網絡效應決定了從電話到在線購物平臺等技術的成功，ChatGPT等人工智能工具也不例外。然而，不同之處在于這些網絡效應的運作方式。數據網絡效應是一種新形式，就像更熟悉的直接和間接網絡效應一樣，技術的價值隨著它獲得用戶數量的增加而增加。

然而，我們今天討論的價值不是來電話的數量或許多買家和賣家的存在某個電商平臺上，而是來自幫助它做出更好預測的反饋。更多用戶意味著更多響應，從而進一步提高預測準確性，從而形成良性循環。企業需要考慮三個教訓：1) 反饋至關重要，2) 定期細致地收集信息，3) 考慮那些有意或無意分享的數據。

去年年底，當 OpenAI 推出 ChatGPT 時，行業觀察家的反應既贊揚又擔憂。我們都聽說了該技術如何讓計算機程序員、教師、金融交易員和分析師、平面設計師和藝術家等群體集體失業。由于擔心 AI 會扼殺大學生們創作能力，許多大學急于修改課程計劃及相關要求。也有人說，也許最直接的影響是 ChatGPT可以重塑甚至取代傳統的互聯網搜索引擎。搜索和相關廣告為谷歌帶來了絕大部分收入，那么，聊天機器人會成為谷歌的終結者嗎？

ChatGPT是機器學習技術的卓越展示，但作為獨立服務幾乎不可行。為了發揮自己的技術實力，OpenAI需要一個合作伙伴。因此，當該公司迅速宣布與微軟達成協議時，我們并不感到驚訝。這家人工智能初創公司和老牌科技公司的聯合可能最終會對谷歌的主導地位構成可信的威脅，從而加大“人工智能軍備競賽”的賭注。它還提供了一個教訓，說明哪些力量將決定哪些公司將蓬勃發展，哪些公司將在部署這種技術時步履蹣跚。

為了理解是什么迫使 OpenAI 與 Bing 結盟（以及為什么谷歌仍可能獲勝），我們考慮了這項技術與過去的發展有何不同，例如電話或 Uber 或 Airbnb 等市場平臺。在這些例子中，網絡效應——產品的價值隨著用戶的增加而上升——在決定這些產品如何增長以及哪些公司成功方面發揮了重要作用。像ChatGPT這樣的生成式人工智能服務受到類似但不同類型的網絡效應的影響。為了選擇適合人工智能的戰略，管理者和企業家必須掌握這種新型人工智能網絡效應是如何運作的。

網絡效應對 AI 的作用不同

人工智能的價值在于準確的預測和建議。但與依賴于將供應(如電力或人力資本)轉化為輸出(如照明或稅務建議)的傳統產品和服務不同，人工智能需要大量數據集，必須通過來回的客戶交互來保持最新。為了保持競爭力，人工智能運營商必須收集數據、分析數據、提供預測，然后尋求反饋以完善建議。系統的價值取決于來自用戶的數據，并隨著數據的增加而增加。

這項技術的性能——準確預測和建議的能力——取決于稱為數據網絡效應的經濟原理（有些人更喜歡稱之為數據驅動的學習）。這些與熟悉的直接網絡效應截然不同，比如隨著用戶的增長，電話會變得更有價值，因為你可以打電話給更多的人。它們也不同于間接網絡效應，后者描述了越來越多的買家如何邀請更多的賣家加入平臺，反之亦然——當有更多賣家在場時，在 電商平臺購物或在 Airbnb 上預訂房間變得更具吸引力。

數據網絡效應是一種新形式：就像越熟悉的效應一樣，用戶越多，技術就越有價值。但在這里，價值不是來自同行的數量，也不是來自許多買家和賣家的存在。相反，這些影響源于技術的本質：人工智能通過強化學習、預測和反饋來改進。隨著智能的增加，系統可以做出更好的預測，增強其實用性，吸引新用戶并留住現有用戶。更多用戶意味著更多響應，從而進一步提高預測準確性，從而形成良性循環。

以谷歌地圖為例，它使用 AI 推薦到達目的地的最快路線。這種能力取決于預測替代路徑中的真實流量模式，這通過利用來自許多用戶的數據來實現。在這里，數據用戶也是供應商，使用谷歌地圖的人越多，它積累的歷史數據和并發數據就越多。有了大量的數據，谷歌可以將無數的預測與實際結果進行比較： 你是否在應用程序預測的時間到達?  為了完善預測，應用程序還需要您的印象：說明有多好？隨著客觀事實和主觀評論的積累，網絡效應開始發揮作用。這些效應改進了預測并提升了應用程序對用戶以及 Google 的價值。

一旦我們了解了網絡效應如何驅動人工智能，我們就可以想象這項技術需要的新策略。

OpenAI 與微軟

讓我們從OpenAI和微軟的聯姻說起。當我們對ChatGPT進行beta測試時，我們對其創造性的、類似人類的反應印象深刻，但也意識到它也存在瓶頸：它依賴于2021年最后一次收集的大量數據，所以不要問最近的事件甚至天氣。更糟糕的是，它缺乏一個健全的反饋循環機制。

然而，通過與微軟的鏈接，OpenAI找到了一種測試預測的方法。 Bing用戶的問題——以及他們如何評價答案——對于更新和改進ChatGPT至關重要。我們想象，下一步是微軟將其維護的大量用戶數據云輸入到算法中。當ChatGPT能夠消化數不清的Excel表格、PowerPoint演示文稿、Word文檔和LinkedIn簡歷時，它將在重新創建這些文件方面做得更好，這將讓辦公室里的人感到高興或恐懼。

這里至少有三個廣泛的教訓。

首先，反饋至關重要。人工智能的價值隨著不斷的用戶反應而增強。為了保持智能，算法需要當前用戶選擇和過去建議評級的數據流。沒有反饋，即使是最好的工程算法也不會長期保持智能。正如 OpenAI 所意識到的，即使是最復雜的模型也需要鏈接到不斷流動的數據源。人工智能企業家應該很清楚這一點。

其次，高管們應該定期細致地收集信息，以最大限度地利用這些影響。他們應該遍歷典型的財務和運營記錄。有用的數據隨處可見，無論是在企業內部還是外部。它們可能來自與買家、供應商和同事的互動。例如，零售商可以跟蹤消費者查看了什么、他們將什么放入購物車以及他們最終支付了什么。累積起來，這些微小的細節可以極大地改善人工智能系統的預測。即使是不常見的數據，包括企業無法控制的數據，也可能值得收集。天氣數據有助于 Google 地圖預測路況。跟蹤招聘人員用于搜索簡歷的關鍵字可以幫助 LinkedIn 為求職者提供成功秘訣。

最后，每個人都應該考慮他們有意或無意共享的數據。事實和反饋對于建立更好的預測至關重要，但是你的數據的價值可能會被其他人獲取，高管們應該考慮哪些人工智能能夠從他們共享(或允許訪問)的數據中受益。有時，他們應該限制共享。例如，當 Uber 司機使用應用程序 Waze 導航時，他們幫助谷歌估計叫車行程的頻率和長度。在谷歌考慮運營自動駕駛出租車時，此類數據可能非常寶貴。

另外，當像阿迪達斯這樣的品牌在亞馬遜上銷售產品時，這家零售巨頭就可以估計不同品牌(如與耐克相比)和類別的需求，以及買家對價格的敏感性。這一結果可能會提供給競爭對手，或者有利于亞馬遜的自有品牌產品。為了應對這種情況，高管們可以避開第三方平臺或中介機構。他們可以協商數據訪問，他們可以努力保持與客戶的直接聯系。有時，最好的解決方案可能是讓數據所有者在數據交換中綁定和共享，就像銀行在建立共享信用數據的方法時所做的那樣。

當您考慮AI網絡效應時，我們可以更好地理解該技術的未來。還可以看到這些效應與其他網絡效應一樣，如何使富人變得更加富有。AI 背后的動力意味著先行者可能會得到豐厚的回報，而追隨者，無論多么快，都可能被遺棄。這也意味著，當一個人可以訪問 AI 算法和數據流時，優勢會隨著時間的推移而積累，并且無法輕易超越。對于高管、企業家、政策制定者和其他所有人來說，人工智能最好的和最壞的尚未到來。