溫師道。在增長回報方面，“贏家通吃”的規模經濟和網路效應在過去二十年中一直是殺手。
規模經濟（Economy of scale）原指企業平均成本隨著生產規模的擴大而逐漸降低的經濟現象。
但是，如果你遵循亞當·斯密給出的原意，你會發現“規模經濟”不僅沒有增長，反而減少了增長。
例如，一家培訓機構招聘 1 名教師和 5 名學生。 隨著招生人數的增加，學生人數增加到 20 人。 假設 1 位教師精力有限，最多只能教 20 名學生。 至此，培訓機構達到了“規模”的極限。 如果招生人數繼續擴大，培訓機構將不得不再雇用一名教師，從而承擔更多的成本。
在這種情況下，增長從“規模經濟”轉向“規模不經濟”。 最終，市場競爭達到動態均衡，每個企業根據自身競爭力獲得相應的市場份額。
但這似乎與我們所知道的“贏家”世界不同。
原因在於，在知識型經濟世界中，產品是知識密集型的，自然資源的比重很小，可以實現增量回報。 例如，Microsoft花費了 5000 萬美元為 Windows 開發第一張軟盤，而第二張及後續的軟盤成本僅為 3 美元。 此外，單位成本隨著銷量的增加而降低。
誰能先占領制高點，通過早期使用者的積極反饋快速迭代，誰就可能以“微小優勢”吃掉整個市場，實現“贏家通吃”。
當這種現象疊加在網際網絡時代的“網路效應”上時，“贏家通吃”被進一步放大。
網路效應是一種產品（或服務），其中每個增加的使用者都會為該產品的其他使用者產生新的價值。 最典型的例子是**，世界上假裝的人越多，會說話的人就越多，**的價值就越大。
但這只是第一代網路效應——“直接網路效應”。
網際網絡時代是乙個“跨網路效應”的世界——乙個平台上至少有一組使用者相互依賴，但興趣不同。 例如，寶藏的買家和賣家; 某次旅行的酒店和租戶; 司機和乘客在下降; 某本紅書的博主和粉絲。
平台的作用是幫助雙邊（多邊）使用者劃定紅線，編織乙個密不可分的網路。 哪個平台的“紅線”越多，對使用者來說就越有吸引力。 例如，位元組的演算法推送就是基於這種邏輯。
同時，由於應用複製的成本幾乎可以忽略不計，邊際成本接近於零，規模經濟進一步放大，贏家吞噬了整個市場。
得益於規模經濟+網路效應的雙重加持，我們聽過的最壯觀的創業故事，幾乎都發生在網際網絡時代。
趁著假期，師道重讀了布萊恩·亞瑟（Brian Arthur）1996年的經典著作《增加回報與商業新世界》（Increasing Returns and the New World of Business）。 * 引入了知識密集型產品的“規模經濟”和當時新生的“網路效應”理論。 它是如此重要，以至於它甚至改變了矽谷的遊戲規則。
但正如亞瑟質疑阿爾弗雷德·馬歇爾（Alfred Marshall）在1890年代提出的收益遞減定律一樣。 28年過去了，但亞瑟在1996年發表的《新商業世界的網路效應和規模經濟》在人工智慧時代是否仍然適用？
01 弱點：規模經濟和網路效應：至少就目前而言，這兩種增長理論似乎並不那麼有效。
讓我們從規模經濟的“失敗”開始。
ChatGPT每次回答乙個問題，都會消耗計算能力。 例如，Microsoft的GitHub Copilot過去平均每個使用者每月支付20美元，有些使用者高達80美元。 即使使用者越多，您損失的就越多。 除非您的產品足夠好，使用者可以為更好的體驗付費。 然而，即使在這種情況下，高成本仍然存在，利潤也不會像網際網絡時代那樣巨大。
讓我們談談網路效應的“減弱”。
第乙個原因，從最直觀的體驗來看，當你使用AI軟體時，面對的是機械人，人不多，使用者之間的聯絡也不再複雜。 當然，軟體開發者也可以搭建AI社群，堆疊“網路效應”buff，比如Midjourney;
第二個原因是，雖然“資料”至關重要，但它的作用可能被誇大了。 讓我們思考乙個問題，產品模型會因為使用者資料越多而變得更好嗎？ 還是有 S 曲線？
我們先不說chatgpt40 “變得懶惰”。 事實上，訓練模型可能不需要更多的資料，一定水平就足夠了。 例如，A16Z投資的公司Everlaw開發了一款法律軟體。 在分析了一百萬封電子郵件後，該軟體不需要訓練。
此外，用於訓練模型的資料必須非常適合實際問題。 網際網絡巨頭的資料壁壘在數量上比質量更有價值。
02 變化：摩爾定律時代還有哪些“可靠”的增長理論？
除了規模經濟和網路效應。 恢復增長的主要獨立原因是邊做邊學和思想的重組。
邊做邊學是指勞動者在生產中積累經驗和知識，並想方設法提高自己的技能，從而形成經濟整體水平的技術進步，擺脫收益遞減規律的束縛，促進經濟的長期增長。
簡單來說，就是卷王先把自己滾死，然後再把別人滾死。
在這種“卷王”理論下，有乙個非常有名的定律。
摩爾定律：當**不變時，單個晶元上可以容納的元件數量大約每18-24個月翻一番，效能也會翻倍。
比爾·蓋茨曾經說過，“我喜歡摩爾定律作為通往未來的一種方式。 它幫助我們了解技術的發展速度，以及我們將來應該做什麼。 ”
然而，摩爾定律不是數學或物理定律，而是基於半導體行業發展經驗的定律。 隨著電晶體數量的增加，摩爾定律現在已經達到了天花板。 有專家**認為，到2025年，摩爾定律將失效。
真的是這樣嗎？ 根據ARK Invest的報告，自2014年以來，AI晶元效能以每年93%的速度增長，這意味著成本每年下降48%，比摩爾定律每年30%的速度還要快。 例如，2020 年，GPT-3 的單次培訓費用為 460 萬美元，而現在**為 140 萬美元，下降了約 70%。 2023年初，OpenAI提供的API服務**下降了90%。 如果這種趨勢繼續下去，完成相同質量任務的硬體成本將從2014年的11,000美元下降到2030年的5美分。
此外，自 2012 年以來，AI 模型在 ImageNet 分類中訓練神經網路以達到相同效能所需的計算量也每 16 個月減少了 2 倍。
換句話說，傳統的摩爾定律可能行不通，但人工智慧時代有自己的“智慧型摩爾定律”。
1）黃仁勳定律：GPU將推動AI效能逐年翻番。
2020年，黃仁勳提出“黃氏定律”取代摩爾定律。 2023年，老黃還表示：英偉達的GPU在過去10年中，AI處理效能提公升了不少於100萬倍，未來10年，AI效能將提公升100萬倍。 摩爾定律在最好的時候，在十年內增長了 100 倍（僅）。
2）大模型定律：大模型的引數和訓練資料量正在快速增長。
根據OpenAI的測算，全球對頭部AI模型訓練算力的需求在3-4個月內翻了一番，頭部訓練模型所需的算力每年增長高達10倍。
如果遵循傳統的摩爾定律，晶元計算效能大約每 18-24 個月才會翻一番。 在這種情況下，晶元效能提公升的步伐跟不上AI訓練模型的胃口。 但是，如果上述“黃氏定律”在10年內增加100萬倍，結果就另當別論了。
此外，高質量的資料似乎還不夠。 《麻省理工科技評論》曾發表文章稱，大型模型就像乙個不斷被吸收的“網路黑洞”，最終導致訓練資料不足。
人工智慧研究機構大紀元的**給出了乙個精確的時間框架：2026年，大型模型訓練將耗盡高質量的資料; 從2030年到2050年，所有低質量的資料都將耗盡; 從2030年到2060年，所有影象訓練資料都將耗盡。 這意味著，如果沒有顯著提高資料效率或新資料來源的可用性，到2040年，模型大小的增長將放緩。
3）奧特曼定律：宇宙中的智慧型數量每18個月就會翻一番。
加里·馬庫斯（Gary Marcus）直言不諱地表示，人工智慧的炒作量每18個月翻一番。 其實，難怪馬庫斯是陰陽的，因為奧特曼對“智力量”沒有明確的定義。 這句話更像是一種脫口而出的感覺。
然而，早在 2021 年，山姆·奧特曼就寫了一篇關於“摩爾萬物定律”的文章。'S 萬物定律），提出摩爾定律適用於所有事物，人工智慧將降低商品和服務的成本。乙個烏托邦世界正在展開：財富或技術正在迅速增長，人類可以用更便宜的錢得到他們想要的東西。
總而言之，無論是傳統的“巔峰”摩爾定律，還是新的摩爾定律，都展現了資訊科技的爆發式指數增長和快速迭代特徵。 這一點，大概就是貫穿人類技術發展的永恆的“增長規律”。
03 常數：通過專利發展內生技術的另乙個獨立原因：思想的重組——任何創新都是不同材料的重組或拼接。
如果乙個公司的產品是乙個想法（演算法、公式、設計），它的開發過程是困難而漫長的。 然而，一旦乙個想法被開發出來，其隨後的產出就成為公司的專有財產（例如專利）。 結果，該公司獲得了增量成本接近於零的產品。
熱心的朋友可能已經發現，這個例子屬於諾貝爾經濟學獎得主羅默的三個基本前提之一，羅默是內生經濟增長理論的開創性著作，“收益遞增和長期增長”。
首先，技術進步是經濟增長的核心;
其次，技術進步很大程度上是人們的自覺行為。 換句話說，是對市場激勵的反應;
第三，開發新技術會產生固定成本，但之後使用的成本為零。
羅默假設經濟有三個部門：生產最終產品的部門、研發部門和生產中間產品的部門。
研發部門負責產生想法並將其出售給中間產品部門; 另一方面，中間產品部門生產耐用的資本裝置並將其出租給最終產品生產部門，該部門負責生產具有經濟重量的最終產品。
在這種模式下，研發部門產生的想法是外部的，社會效益與它們帶給研發部門的私人效益不一致。 在羅默看來，為了鼓勵研發，需要盡可能地消除私人利益和社會利益的差異，因此有必要引入一些激勵措施，例如專利和版權。
當我們把注意力從整個經濟世界轉移到微觀企業個體時，概念重構的概念更像是技術開發，用智財權構建“護城河”才是重中之重。 石道此前曾撰文：一些深科技企業在融資中經常面臨“先有雞還是先有蛋”的問題。 也就是說，如果沒有近在咫尺的市場，公司很難籌集資金; 但沒有足夠的資金支援，進入市場就更加困難了。
因此，在早期階段，要特別關注早期的變現機會，戰略合作夥伴和許可協議是“無價的”。 例如，深度科技公司Halitus將自己的智財權授權給行業領導者，並與一家成熟的初創公司合作銷售他們的產品，以產生部分必要的收入，並通過多個合作夥伴獲得寶貴的早期客戶反饋。
04 辨別：為什麼蘋果最近沒有迎來“黑莓時刻”，著名經濟學家Michael JMauboussin和Dan Callahan發表了一篇題為“增加回報：確定增加回報的形式及其驅動因素”的文章。
本文沒有提出一種全新的增長模式。 但通過追蹤規模經濟、網路效應、邊做邊學、概念重組和國際化，谷歌、Meta、英偉達、Microsoft和蘋果等巨頭的增長是與眾不同的。
谷歌和 Meta 嚴重依賴網路效應。 這不是在商業上區分它們的想法的重組。 因為其他公司也可以生產非常相似的產品，但無法複製他們的網路。
NVIDIA的增長源於思維方式的重組。 未來能否保持領先地位取決於該公司能否將其技術作為行業標準，就像Microsoft的 PC 作業系統一樣。 否則，NVIDIA將被更好或更便宜的競爭對手所取代。 借用埃隆·馬斯克（Elon Musk）的一句話：“英偉達不會永遠壟斷大規模訓練和推理晶元市場。 ”
Microsoft雖然受益於網路效應，但更多地依賴於概念重組。
試想一下，如果一家公司合法地擁有Facebook社交網路或谷歌搜尋引擎背後的所有技術，這家公司仍然無法與Meta、谷歌競爭，因為你不可能在一夜之間吸引大量使用者。 但是，如果一家公司可以合法地銷售完全相同的Microsoft軟體副本，它就可以立即與Microsoft競爭。
而這正是國產盜版WIN到處飛的原因，卻找不到第二個IG或小紅書。
雖然亞馬遜的零售業務嚴重依賴網路效應，但其增長回報主要歸功於傳統的規模經濟和邊做邊學。 因此，亞馬遜正在大力投資硬體基礎設施，並不斷嘗試新事物。
同時，亞馬遜也是國際**增長回報的巨大受益者。 該公司建立了乙個技術和物流層，將廉價的製成品從亞洲工廠運送到西方廣闊的終端市場。 然而，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。
蘋果令人印象深刻的增長回報歸功於這五個獨立增長因素的結合。
雖然蘋果的增量單位成本並不低：iPhone 15 Pro Max 的生產成本為 500-600 美元。 但蘋果可以保護其回報率，因為他們似乎從未失去定價權。 這可以歸因於網路效應和隨之而來的高轉換成本（考慮一下 iMessage 在這種情況下的鎖定效應）、思維方式的重組（軟體更新、專利）、邊做邊學和國際**。
因此，當人們認為有一天摩托羅拉、諾基亞和黑莓的命運會降臨到蘋果身上時，蘋果繼續增長。
從最近的角度來看，在智慧型手機領域的創新幾乎耗盡的時候，2023年底，蘋果將連續發布兩篇文章**（概念重組）。 其中一項建議是，蘋果已經通過創新的快閃記憶體利用技術，成功地在iPhone和其他記憶體有限的蘋果裝置上部署了大型機型。 而這種“大機型+硬體”的路線，或將直接改變AI手機的競爭格局。 第二部分詳細介紹了一種名為 Hugs（人類高斯飛濺）的生成式 AI 技術。 Hugs 只需要大約 50-100 幀的原始**，相當於 2 到 4 秒**的 24 fps**，就能在 30 分鐘內生成乙個“數字複製人”。 而這項技術是VR頭顯進一步發展的必然要求。 不久前推出的Vision Pro突破了智慧型手機平面計算的侷限，踢開了空間計算時代的大門。
給投資者的啟示：“黑莓”和蘋果之間有乙個根本的區別——增長回報是否可持續？ 不同獨立因素的增長回報是否具有不同的半衰期？ 公司有能力在半衰期生存嗎？
回到文章開頭，石道認為，至少就目前而言，網路效應可能會減弱，但概念重構（專利技術）的力量將永遠閃耀。