來源：適道
圖片來源：由無界AI生成
美國矽谷著名投資人，國際知名支付工具PayPal的創辦人彼得‧蒂爾（Peter Thiel）曾說：「競爭是留給輸家的。如果你想創造和獲得持久的價值，那就建立一個壟斷企業。”
這句話是對「贏家通吃」（Winner Takes All）的極致表述。 「贏家通吃」指產品或服務只要比競爭對手好一點點（例如1%），那麼在該類別的產品或服務中，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後。
這個現像在許多行業都有所體現，尤其是科技業。從全球範圍來看，IBM 在運算領域佔據主導地位數十年；微軟主導個人電腦市場；亞馬遜至今仍在單槍匹馬地統治電子商務領域。很顯然，網路時代的一大特徵就是「贏家通吃，敗者恆弱」。
要弄清楚這個問題很重要，因為這將會改變我們的投資邏輯：如果傳統網路「燒錢補貼——幹掉第二名——壟斷市場——發揮網路效應」的做法不再行得通，那麼經歷過「千團大戰」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文章，作者包括A16Z合夥人Benedict Evans、美國光速創投（Lightspeed Venture Partners）合夥人Guru Chahal等人，試圖梳理出一些相近或相悖的觀點，供大家思考。
會得獎者通吃：代表方吳恩達
整體來看，吳恩達 (Andrew Ng) 介紹的人工智慧的良性循環模式為「贏家通吃」提供了底層邏輯。
最初，人工智慧產品由有限的數據建構。隨後，在與使用者接觸過程中，產品每天會收集越來越多的資料。而機器學習的基礎是數據——大量的數據。
更多數據=更精確的模型=更好的產品=更多用戶=更多數據
這個良性循環公式被認為是人工智慧贏家通吃市場的重要因素。大數據和機器學習結合，放大了網路效應和規模回報，再次強化了科技市場領導者的主導地位，意味著那些已經很大並且擁有大量數據的公司會變得更強大。
就國內情況來看，資料壁壘也是擺在新興公司面前的一面牆。高品質的中文語料數據對新創公司來說是個很大的挑戰，而數據的增持則需要時間和經驗。對於百度這樣常年累月透過搜尋等多個網路、物聯網應用程式增持起數據的公司來說，一開始就領先了至少幾個身位。
不會贏家通吃：代表方A16Z
數據至關重要，但關於數據在實際工作中產生的作用，A16Z合夥人，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，雖然機器學習需要大量的數據，但是你使用的數據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據，Google有大量搜尋數據，美國運通有大量信用卡詐欺數據。但你不能用渦輪機資料來訓練模型，去發現詐騙交易，也不能用網路搜尋資料訓練模型去發現即將失效的燃氣渦輪機。
你訓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，象棋程式不能繳稅一樣，機器學習翻譯系統也無法辨識貓。
你建立的應用程式和你需要的資料集，都與你試圖解決的任務強相關。 (儘管這是一個不斷變化的目標，有研究試圖發現如何讓機器學習模型，在不同的資料集之間更容易遷移)。
這意味著谷歌會越來越擅長成為谷歌，但不代表它在其他方面也做得越來越好。
有的行業會，有的行業不會：需要看具體的垂直領域
那麼，在垂直領域，頭部企業能否憑藉遙遙領先的數據優勢，搶佔全部市場？
EvansDoes認為，情況會變得更加複雜。
例如誰擁有數據，數據有多獨特，數據在什麼層面上是獨一無二的，以及聚合和分析數據的正確位置在哪裡。這些問題對於不同的業務部門、不同的行業和不同的用例，答案會有所不同。
我們假設一個場景，如果你正在創建一家公司來用機器學習解決現實世界的問題，那麼你會面臨兩個基本的數據問題：
1.你如何獲得第一批資料來訓練你的模型去獲得第一個客戶？
2、你需要多少數據？
第二個問題可以分解成許多問題：
你要用較少且容易取得的數據來解決問題？ (但許多競爭對手可以獲得) 。
還是你需要更多的、難以取得的數據去解決問題？
如果是這樣的話，是否存在一種網路效應可以從中受益？由一個贏家將獲得所有的數據？
產品是隨著更多的數據無限期地變得更好，還是存在一個S曲線？
這些都要看情況。
有些數據，是企業或產品獨有的，或具有強大的專有優勢，例如通用公司的渦輪機遙測技術。但這對分析勞斯萊斯的渦輪機，可能也沒有太大用處。
而一些數據，可以用於許多公司甚至許多行業中的用例。許多新創公司也由此誕生，來解決許多公司或不同產業的共通性問題，而這裡的數據具有網路效應。
但也有這樣的情況，就是在某個時間點之後，供應商甚至不需要更多的數據了，因為產品已經能夠運作了。
EvansDoes認為，這種情況已經在許多新創公司上演。例如， A16Z的投資的公司Everlaw開發了一個法律軟體。該軟體能夠對一百萬封電子郵件進行情緒分析，就不需要以客戶的特定訴訟資料作為原料再進行訓練了。
更極端的情況是，一家大型車輛製造商正在透過模型訓練，開發更精確的爆胎偵測器。這是基於大量輪胎的資料訓練出來的模型。但很顯然，這些數據的獲取難度並不高。
也就是說，機器學習的普及並不意味著Google變得更強大，而是意味著各種各樣的新創公司，能夠比以前更快地利用這項前沿技術來建立一個應用，解決一個問題。
未來不會出現更多「人工智慧」的新創公司，它們將是工業流程分析公司、法律平台公司或銷售優化公司。
EvansDoes將機器學習與SQL（Structured Query Language）進行了類比。
在以前，如果你不使用SQL，你就會落後。例如沃爾瑪成功的一大因素，就是使用SQL更有效管理股票和物流。
但在今天，當你創辦了一家零售公司，並說“…我們將使用SQL”，這不會讓公司看起來更有價值，因為SQL已經成為了一切的一部分，然後它就在話語體系中消失了。
機器學習的未來也會如此。
「大模型」時代怎麼投？至少網路邏輯確實行不通了
適道投研團隊認為，不管會不會“贏家通吃”，至少網路時代的投資邏輯在人工智慧時代不再行得通。
核心邏輯在於，網路時代，「流量」是免費的，這才有「網路效應」的概念：也就是說，在總的營運成本不變的情況下，使用者越多，網路的價值就越大。這就是所謂的“所有行業都適合用互聯網思維重做一遍。”
但是，大模型時代不一樣的點在於，算力是有成本的。那麼每多增加一個用戶，是要實打實地付出算力，並不會產生網路效應，這就導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，目前的大模型有使用成本高、推理延遲較大、資料外洩、專業任務上不夠準確等問題。與之相比，一些更小型、專業化（調整+精煉）的長尾模型的優點也顯現了出來。
因此，即便絕大多數技術都能起到財富聚集的作用，人工智慧巨頭也確實能聚集大量財富，但因為算力成本，以及不能佔有整個市場，財富總量也會變得有限。
資訊來源：由0x資訊編譯自8BTC。版權所有，未經許可，不得轉載