現(xiàn)在，AI浪潮引起人們關(guān)注的是，它帶來了一種新型網(wǎng)絡(luò)效應(yīng)，有人將其稱為“數(shù)據(jù)網(wǎng)絡(luò)效應(yīng)”。機器學習的算法需要數(shù)據(jù)來支撐。

　　投資無非就是要找到“護城河”，也就是某行業(yè)領(lǐng)域內(nèi)一家公司獨有的優(yōu)勢和強項。因為：

　　? 未來的預期現(xiàn)金流預示了公司的估值；

　　? 盈利的能力預示了未來的預期現(xiàn)金流；

　　? 而護城河則預示了盈利的能力。

　　在AI時代，一家希望在AI領(lǐng)域創(chuàng)業(yè)成功的公司的護城河是什么？不是算法，不是數(shù)據(jù)，而是數(shù)據(jù)的平方。

　　為什么護城河預示了盈利的能力？很簡單，因為護城河增強了一家公司與其供應(yīng)商和顧客的議價能力，幫助公司提高產(chǎn)品價格、降低成本，以此獲得更多利潤。各個市場里現(xiàn)有的網(wǎng)絡(luò)效應(yīng)就是護城河的一個絕佳例子。以Airbnb來說，如果有越多的房出租，就越有可能吸引更多的房東自己找上門來，在Airbnb上發(fā)布房源。這樣就形成了閉環(huán)，其他平臺就很難進入這個市場了。

　　這種機制產(chǎn)生了一種“贏家通吃”的態(tài)勢，最大最強的那家公司常常會比它的競爭對手們大出幾個數(shù)量級。這也是為什么投資者喜歡這類獨角獸的原因。

　　現(xiàn)在，AI浪潮引起人們關(guān)注的是，它帶來了一種新型網(wǎng)絡(luò)效應(yīng)，有人將其稱為“數(shù)據(jù)網(wǎng)絡(luò)效應(yīng)”。機器學習的算法需要數(shù)據(jù)來支撐。雖然算法和數(shù)據(jù)之間并不存在線性關(guān)系，但機器學習的算法在接受了大量的數(shù)據(jù)后，處理預測/分類性任務(wù)的準確性變得更高了。

　　還有以下這種機制也值得注意：一家公司，隨著其用戶增多，會收集到越來越多的數(shù)據(jù)來訓練和優(yōu)化自己的算法，預測顧客喜好的精準度就越高，產(chǎn)品的總體質(zhì)量也隨之提升，這就會吸引更多的新顧客來購買產(chǎn)品，為公司提供更多數(shù)據(jù)。這樣又形成一個閉環(huán)。

　　這就出現(xiàn)另一種自我增強型反饋環(huán)路，我們稱之為“人才吸引環(huán)路”。一家公司擁有越多數(shù)據(jù)，它就越能吸引到數(shù)據(jù)研究者來該公司工作，就有更大的機會吸引到業(yè)內(nèi)大神，打造出完美的機器學習產(chǎn)品。

　　但問題是，一家初創(chuàng)公司起初一點數(shù)據(jù)都沒有（或只有一點數(shù)據(jù)），只能依靠一小群有才華的人（通常就是創(chuàng)始人）來維持運作。正如市場需要時間和資源來形成網(wǎng)絡(luò)效應(yīng)，AI公司也需要初始數(shù)據(jù)來開始形成自己的增強環(huán)路。

　　現(xiàn)有的大公司。

　　這就是為什么現(xiàn)有公司會憑著既有優(yōu)勢，有失公平地站在了人工智能這場浪潮的浪尖上。

　　不過，好消息是，現(xiàn)有的大公司也不是那么容易地就可以駕馭這股潮流。

　　歌利亞可以戰(zhàn)勝：

　　分析現(xiàn)有公司優(yōu)勢的框架

　　以下這個公式可能可以用來解釋AI公司成功的部分原因：

　　也就是，成功的、有市場競爭防御能力的AI公司有著足夠多的數(shù)據(jù)讓其機器學習可以用來創(chuàng)造出最佳的算法。

　　要想看清AI領(lǐng)域現(xiàn)有公司的優(yōu)勢，一個很有用的方法便是觀察這個2x2矩陣，其中一條軸是每個用例里可用的數(shù)據(jù)總量，另一條軸則是這個用例里的公司的本質(zhì)。

　　在大型科技公司的用例里，每個潛在的客戶都擁有大量的數(shù)據(jù)，如果我們看這些用例，就會發(fā)現(xiàn)現(xiàn)有公司的優(yōu)勢十分明顯。除了那些典型的優(yōu)勢外（如客源更廣、更有能力去投資和承受損失），大型科技公司就像坐吃山不空，依靠的是多年積累的數(shù)據(jù)。

　　它們也從自己的品牌和強大的財力資源中獲益，有能力去聘請最優(yōu)秀的機器學習人才，讓他們研發(fā)出最強大的算法?，F(xiàn)有公司的得分：3／3。

　　初創(chuàng)公司在這種情況下不應(yīng)該跟現(xiàn)有科技公司硬碰硬。

　　但現(xiàn)有公司在矩陣的這一塊并沒有很大優(yōu)勢，這就是右下方這一領(lǐng)域。這一塊是非技術(shù)公司的主場，而且它們的每一位潛在客戶都已經(jīng)擁有了大量數(shù)據(jù)。想一想管理高速公路的運營商，它們就擁有著多年以來的收費站數(shù)據(jù)。

　　歷史已經(jīng)證明，數(shù)據(jù)可能比算法更有價值，尤其是在深度學習登場后。

　　此外，大型技術(shù)公司正不斷地將最新的機器學習包開源出來，讓算法變成了商品，尤其是在物體識別、自然語言處理領(lǐng)域——我們稱為廣義機器學習。有了廣義機器學習，那些擁有大量數(shù)據(jù)集的非技術(shù)公司在使用開源數(shù)據(jù)包后得以獲得相關(guān)的有用結(jié)果，而這些數(shù)據(jù)包先前都是用科技公司的數(shù)據(jù)集來訓練的。

　　總的來說，一家大公司，無論它是不是科技公司，也不管內(nèi)部有沒有頂尖的機器學習專家，都可以比一家擁有頂尖機器學習專家的小公司創(chuàng)造出更優(yōu)質(zhì)的人工智能產(chǎn)品，因為它比小型初創(chuàng)公司擁有更多數(shù)據(jù)，就這么簡單。

　　這樣一來，我們就應(yīng)該在方程式里更注重數(shù)據(jù)而不是機器學習的能力，所以，之前的公式應(yīng)該修正為：

　　AI企業(yè)成功＝數(shù)據(jù)&TImes;數(shù)據(jù)＋機器學習能力＋算法

　　對初創(chuàng)公司來說，這可能意味著大量機遇。尤其是如果初創(chuàng)公司能：

　　? 整合大型技術(shù)公司缺乏的多種信息源，或者：

　　? 產(chǎn)生額外的專有數(shù)據(jù)。

　　這個矩陣里剩下的左下角這一塊，可能就存在著最大的機遇：技術(shù)公司沒有參與進來，而客戶也沒有途徑接觸到足夠龐大的數(shù)據(jù)集來讓廣義機器學習發(fā)揮作用。農(nóng)業(yè)和醫(yī)護的某些領(lǐng)域就是很好的例子，這些領(lǐng)域里還沒有大型技術(shù)公司占據(jù)市場，而每個客戶也只有少量數(shù)據(jù)。

　　上述新公式意味著，當數(shù)據(jù)一開始只有很少量的時候，它的影響就沒有公式修正之前時那么大，機器學習能力和算法的權(quán)重就顯得更大。在這種情況下，現(xiàn)有公司的優(yōu)勢就沒有之前那么明顯了。

　　這樣計算的直接結(jié)果就是，當市場里數(shù)據(jù)稀少時，初創(chuàng)公司有機會憑借關(guān)鍵的機器學習能力和創(chuàng)新性的算法成為市場贏家。

　　以下三種相互關(guān)聯(lián)的方法，可以解決數(shù)據(jù)稀少情況下如何啟動創(chuàng)業(yè)的問題。

　　? 方法1：從眾多顧客身上收集數(shù)據(jù)

　　雖然憑一家公司之力可能無法獲得足夠多的數(shù)據(jù)集來打造出一款高級AI產(chǎn)品，但如果一家AI初創(chuàng)公司從其主要客戶中不斷收集數(shù)據(jù)，形成自己的數(shù)據(jù)池，那它就有可能成為唯一一家產(chǎn)品能讓顧客滿意的公司。在這個過程中，所有相關(guān)方都需要貢獻出自己獲得的數(shù)據(jù)，讓算法能夠在更龐大的數(shù)據(jù)基礎(chǔ)上得以訓練，進而從中受益。

　　? 方法2： （多個）智能系統(tǒng)

　　如果我們再深入一點探究大數(shù)據(jù)集難以獲得的其他原因，就會發(fā)現(xiàn)這些數(shù)據(jù)集不僅存在于不同客戶之間，還存在于不同的SaaS工具里。

　　坐擁這兩類數(shù)據(jù)集的AI初創(chuàng)公司就有非常大的可能做出最精準的預測，成為一種智能系統(tǒng)。

　　你可以把數(shù)據(jù)集看作是價值鏈上的互補性資產(chǎn)。剛成立的、看上去人畜無害的AI初創(chuàng)公司，可以與現(xiàn)有公司不屑于合作的客戶合作，從而建立起互補性資產(chǎn)，在與現(xiàn)有公司的競爭中存活下來。

　　這種觀點的逆反命題就是，任何一家依賴于單一、非專有數(shù)據(jù)的公司，其市場競爭抵御能力比那些結(jié)合多種數(shù)據(jù)來源的公司要低。

　　最后，我們回到了這個問題上：“誰在用我的數(shù)據(jù)賺錢？”——是那家產(chǎn)生數(shù)據(jù)的公司嗎？是儲存數(shù)據(jù)的公司嗎？還是那家打造出了最佳機器學習產(chǎn)品的公司？

　　? 方法3：獲得特有用戶生成的數(shù)據(jù)集

　　如果一家公司無法從多方客戶或多種SaaS工具里收集到數(shù)據(jù)，或者這些數(shù)據(jù)不足以讓公司做出精準模型，那么它可以嘗試從其對外提供的SaaS服務(wù)里產(chǎn)生額外的數(shù)據(jù)。這種獨特的方式可以讓公司獲得專有的數(shù)據(jù)集，而其他現(xiàn)有公司無法獲得。

　　只需少量的時間、投入和金錢就可以獲得足夠多的數(shù)據(jù)來滿足客戶的期待，因此公司的防御能力相對有限。這種情況尤其適用于所使用的數(shù)據(jù)可以公開獲得的案例。

　　客戶很有可能不會貢獻他們的數(shù)據(jù)，而數(shù)據(jù)網(wǎng)絡(luò)效應(yīng)也需要經(jīng)過漫長時期才能顯現(xiàn)，所以公司的防御能力會越來越強。

　　數(shù)據(jù)稀少的第二種情況可能會讓公司的防御能力大大增強，但也有可能會讓公司過得很艱難。

　　最后一點就是，機器學習的防御能力和SaaS服務(wù)的防御能力并非相互排斥。非常詳盡的產(chǎn)品發(fā)展藍圖、超贊的用戶體驗或用戶/數(shù)據(jù)鎖定，對AI公司構(gòu)建自己的護城河都有重要的作用，這比依靠數(shù)據(jù)網(wǎng)絡(luò)效應(yīng)發(fā)展起來的防御能力要強。