在網際網路商業報道中，「規模效應」、「網絡效應」、「範圍效應」這三個經濟學概念是常客。過去30年，正是這三個概念背後的經濟學原理驅動了網際網路和科技巨頭企業的商業奇蹟。
不久前，以ChatGPT為代表的AI大模型橫空出世，並被認為是下一代網際網路的基石。不難發現，「規模效應」、「網絡效應」、「範圍效應」仍然是其發展中遵循的底層邏輯，因此沿著這一脈絡進行推演分析，可以挖掘出很多啟示。
「 01 」
規模效應：以「湧現」之名
「規模效應」（Scale effect）又稱「規模經濟」，是指因規模增大帶來的經濟效益提高。一般而言，這個概念是指一些行業中，產量增加使產品平均成本減少的規律。對AI大模型來說，規模帶來的禮物不止成本降低這樣的量變。
經過海量數據訓練，當大模型的參數量達到驚人的千億量級後，出現了「湧現」現象，即模型輸出結果與人類思維和表達的相似度有了質變級突破。
這首先意味著，大模型幾乎成了大公司的專屬領地。從硬體角度講，只有大公司（或OpenAI這樣的「大公司親兒子」）燒得起錢，來供養幾萬塊顯卡動輒幾個月的馬拉松式訓練；從人才角度講，也只有大公司才養得起人力成本驚人的龐大計算機博士團隊；從數據角度講，更沒有人能從數據積累量上和國內外的科技巨頭們相比。
「又大又卷」會是「賣鏟人」的福音。即使是巨頭，也不敢保證自己能在這一輪的AI混戰中笑到最後。誠然，訓練了也不一定能訓練出來，訓練出來了也不知道如何落地變現，但是你敢不開始訓練嗎？這一刻，巨頭CEO們焦慮如海淀媽媽，正好又不差錢，於是英偉達、奧飛數據們自然就成了「雙減」之前的學而思、新東方。第一波賺的盆滿缽滿的，肯定又是「賣鏟人」。
當寡頭格局穩定，政府干預恐將接踵而來。無論中、美、歐，政府對網際網路巨頭不正當利用壟斷地位本就越發緊張，AI大模型的規模效應又註定了「大樹之下，寸草難生」，更何況其強大能力又必然對整個社會產生劇烈衝擊，這一背景下，各國政府的「不得不管」與「不太會管」恐怕會長時間持續。
「 02 」
網絡效應：補貼大戰恐將重演
「網絡效應」（Network effect）也稱「網絡外部性」（Network externality），是一個經濟學和商業方面的術語，用於描述對於一個產品（或服務），每增多一名用戶，都會對該產品的其他用戶產生新的價值。
例如，當人們都不使用電話時，安裝電話是沒有價值的，而電話越普及，安裝電話的價值就越高。AI大模型也適用於網絡效應的原理，拿ChatGPT來說，與它對話的人越多，它的訓練素材和疊代次數就越多，它就更「懂人」、更「像人」。
這會讓AI時代也需要卡位「流量入口」。原因在於，誰先吸引更多的真人過來「陪練」，誰就能讓自己的模型率先達到更高的成熟度。
這一點已經在ChatGPT的先發優勢中體現的非常明顯。文字對話之後，下一個「流量風口」會是什麼？遊戲、視頻，還是其他尚未出現在大眾面前的交互形式？值得期待。
而且，大機率會再來一次「補貼大戰」。上一輪的補貼大戰，也是由平台經濟的網絡效應所誘發，ChatGPT初期的免費策略其實其實就是一種「跑馬圈人」。就此往下推理，國內外巨頭怕是又會迎來一場血雨腥風的補貼大戰，MaaS恐怕也躲不過「花錢買量」這一關。
「 03 」
範圍效應：強龍與地頭蛇的相愛相殺
「範圍效應」（Scope effect）是指一個廠商同時生產多種關聯產品時，其單位成本支出小於分別生產這些產品時成本的情形。以ChatGPT為代表的新一代大模型，被認為已經十分接近通用人工智慧（AGI），因此很多人認為「一個場景一個模型」的傳統路線已經成了歷史，AGI大包大攬就能萬事大吉，但事情恐怕沒有這麼簡單。
光靠「通用」實現不了「可用」。且不論訓練一個「全知全能」模型的成本將是天文數字，巨頭們也很難獲得醫療、金融這些領域的Know How和實際業務數據。這就意味著，「通用」模型也許能從有關領域的維基百科、教科書甚至學術論文上學到很多「道理」，但因為無法準確擬合關鍵參數，而在有關領域的實際業務開展中不知所措。
細分行業的數據，會凸顯「要素」屬性。當數據挖掘能力因AI的升級而提升，數據本身的價值自然會倍增，數據的生產要素屬性會更加凸顯。在這一背景下，數據的持有者當然不會坐視價值增量被模型方吃凈。
實際上，有不少行業的市場集中度要高於「大模型行業」（我們暫且用這個詞），因此高價值數據持有者的議價權會大於模型持有者，而且高價值數據持有者往往還把持著應用落地的渠道。
在這一背景下，強龍與地頭蛇需要摸索出共存生態。強龍（模型持有者）、地頭蛇（高價值數據持有者）之間，只有在模型訓練分工、數據收益分配、應用成果分享等方面，探索出一系列適應實際環境、可以大規模複製的商業模式，才能形成一個良性的共存生態。