温师道。在增长回报方面，“赢家通吃”的规模经济和网络效应在过去二十年中一直是杀手。
规模经济（Economy of scale）原指企业平均成本随着生产规模的扩大而逐渐降低的经济现象。
但是，如果你遵循亚当·斯密给出的原意，你会发现“规模经济”不仅没有增长，反而减少了增长。
例如，一家培训机构招聘 1 名教师和 5 名学生。 随着招生人数的增加，学生人数增加到 20 人。 假设 1 位教师精力有限，最多只能教 20 名学生。 至此，培训机构达到了“规模”的极限。 如果招生人数继续扩大，培训机构将不得不再雇用一名教师，从而承担更多的成本。
在这种情况下，增长从“规模经济”转向“规模不经济”。 最终，市场竞争达到动态均衡，每个企业根据自身竞争力获得相应的市场份额。
但这似乎与我们所知道的“赢家”世界不同。
原因在于，在知识型经济世界中，产品是知识密集型的，自然资源的比重很小，可以实现增量回报。 例如，Microsoft花费了 5000 万美元为 Windows 开发第一张软盘，而第二张及后续的软盘成本仅为 3 美元。 此外，单位成本随着销量的增加而降低。
谁能先占领制高点，通过早期用户的积极反馈快速迭代，谁就可能以“微小优势”吃掉整个市场，实现“赢家通吃”。
当这种现象叠加在互联网时代的“网络效应”上时，“赢家通吃”被进一步放大。
网络效应是一种产品（或服务），其中每个增加的用户都会为该产品的其他用户产生新的价值。 最典型的例子是**，世界上假装的人越多，会说话的人就越多，**的价值就越大。
但这只是第一代网络效应——“直接网络效应”。
互联网时代是一个“跨网络效应”的世界——一个平台上至少有一组用户相互依赖，但兴趣不同。 例如，宝藏的买家和卖家; 某次旅行的酒店和租户; 司机和乘客在下降; 某本红书的博主和粉丝。
平台的作用是帮助双边（多边）用户划定红线，编织一个密不可分的网络。 哪个平台的“红线”越多，对用户来说就越有吸引力。 例如，字节的算法推送就是基于这种逻辑。
同时，由于应用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，赢家吞噬了整个市场。
得益于规模经济+网络效应的双重加持，我们听过的最壮观的创业故事，几乎都发生在互联网时代。
趁着假期，师道重读了布莱恩·亚瑟（Brian Arthur）1996年的经典著作《增加回报与商业新世界》（Increasing Returns and the New World of Business）。 * 引入了知识密集型产品的“规模经济”和当时新生的“网络效应”理论。 它是如此重要，以至于它甚至改变了硅谷的游戏规则。
但正如亚瑟质疑阿尔弗雷德·马歇尔（Alfred Marshall）在1890年代提出的收益递减定律一样。 28年过去了，但亚瑟在1996年发表的《新商业世界的网络效应和规模经济》在人工智能时代是否仍然适用？
01 弱点：规模经济和网络效应：至少就目前而言，这两种增长理论似乎并不那么有效。
让我们从规模经济的“失败”开始。
ChatGPT每次回答一个问题，都会消耗计算能力。 例如，Microsoft的GitHub Copilot过去平均每个用户每月支付20美元，有些用户高达80美元。 即使用户越多，您损失的就越多。 除非您的产品足够好，用户可以为更好的体验付费。 然而，即使在这种情况下，高成本仍然存在，利润也不会像互联网时代那样巨大。
让我们谈谈网络效应的“减弱”。
第一个原因，从最直观的体验来看，当你使用AI软件时，面对的是机器人，人不多，用户之间的联系也不再复杂。 当然，软件开发者也可以搭建AI社区，堆叠“网络效应”buff，比如Midjourney;
第二个原因是，虽然“数据”至关重要，但它的作用可能被夸大了。 让我们思考一个问题，产品模型会因为用户数据越多而变得更好吗？ 还是有 S 曲线？
我们先不说chatgpt40 “变得懒惰”。 事实上，训练模型可能不需要更多的数据，一定水平就足够了。 例如，A16Z投资的公司Everlaw开发了一款法律软件。 在分析了一百万封电子邮件后，该软件不需要训练。
此外，用于训练模型的数据必须非常适合实际问题。 互联网巨头的数据壁垒在数量上比质量更有价值。
02 变化：摩尔定律时代还有哪些“可靠”的增长理论？
除了规模经济和网络效应。 恢复增长的主要独立原因是边做边学和思想的重组。
边做边学是指劳动者在生产中积累经验和知识，并想方设法提高自己的技能，从而形成经济整体水平的技术进步，摆脱收益递减规律的束缚，促进经济的长期增长。
简单来说，就是卷王先把自己滚死，然后再把别人滚死。
在这种“卷王”理论下，有一个非常有名的定律。
摩尔定律：当**不变时，单个芯片上可以容纳的组件数量大约每18-24个月翻一番，性能也会翻倍。
比尔·盖茨曾经说过，“我喜欢摩尔定律作为通往未来的一种方式。 它帮助我们了解技术的发展速度，以及我们将来应该做什么。 ”
然而，摩尔定律不是数学或物理定律，而是基于半导体行业发展经验的定律。 随着晶体管数量的增加，摩尔定律现在已经达到了天花板。 有专家**认为，到2025年，摩尔定律将失效。
真的是这样吗？ 根据ARK Invest的报告，自2014年以来，AI芯片性能以每年93%的速度增长，这意味着成本每年下降48%，比摩尔定律每年30%的速度还要快。 例如，2020 年，GPT-3 的单次培训费用为 460 万美元，而现在**为 140 万美元，下降了约 70%。 2023年初，OpenAI提供的API服务**下降了90%。 如果这种趋势继续下去，完成相同质量任务的硬件成本将从2014年的11,000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以达到相同性能所需的计算量也每 16 个月减少了 2 倍。
换句话说，传统的摩尔定律可能行不通，但人工智能时代有自己的“智能摩尔定律”。
1）黄仁勋定律：GPU将推动AI性能逐年翻番。
2020年，黄仁勋提出“黄氏定律”取代摩尔定律。 2023年，老黄还表示：英伟达的GPU在过去10年中，AI处理性能提升了不少于100万倍，未来10年，AI性能将提升100万倍。 摩尔定律在最好的时候，在十年内增长了 100 倍（仅）。
2）大模型定律：大模型的参数和训练数据量正在快速增长。
根据OpenAI的测算，全球对头部AI模型训练算力的需求在3-4个月内翻了一番，头部训练模型所需的算力每年增长高达10倍。
如果遵循传统的摩尔定律，芯片计算性能大约每 18-24 个月才会翻一番。 在这种情况下，芯片性能提升的步伐跟不上AI训练模型的胃口。 但是，如果上述“黄氏定律”在10年内增加100万倍，结果就另当别论了。
此外，高质量的数据似乎还不够。 《麻省理工科技评论》曾发表文章称，大型模型就像一个不断被吸收的“网络黑洞”，最终导致训练数据不足。
人工智能研究机构大纪元的**给出了一个精确的时间框架：2026年，大型模型训练将耗尽高质量的数据; 从2030年到2050年，所有低质量的数据都将耗尽; 从2030年到2060年，所有图像训练数据都将耗尽。 这意味着，如果没有显著提高数据效率或新数据源的可用性，到2040年，模型大小的增长将放缓。
3）奥特曼定律：宇宙中的智能数量每18个月就会翻一番。
加里·马库斯（Gary Marcus）直言不讳地表示，人工智能的炒作量每18个月翻一番。 其实，难怪马库斯是阴阳的，因为奥特曼对“智力量”没有明确的定义。 这句话更像是一种脱口而出的感觉。
然而，早在 2021 年，山姆·奥特曼就写了一篇关于“摩尔万物定律”的文章。'S 万物定律），提出摩尔定律适用于所有事物，人工智能将降低商品和服务的成本。一个乌托邦世界正在展开：财富或技术正在迅速增长，人类可以用更便宜的钱得到他们想要的东西。
总而言之，无论是传统的“巅峰”摩尔定律，还是新的摩尔定律，都展现了信息技术的爆发式指数增长和快速迭代特征。 这一点，大概就是贯穿人类技术发展的永恒的“增长规律”。
03 常数：通过专利发展内生技术的另一个独立原因：思想的重组——任何创新都是不同材料的重组或拼接。
如果一个公司的产品是一个想法（算法、公式、设计），它的开发过程是困难而漫长的。 然而，一旦一个想法被开发出来，其随后的产出就成为公司的专有财产（例如专利）。 结果，该公司获得了增量成本接近于零的产品。
热心的朋友可能已经发现，这个例子属于诺贝尔经济学奖得主罗默的三个基本前提之一，罗默是内生经济增长理论的开创性著作，“收益递增和长期增长”。
首先，技术进步是经济增长的核心;
其次，技术进步很大程度上是人们的自觉行为。 换句话说，是对市场激励的反应;
第三，开发新技术会产生固定成本，但之后使用的成本为零。
罗默假设经济有三个部门：生产最终产品的部门、研发部门和生产中间产品的部门。
研发部门负责产生想法并将其出售给中间产品部门; 另一方面，中间产品部门生产耐用的资本设备并将其出租给最终产品生产部门，该部门负责生产具有经济重量的最终产品。
在这种模式下，研发部门产生的想法是外部的，社会效益与它们带给研发部门的私人效益不一致。 在罗默看来，为了鼓励研发，需要尽可能地消除私人利益和社会利益的差异，因此有必要引入一些激励措施，例如专利和版权。
当我们把注意力从整个经济世界转移到微观企业个体时，概念重构的概念更像是技术开发，用知识产权构建“护城河”才是重中之重。 石道此前曾撰文：一些深科技企业在融资中经常面临“先有鸡还是先有蛋”的问题。 也就是说，如果没有近在咫尺的市场，公司很难筹集资金; 但没有足够的资金支持，进入市场就更加困难了。
因此，在早期阶段，要特别关注早期的变现机会，战略合作伙伴和许可协议是“无价的”。 例如，深度科技公司Halitus将自己的知识产权授权给行业领导者，并与一家成熟的初创公司合作销售他们的产品，以产生部分必要的收入，并通过多个合作伙伴获得宝贵的早期客户反馈。
04 辨别：为什么苹果最近没有迎来“黑莓时刻”，著名经济学家Michael JMauboussin和Dan Callahan发表了一篇题为“增加回报：确定增加回报的形式及其驱动因素”的文章。
本文没有提出一种全新的增长模式。 但通过追踪规模经济、网络效应、边做边学、概念重组和国际化，谷歌、Meta、英伟达、Microsoft和苹果等巨头的增长是与众不同的。
谷歌和 Meta 严重依赖网络效应。 这不是在商业上区分它们的想法的重组。 因为其他公司也可以生产非常相似的产品，但无法复制他们的网络。
NVIDIA的增长源于思维方式的重组。 未来能否保持领先地位取决于该公司能否将其技术作为行业标准，就像Microsoft的 PC 操作系统一样。 否则，NVIDIA将被更好或更便宜的竞争对手所取代。 借用埃隆·马斯克（Elon Musk）的一句话：“英伟达不会永远垄断大规模训练和推理芯片市场。 ”
Microsoft虽然受益于网络效应，但更多地依赖于概念重组。
试想一下，如果一家公司合法地拥有Facebook社交网络或谷歌搜索引擎背后的所有技术，这家公司仍然无法与Meta、谷歌竞争，因为你不可能在一夜之间吸引大量用户。 但是，如果一家公司可以合法地销售完全相同的Microsoft软件副本，它就可以立即与Microsoft竞争。
而这正是国产盗版WIN到处飞的原因，却找不到第二个IG或小红书。
虽然亚马逊的零售业务严重依赖网络效应，但其增长回报主要归功于传统的规模经济和边做边学。 因此，亚马逊正在大力投资硬件基础设施，并不断尝试新事物。
同时，亚马逊也是国际**增长回报的巨大受益者。 该公司创建了一个技术和物流层，将廉价的制成品从亚洲工厂运送到西方广阔的终端市场。 然而，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。
苹果令人印象深刻的增长回报归功于这五个独立增长因素的结合。
虽然苹果的增量单位成本并不低：iPhone 15 Pro Max 的生产成本为 500-600 美元。 但苹果可以保护其回报率，因为他们似乎从未失去定价权。 这可以归因于网络效应和随之而来的高转换成本（考虑一下 iMessage 在这种情况下的锁定效应）、思维方式的重组（软件更新、专利）、边做边学和国际**。
因此，当人们认为有一天摩托罗拉、诺基亚和黑莓的命运会降临到苹果身上时，苹果继续增长。
从最近的角度来看，在智能手机领域的创新几乎耗尽的时候，2023年底，苹果将连续发布两篇文章**（概念重组）。 其中一项建议是，苹果已经通过创新的闪存利用技术，成功地在iPhone和其他内存有限的苹果设备上部署了大型机型。 而这种“大机型+硬件”的路线，或将直接改变AI手机的竞争格局。 第二部分详细介绍了一种名为 Hugs（人类高斯飞溅）的生成式 AI 技术。 Hugs 只需要大约 50-100 帧的原始**，相当于 2 到 4 秒**的 24 fps**，就能在 30 分钟内生成一个“数字克隆人”。 而这项技术是VR头显进一步发展的必然要求。 不久前推出的Vision Pro突破了智能手机平面计算的局限，踢开了空间计算时代的大门。
给投资者的启示：“黑莓”和苹果之间有一个根本的区别——增长回报是否可持续？ 不同独立因素的增长回报是否具有不同的半衰期？ 公司有能力在半衰期生存吗？
回到文章开头，石道认为，至少就目前而言，网络效应可能会减弱，但概念重构（专利技术）的力量将永远闪耀。