网络效应如何让人工智能变得更聪明

网络效应决定了从电话到在线购物平台等技术的成功，ChatGPT等人工智能工具也不例外。然而，不同之处在于这些网络效应的运作方式。数据网络效应是一种新形式，就像更熟悉的直接和间接网络效应一样，技术的价值随着它获得用户数量的增加而增加。

然而，我们今天讨论的价值不是来电话的数量或许多买家和卖家的存在某个电商平台上，而是来自帮助它做出更好预测的反馈。更多用户意味着更多响应，从而进一步提高预测准确性，从而形成良性循环。企业需要考虑三个教训：1) 反馈至关重要，2) 定期细致地收集信息，3) 考虑那些有意或无意分享的数据。

去年年底，当 OpenAI 推出 ChatGPT 时，行业观察家的反应既赞扬又担忧。我们都听说了该技术如何让计算机程序员、教师、金融交易员和分析师、平面设计师和艺术家等群体集体失业。由于担心 AI 会扼杀大学生们创作能力，许多大学急于修改课程计划及相关要求。也有人说，也许最直接的影响是 ChatGPT可以重塑甚至取代传统的互联网搜索引擎。搜索和相关广告为谷歌带来了绝大部分收入，那么，聊天机器人会成为谷歌的终结者吗？

ChatGPT是机器学习技术的卓越展示，但作为独立服务几乎不可行。为了发挥自己的技术实力，OpenAI需要一个合作伙伴。因此，当该公司迅速宣布与微软达成协议时，我们并不感到惊讶。这家人工智能初创公司和老牌科技公司的联合可能最终会对谷歌的主导地位构成可信的威胁，从而加大“人工智能军备竞赛”的赌注。它还提供了一个教训，说明哪些力量将决定哪些公司将蓬勃发展，哪些公司将在部署这种技术时步履蹒跚。

为了理解是什么迫使 OpenAI 与 Bing 结盟（以及为什么谷歌仍可能获胜），我们考虑了这项技术与过去的发展有何不同，例如电话或 Uber 或 Airbnb 等市场平台。在这些例子中，网络效应——产品的价值随着用户的增加而上升——在决定这些产品如何增长以及哪些公司成功方面发挥了重要作用。像ChatGPT这样的生成式人工智能服务受到类似但不同类型的网络效应的影响。为了选择适合人工智能的战略，管理者和企业家必须掌握这种新型人工智能网络效应是如何运作的。

网络效应对 AI 的作用不同

人工智能的价值在于准确的预测和建议。但与依赖于将供应(如电力或人力资本)转化为输出(如照明或税务建议)的传统产品和服务不同，人工智能需要大量数据集，必须通过来回的客户交互来保持最新。为了保持竞争力，人工智能运营商必须收集数据、分析数据、提供预测，然后寻求反馈以完善建议。系统的价值取决于来自用户的数据，并随着数据的增加而增加。

这项技术的性能——准确预测和建议的能力——取决于称为数据网络效应的经济原理（有些人更喜欢称之为数据驱动的学习）。这些与熟悉的直接网络效应截然不同，比如随着用户的增长，电话会变得更有价值，因为你可以打电话给更多的人。它们也不同于间接网络效应，后者描述了越来越多的买家如何邀请更多的卖家加入平台，反之亦然——当有更多卖家在场时，在 电商平台购物或在 Airbnb 上预订房间变得更具吸引力。

数据网络效应是一种新形式：就像越熟悉的效应一样，用户越多，技术就越有价值。但在这里，价值不是来自同行的数量，也不是来自许多买家和卖家的存在。相反，这些影响源于技术的本质：人工智能通过强化学习、预测和反馈来改进。随着智能的增加，系统可以做出更好的预测，增强其实用性，吸引新用户并留住现有用户。更多用户意味着更多响应，从而进一步提高预测准确性，从而形成良性循环。

以谷歌地图为例，它使用 AI 推荐到达目的地的最快路线。这种能力取决于预测替代路径中的真实流量模式，这通过利用来自许多用户的数据来实现。在这里，数据用户也是供应商，使用谷歌地图的人越多，它积累的历史数据和并发数据就越多。有了大量的数据，谷歌可以将无数的预测与实际结果进行比较：你是否在应用程序预测的时间到达?  为了完善预测，应用程序还需要您的印象：说明有多好？随着客观事实和主观评论的积累，网络效应开始发挥作用。这些效应改进了预测并提升了应用程序对用户以及 Google 的价值。

一旦我们了解了网络效应如何驱动人工智能，我们就可以想象这项技术需要的新策略。

OpenAI 与微软

让我们从OpenAI和微软的联姻说起。当我们对ChatGPT进行beta测试时，我们对其创造性的、类似人类的反应印象深刻，但也意识到它也存在瓶颈：它依赖于2021年最后一次收集的大量数据，所以不要问最近的事件甚至天气。更糟糕的是，它缺乏一个健全的反馈循环机制。

然而，通过与微软的链接，OpenAI找到了一种测试预测的方法。Bing用户的问题——以及他们如何评价答案——对于更新和改进ChatGPT至关重要。我们想象，下一步是微软将其维护的大量用户数据云输入到算法中。当ChatGPT能够消化数不清的Excel表格、PowerPoint演示文稿、Word文档和LinkedIn简历时，它将在重新创建这些文件方面做得更好，这将让办公室里的人感到高兴或恐惧。

这里至少有三个广泛的教训。

首先，反馈至关重要。人工智能的价值随着不断的用户反应而增强。为了保持智能，算法需要当前用户选择和过去建议评级的数据流。没有反馈，即使是最好的工程算法也不会长期保持智能。正如 OpenAI 所意识到的，即使是最复杂的模型也需要链接到不断流动的数据源。人工智能企业家应该很清楚这一点。

其次，高管们应该定期细致地收集信息，以最大限度地利用这些影响。他们应该遍历典型的财务和运营记录。有用的数据随处可见，无论是在企业内部还是外部。它们可能来自与买家、供应商和同事的互动。例如，零售商可以跟踪消费者查看了什么、他们将什么放入购物车以及他们最终支付了什么。累积起来，这些微小的细节可以极大地改善人工智能系统的预测。即使是不常见的数据，包括企业无法控制的数据，也可能值得收集。天气数据有助于 Google 地图预测路况。跟踪招聘人员用于搜索简历的关键字可以帮助 LinkedIn 为求职者提供成功秘诀。

最后，每个人都应该考虑他们有意或无意共享的数据。事实和反馈对于建立更好的预测至关重要，但是你的数据的价值可能会被其他人获取，高管们应该考虑哪些人工智能能够从他们共享(或允许访问)的数据中受益。有时，他们应该限制共享。例如，当 Uber 司机使用应用程序 Waze 导航时，他们帮助谷歌估计叫车行程的频率和长度。在谷歌考虑运营自动驾驶出租车时，此类数据可能非常宝贵。

另外，当像阿迪达斯这样的品牌在亚马逊上销售产品时，这家零售巨头就可以估计不同品牌(如与耐克相比)和类别的需求，以及买家对价格的敏感性。这一结果可能会提供给竞争对手，或者有利于亚马逊的自有品牌产品。为了应对这种情况，高管们可以避开第三方平台或中介机构。他们可以协商数据访问，他们可以努力保持与客户的直接联系。有时，最好的解决方案可能是让数据所有者在数据交换中绑定和共享，就像银行在建立共享信用数据的方法时所做的那样。

当您考虑AI网络效应时，我们可以更好地理解该技术的未来。还可以看到这些效应与其他网络效应一样，如何使富人变得更加富有。AI 背后的动力意味着先行者可能会得到丰厚的回报，而追随者，无论多么快，都可能被遗弃。这也意味着，当一个人可以访问 AI 算法和数据流时，优势会随着时间的推移而积累，并且无法轻易超越。对于高管、企业家、政策制定者和其他所有人来说，人工智能最好的和最坏的尚未到来。