蒂爾（Peter Thiel）曾說過：“競爭是留給輸家的。如果你想創(chuàng)造和獲取持久的價值，那就建立一個壟斷企業(yè)。”
這句話是對“贏家通吃”（Winner Takes All）的極致表述。“贏家通吃”指一種產(chǎn)品或服務(wù)只要比競爭對手好一點點（例如1%），那么在該類別的產(chǎn)品或服務(wù)中，你就會獲得不成比例的巨大收入（例如90-100%），將競爭對手遠遠拋在身后。
這個現(xiàn)象在很多行業(yè)都有所體現(xiàn)，尤其是科技行業(yè)。從全球范圍看，IBM 在計算領(lǐng)域占據(jù)主導(dǎo)地位數(shù)十年；微軟主導(dǎo)個人電腦市場；亞馬遜至今仍在單槍匹馬地統(tǒng)治電子商務(wù)領(lǐng)域。很顯然，互聯(lián)網(wǎng)時代的一大特征就是“贏家通吃，敗者恒弱”。
搞清楚這個問題很重要，因為這將會改變我們的投資邏輯：如果傳統(tǒng)互聯(lián)網(wǎng)“燒錢補貼干掉第二名壟斷市場發(fā)揮網(wǎng)絡(luò)效應(yīng)”的做法不再行得通，那么經(jīng)歷過“千團大戰(zhàn)”時代的投資人，或許也需要一套新的投資方法論。
為了得到答案，適道投研團隊參考了幾篇外網(wǎng)文章，作者包括A16Z合伙人Benedict Evans、美國光速創(chuàng)投（Lightspeed Venture Partners）合伙人Guru Chahal等人，試圖梳理出一些相近或相悖的觀點，供大家思考。
會贏家通吃：代表方吳恩達
總體來看，吳恩達(Andrew Ng) 介紹的人工智能的良性循環(huán)模式為“贏家通吃”提供了底層邏輯。
最初，人工智能產(chǎn)品由有限的數(shù)據(jù)構(gòu)建。隨后，在與用戶接觸過程中，產(chǎn)品每天會收集越來越多的數(shù)據(jù)。而機器學(xué)習(xí)的基礎(chǔ)是數(shù)據(jù)大量的數(shù)據(jù)。
更多數(shù)據(jù)=更精確的模型=更好的產(chǎn)品=更多用戶=更多數(shù)據(jù)
這個良性循環(huán)公式被認為是人工智能贏家通吃市場的一個重要因素。大數(shù)據(jù)和機器學(xué)習(xí)結(jié)合，放大了網(wǎng)絡(luò)效應(yīng)和規(guī)�；貓�，再次強化了科技市場領(lǐng)導(dǎo)者的主導(dǎo)地位，意味那些已經(jīng)很大并且擁有大量數(shù)據(jù)的公司會變得更強大。
就國內(nèi)情況來看，數(shù)據(jù)壁壘也是擺在新興公司面前的一堵墻。高質(zhì)量的中文語料數(shù)據(jù)對創(chuàng)業(yè)公司來說是個很大的挑戰(zhàn)，而數(shù)據(jù)的積累則需要時間和經(jīng)驗。對于百度這樣常年累月通過搜索等多個互聯(lián)網(wǎng)、物聯(lián)網(wǎng)應(yīng)用積累起數(shù)據(jù)的公司來說，一開始就領(lǐng)先了至少幾個身位。
不會贏家通吃：代表方A16Z
數(shù)據(jù)至關(guān)重要，但關(guān)于數(shù)據(jù)在實際工作中產(chǎn)生的作用，A16Z合伙人，著名分析師Benedict EvansDoes提出了不同的觀點。
EvansDoes在文章《AI make strong tech companies stronger?》中指出，雖然機器學(xué)習(xí)需要大量的數(shù)據(jù)，但是你使用的數(shù)據(jù)要非常適合你試圖解決的問題。
通用電氣有大量來自燃氣渦輪機的遙測數(shù)據(jù)，谷歌有大量搜索數(shù)據(jù)，美國運通有大量信用卡欺詐數(shù)據(jù)。但你不能用渦輪機數(shù)據(jù)來訓(xùn)練模型，去發(fā)現(xiàn)欺詐交易，也不能用網(wǎng)絡(luò)搜索數(shù)據(jù)訓(xùn)練模型去發(fā)現(xiàn)即將失效的燃氣渦輪機。
你訓(xùn)練的每一個模型只能做一件事。
這與之前的自動化浪潮非常相似：就像洗衣機只能洗衣服，不能洗碗做飯，象棋程序不能交稅一樣，機器學(xué)習(xí)翻譯系統(tǒng)也不能識別貓。
你構(gòu)建的應(yīng)用程序和你需要的數(shù)據(jù)集，都與你試圖解決的任務(wù)強相關(guān)。(盡管這是一個不斷變化的目標(biāo)，有研究試圖發(fā)現(xiàn)如何讓機器學(xué)習(xí)模型，在不同的數(shù)據(jù)集之間更容易遷移)。
這意味著谷歌會越來越擅長成為谷歌，但不意味著它在其他方面也做得越來越好。
有的行業(yè)會，有的行業(yè)不會：需要看具體的垂直領(lǐng)域
那么，在垂直領(lǐng)域，頭部企業(yè)能否憑借遙遙領(lǐng)先的數(shù)據(jù)優(yōu)勢，搶占全部市場？
EvansDoes認為，情況會變得更加復(fù)雜。
比如誰擁有數(shù)據(jù)，數(shù)據(jù)有多獨特，數(shù)據(jù)在什么層面上是獨一無二的，以及聚合和分析數(shù)據(jù)的正確位置在哪里。這些問題對于不同的業(yè)務(wù)部門、不同的行業(yè)和不同的用例，答案會有所不同。
我們假設(shè)一個場景，如果你正在創(chuàng)建一家公司來用機器學(xué)習(xí)解決現(xiàn)實世界的問題，那么你會面臨兩個基本的數(shù)據(jù)問題：
1、你如何獲得第一批數(shù)據(jù)來訓(xùn)練你的模型去獲得第一個客戶？
2、你需要多少數(shù)據(jù)？
第二個問題可以分解成許多問題：
你要用較少且容易獲得的數(shù)據(jù)來解決問題？(但許多競爭對手可以獲得) 。
還是你需要更多的、難以獲得的數(shù)據(jù)去解決問題？
如果是這樣的話，是否存在一種網(wǎng)絡(luò)效應(yīng)可以從中受益？由一個贏家將獲得所有的數(shù)據(jù)？
產(chǎn)品是隨著更多的數(shù)據(jù)無限期地變得更好，還是存在一個S曲線？
這些都要看情況。
有些數(shù)據(jù)，是企業(yè)或產(chǎn)品獨有的，或具有很強的專有優(yōu)勢，例如通用公司的渦輪機遙測技術(shù)。但這對分析勞斯萊斯的渦輪機，可能也沒有多大用處。
而一些數(shù)據(jù)，可以用于許多公司甚至許多行業(yè)中的用例。許多創(chuàng)業(yè)公司也由此誕生，來解決許多公司或不同行業(yè)的共性問題，并且這里的數(shù)據(jù)具有網(wǎng)絡(luò)效應(yīng)。
但也有這樣的情況，即在某個時間點之后，供應(yīng)商甚至不需要更多的數(shù)據(jù)了，因為產(chǎn)品已經(jīng)能夠工作了。
EvansDoes認為，這種情況已經(jīng)在很多創(chuàng)業(yè)公司上演。例如，A16Z的投資的公司Everlaw開發(fā)了一個法律軟件。該軟件能夠?qū)σ话偃f封電子郵件進行情感分析，就不需要以客戶的特定訴訟數(shù)據(jù)當(dāng)原料再進行訓(xùn)練了。
更極端的情況是，一家大型車輛制造商正在通過模型訓(xùn)練，開發(fā)更精確的爆胎檢測器。這是基于大量輪胎的數(shù)據(jù)訓(xùn)練出來的模型。但很顯然，這些數(shù)據(jù)的獲取難度并不高。
也就是說，機器學(xué)習(xí)的普及并不意味著谷歌變得更強大，而是意味著各種各樣的創(chuàng)業(yè)公司，能夠比以前更快地利用這一前沿技術(shù)來構(gòu)建一個應(yīng)用，解決一個問題。
未來不會出現(xiàn)更多的“人工智能”創(chuàng)業(yè)公司，它們將是工業(yè)流程分析公司、法律平臺公司或銷售優(yōu)化公司。
EvansDoes將機器學(xué)習(xí)與SQL（Structured Query Language）進行了類比。
在以前，如果你不使用SQL，你就會落后。例如沃爾瑪成功的一大因素，就是使用SQL更有效地管理庫存和物流。
但在今天，當(dāng)你創(chuàng)辦了一家零售公司，并說“……我們將使用SQL”，這不會讓公司看起來更具價值，因為SQL已經(jīng)成為了一切的一部分，然后它就在話語體系中消失了。
機器學(xué)習(xí)的未來也會如此。
“大模型”時代怎么投？至少互聯(lián)網(wǎng)邏輯確實行不通了
適道投研團隊認為，不管會不會“贏家通吃”，至少互聯(lián)網(wǎng)時代的投資邏輯在人工智能時代不再行得通。
核心邏輯在于，互聯(lián)網(wǎng)時代，“流量”是免費的，這才有“網(wǎng)絡(luò)效應(yīng)”的概念：也就是說，在總的運營成本不變的情況下，用戶越多，網(wǎng)絡(luò)的價值就越大。這就是所謂的“所有行業(yè)都適合用互聯(lián)網(wǎng)思維重做一遍。”
但是，大模型時代不一樣的點在于，算力是有成本的。那么每多增加一個用戶，是要實打?qū)嵉馗冻鏊懔�，并不會產(chǎn)生網(wǎng)絡(luò)效應(yīng)，這就導(dǎo)致補貼沒有任何意義，你的新用戶越多，反而越賺不到錢。
另外，目前的大模型存在使用成本高、推理延遲較大、數(shù)據(jù)泄漏、專業(yè)任務(wù)上不夠準(zhǔn)確等問題。與之相比，一些更小型、專業(yè)化（調(diào)整+精煉）的長尾模型的優(yōu)點也顯現(xiàn)了出來。
因此，即便絕大多數(shù)技術(shù)都能起到財富聚集的作用，人工智能巨頭也確實能聚集大量財富，但因為算力成本，以及不能占有整個市場，財富總量也會變得有限。
