在互联网商业报道中，" 规模效应 "、" 网络效应 "、" 范围效应 " 这三个经济学概念是常客。过去 30 年，正是这三个概念背后的经济学原理驱动了互联网和科技巨头企业的商业奇迹。
不久前，以 ChatGPT 为代表的 AI 大模型横空出世，并被认为是下一代互联网的基石。不难发现，" 规模效应 "、" 网络效应 "、" 范围效应 " 仍然是其发展中遵循的底层逻辑，因此沿着这一脉络进行推演分析，可以挖掘出很多启示。
「01」
规模效应：以 " 涌现 " 之名
" 规模效应 "（Scale effect）又称 " 规模经济 "，是指因规模增大带来的经济效益提高。一般而言，这个概念是指一些行业中，产量增加使产品平均成本减少的规律。对 AI 大模型来说，规模带来的礼物不止成本降低这样的量变。
经过海量数据训练，当大模型的参数量达到惊人的千亿量级后，出现了 " 涌现 " 现象，即模型输出结果与人类思维和表达的相似度有了质变级突破。
这首先意味着，大模型几乎成了大公司的专属领地。从硬件角度讲，只有大公司（或 OpenAI 这样的 " 大公司亲儿子 "）烧得起钱，来供养几万块显卡动辄几个月的马拉松式训练；从人才角度讲，也只有大公司才养得起人力成本惊人的庞大计算机博士团队；从数据角度讲，更没有人能从数据积累量上和国内外的科技巨头们相比。
" 又大又卷 " 会是 " 卖铲人 " 的福音。即使是巨头，也不敢保证自己能在这一轮的 AI 混战中笑到最后。诚然，训练了也不一定能训练出来，训练出来了也不知道如何落地变现，但是你敢不开始训练吗？这一刻，巨头 CEO 们焦虑如海淀妈妈，正好又不差钱，于是英伟达、奥飞数据们自然就成了 " 双减 " 之前的学而思、新东方。第一波赚的盆满钵满的，肯定又是 " 卖铲人 "。
当寡头格局稳定，政府干预恐将接踵而来。无论中、美、欧，政府对互联网巨头不正当利用垄断地位本就越发紧张，AI 大模型的规模效应又注定了 " 大树之下，寸草难生 "，更何况其强大能力又必然对整个社会产生剧烈冲击，这一背景下，各国政府的 " 不得不管 " 与 " 不太会管 " 恐怕会长时间持续。
「02」
网络效应：补贴大战恐将重演
" 网络效应 "（Network effect）也称 " 网络外部性 "（Network externality），是一个经济学和商业方面的术语，用于描述对于一个产品（或服务），每增多一名用户，都会对该产品的其他用户产生新的价值。
例如，当人们都不使用电话时，安装电话是没有价值的，而电话越普及，安装电话的价值就越高。AI 大模型也适用于网络效应的原理，拿 ChatGPT 来说，与它对话的人越多，它的训练素材和迭代次数就越多，它就更 " 懂人 "、更 " 像人 "。
这会让 AI 时代也需要卡位 " 流量入口 "。原因在于，谁先吸引更多的真人过来 " 陪练 "，谁就能让自己的模型率先达到更高的成熟度。
这一点已经在 ChatGPT 的先发优势中体现的非常明显。文字对话之后，下一个 " 流量风口 " 会是什么？游戏、视频，还是其他尚未出现在大众面前的交互形式？值得期待。
而且，大概率会再来一次 " 补贴大战 "。上一轮的补贴大战，也是由平台经济的网络效应所诱发，ChatGPT 初期的免费策略其实其实就是一种 " 跑马圈人 "。就此往下推理，国内外巨头怕是又会迎来一场血雨腥风的补贴大战，MaaS 恐怕也躲不过 " 花钱买量 " 这一关。
「03」
范围效应：强龙与地头蛇的相爱相杀
" 范围效应 "（Scope effect）是指一个厂商同时生产多种关联产品时，其单位成本支出小于分别生产这些产品时成本的情形。以 ChatGPT 为代表的新一代大模型，被认为已经十分接近通用人工智能（AGI），因此很多人认为 " 一个场景一个模型 " 的传统路线已经成了历史，AGI 大包大揽就能万事大吉，但事情恐怕没有这么简单。
光靠 " 通用 " 实现不了 " 可用 "。且不论训练一个 " 全知全能 " 模型的成本将是天文数字，巨头们也很难获得医疗、金融这些领域的 Know How 和实际业务数据。这就意味着，" 通用 " 模型也许能从有关领域的维基百科、教科书甚至学术论文上学到很多 " 道理 "，但因为无法准确拟合关键参数，而在有关领域的实际业务开展中不知所措。
细分行业的数据，会凸显 " 要素 " 属性。当数据挖掘能力因 AI 的升级而提升，数据本身的价值自然会倍增，数据的生产要素属性会更加凸显。在这一背景下，数据的持有者当然不会坐视价值增量被模型方吃净。
实际上，有不少行业的市场集中度要高于 " 大模型行业 "（我们暂且用这个词），因此高价值数据持有者的议价权会大于模型持有者，而且高价值数据持有者往往还把持着应用落地的渠道。
在这一背景下，强龙与地头蛇需要摸索出共存生态。强龙（模型持有者）、地头蛇（高价值数据持有者）之间，只有在模型训练分工、数据收益分配、应用成果分享等方面，探索出一系列适应实际环境、可以大规模复制的商业模式，才能形成一个良性的共存生态。
