网络效应决定了从电话到Etsy等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是如何运作的。是一种新的形式。就像我们更熟悉的直接和间接网络效应一样，技术的价值随着用户的增加而增加。然而，在这里，价值并不来自同伴的数量(就像电话一样)，也不是来自许多买家和卖家的存在(就像在Etsy这样的平台上)，而是来自帮助它做出更好预测的反馈。更多的用户意味着更多的响应，这进一步提高了预测的准确性，创造了一个良性循环。公司需要考虑三个教训:1)反馈至关重要，2)将细致的信息收集常规化，3)考虑你有意或无意分享的数据。

　　去年年底，当OpenAI推出ChatGPT时，行业观察人士的反应是赞扬和担忧。我们听到了这项技术如何取代计算机程序员、教师、金融交易员和分析师、平面设计师和艺术家。由于担心人工智能会扼杀大学论文，各大学纷纷修改课程。一些人说，也许最直接的影响是ChatGPT可以重新发明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。聊天机器人会杀死谷歌吗?

　　ChatGPT是机器学习技术的杰出示范，但作为一项独立服务，它几乎不可行。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与必应结盟(以及为什么谷歌仍然可能取得胜利)，我们考虑了这项技术与过去的发展(如电话或Uber或Airbnb等市场平台)有何不同。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。

　　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新鲜。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，然后寻求反馈以强化建议。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——取决于一个被称为(有些人更喜欢-)的经济学原理。这与我们熟悉的直接网络效应不同，直接网络效应会使电话随着用户的增加而变得更有价值，因为你可以给更多的人打电话。它们也不同于间接或二级网络效应，后者描述了越来越多的买家如何邀请更多的卖家到一个平台，反之亦然——当更多的卖家出现时，在Etsy上购物或在Airbnb上预订会变得更有吸引力。

　　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(就像电话一样)，也不是来自许多买家和卖家的存在(就像在Etsy这样的平台上)。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。随着智能的提高，该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。更多的用户意味着更多的响应，这进一步提高了预测的准确性，创造了一个良性循环。

　　以谷歌Maps为例。它使用人工智能为你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上的交通模式，这是通过利用来自许多用户的数据来实现的。(是的，数据使用者也是供应商。)使用这款应用的人越多，它积累的历史和并发数据就越多。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，应用程序还需要你的印象:说明有多好?随着客观事实和主观评价的积累，网络效应开始发挥作用。这些效果改善了预测，提高了应用程序对用户和谷歌的价值。

　　一旦我们理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。

　　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，但也意识到它存在瓶颈:它依赖于2021年最后一次收集的一堆数据(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回路:当建议是幻觉时，你不能敲响警钟(该公司确实允许“否决”的回应)。然而，通过与微软的链接，OpenAI找到了一种测试预测的方法。必应用户的问题——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)。

　　这里至少有三个大致的教训。

　　首先，反馈至关重要。人工智能的好处会随着用户反应的不断增加而增强。为了保持智能，算法需要当前用户选择的数据流和对过去建议的评级。如果没有反馈，即使是最好的工程算法也不会长期保持聪明。OpenAI意识到，即使是最复杂的模型也需要连接到不断流动的数据源。人工智能企业家应该记住这一点。

　　其次，高管们应该将细致的信息收集例行化，以使这些影响的效益最大化。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，无论是公司内部还是外部。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看了什么，他们在购物车里放了什么，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，包括那些不在公司控制范围内的数据，也可能值得收集。天气数据帮助谷歌地图预测交通。追踪招聘人员在简历中使用的关键词，可以帮助领英为求职者提供制胜秘诀。

　　最后，每个人都应该考虑他们分享的数据，无论是有意还是无意。事实和反馈对于做出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。有时候，他们应该限制分享。例如，当优步司机使用Waze应用程序导航时，他们会帮助车主谷歌估计叫车行程的频率和长度。随着谷歌考虑运营自动驾驶出租车，这些数据可能是无价的。当像阿迪达斯这样的品牌在亚马逊上销售时，这家零售巨头就可以估计不同品牌(与耐克相比)和类别(鞋子)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，高管们可以避开平台中介机构或第三方。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。

　　当你考虑人工智能网络效应时，你可以更好地理解这项技术的未来。你还可以看到这些效应，就像其他网络效应一样，往往会让富人变得更富有。人工智能背后的动态意味着，先行者可能会获得丰厚的回报，而追随者，无论速度有多快，都可能被留在场外。这也意味着，当一个人拥有人工智能算法和数据流时，优势会随着时间的推移而积累，不容易被超越。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)还在后面。