美国硅谷著名投资人，国际知名支付工具PayPal的创始人彼得·蒂尔（Peter Thiel）曾说过：“竞争是留给输家的。如果你想创造和获取持久的价值，那就建立一个垄断企业。”

这句话是对“赢家通吃”（Winner Takes All）的极致表述。“赢家通吃”指一种产品或服务只要比竞争对手好一点点（例如1%），那么在该类别的产品或服务中，你就会获得不成比例的巨大收入（例如90-100%），将竞争对手远远抛在身后。

这个现象在很多行业都有所体现，尤其是科技行业。从全球范围看，IBM 在计算领域占据主导地位数十年；微软主导个人电脑市场；亚马逊至今仍在单枪匹马地统治电子商务领域。很显然，互联网时代的一大特征就是“赢家通吃，败者恒弱”。

搞清楚这个问题很重要，因为这将会改变我们的投资逻辑：如果传统互联网“烧钱补贴——干掉第二名——垄断市场——发挥网络效应”的做法不再行得通，那么经历过“千团大战”时代的投资人，或许也需要一套新的投资方法论。

为了得到答案，适道投研团队参考了几篇外网文章，作者包括A16Z合伙人Benedict Evans、美国光速创投（Lightspeed Venture Partners）合伙人Guru Chahal等人，试图梳理出一些相近或相悖的观点，供大家思考。

1 会赢家通吃：代表方吴恩达

总体来看，吴恩达 (Andrew Ng) 介绍的人工智能的良性循环模式为“赢家通吃”提供了底层逻辑。

最初，人工智能产品由有限的数据构建。随后，在与用户接触过程中，产品每天会收集越来越多的数据。而机器学习的基础是数据——大量的数据。

更多数据=更精确的模型=更好的产品=更多用户=更多数据

这个良性循环公式被认为是人工智能赢家通吃市场的一个重要因素。大数据和机器学习结合，放大了网络效应和规模回报，再次强化了科技市场领导者的主导地位，意味那些已经很大并且拥有大量数据的公司会变得更强大。

就国内情况来看，数据壁垒也是摆在新兴公司面前的一堵墙。高质量的中文语料数据对创业公司来说是个很大的挑战，而数据的积累则需要时间和经验。对于百度这样常年累月通过搜索等多个互联网、物联网应用积累起数据的公司来说，一开始就领先了至少几个身位。

2 不会赢家通吃：代表方A16Z

数据至关重要，但关于数据在实际工作中产生的作用，A16Z合伙人，著名分析师Benedict EvansDoes提出了不同的观点。

EvansDoes在文章《AI make strong tech companies stronger?》中指出，虽然机器学习需要大量的数据，但是你使用的数据要非常适合你试图解决的问题。

通用电气有大量来自燃气涡轮机的遥测数据，谷歌有大量搜索数据，美国运通有大量信用卡欺诈数据。但你不能用涡轮机数据来训练模型，去发现欺诈交易，也不能用网络搜索数据训练模型去发现即将失效的燃气涡轮机。

你训练的每一个模型只能做一件事。

这与之前的自动化浪潮非常相似：就像洗衣机只能洗衣服，不能洗碗做饭，象棋程序不能交税一样，机器学习翻译系统也不能识别猫。

你构建的应用程序和你需要的数据集，都与你试图解决的任务强相关。(尽管这是一个不断变化的目标，有研究试图发现如何让机器学习模型，在不同的数据集之间更容易迁移)。

这意味着谷歌会越来越擅长成为谷歌，但不意味着它在其他方面也做得越来越好。

3 有的行业会，有的行业不会：需要看具体的垂直领域

那么，在垂直领域，头部企业能否凭借遥遥领先的数据优势，抢占全部市场？

EvansDoes认为，情况会变得更加复杂。

比如谁拥有数据，数据有多独特，数据在什么层面上是独一无二的，以及聚合和分析数据的正确位置在哪里。这些问题对于不同的业务部门、不同的行业和不同的用例，答案会有所不同。

我们假设一个场景，如果你正在创建一家公司来用机器学习解决现实世界的问题，那么你会面临两个基本的数据问题：

1、你如何获得第一批数据来训练你的模型去获得第一个客户？

2、你需要多少数据？

第二个问题可以分解成许多问题：

你要用较少且容易获得的数据来解决问题？(但许多竞争对手可以获得) 。

还是你需要更多的、难以获得的数据去解决问题？

如果是这样的话，是否存在一种网络效应可以从中受益？由一个赢家将获得所有的数据？

产品是随着更多的数据无限期地变得更好，还是存在一个S曲线？

这些都要看情况。

有些数据，是企业或产品独有的，或具有很强的专有优势，例如通用公司的涡轮机遥测技术。但这对分析劳斯莱斯的涡轮机，可能也没有多大用处。

而一些数据，可以用于许多公司甚至许多行业中的用例。许多创业公司也由此诞生，来解决许多公司或不同行业的共性问题，并且这里的数据具有网络效应。

但也有这样的情况，即在某个时间点之后，供应商甚至不需要更多的数据了，因为产品已经能够工作了。

EvansDoes认为，这种情况已经在很多创业公司上演。例如， A16Z的投资的公司Everlaw开发了一个法律软件。该软件能够对一百万封电子邮件进行情感分析，就不需要以客户的特定诉讼数据当原料再进行训练了。

更极端的情况是，一家大型车辆制造商正在通过模型训练，开发更精确的爆胎检测器。这是基于大量轮胎的数据训练出来的模型。但很显然，这些数据的获取难度并不高。

也就是说，机器学习的普及并不意味着谷歌变得更强大，而是意味着各种各样的创业公司，能够比以前更快地利用这一前沿技术来构建一个应用，解决一个问题。

未来不会出现更多的“人工智能”创业公司，它们将是工业流程分析公司、法律平台公司或销售优化公司。

EvansDoes将机器学习与SQL（Structured Query Language）进行了类比。

在以前，如果你不使用SQL，你就会落后。例如沃尔玛成功的一大因素，就是使用SQL更有效地管理库存和物流。

但在今天，当你创办了一家零售公司，并说“……我们将使用SQL”，这不会让公司看起来更具价值，因为SQL已经成为了一切的一部分，然后它就在话语体系中消失了。

机器学习的未来也会如此。‍

4“大模型”时代怎么投？至少互联网逻辑确实行不通了

适道投研团队认为，不管会不会“赢家通吃”，至少互联网时代的投资逻辑在人工智能时代不再行得通。

核心逻辑在于，互联网时代，“流量”是免费的，这才有“网络效应”的概念：也就是说，在总的运营成本不变的情况下，用户越多，网络的价值就越大。这就是所谓的“所有行业都适合用互联网思维重做一遍。”

但是，大模型时代不一样的点在于，算力是有成本的。那么每多增加一个用户，是要实打实地付出算力，并不会产生网络效应，这就导致补贴没有任何意义，你的新用户越多，反而越赚不到钱。

另外，目前的大模型存在使用成本高、推理延迟较大、数据泄漏、专业任务上不够准确等问题。与之相比，一些更小型、专业化（调整+精炼）的长尾模型的优点也显现了出来。

因此，即便绝大多数技术都能起到财富聚集的作用，人工智能巨头也确实能聚集大量财富，但因为算力成本，以及不能占有整个市场，财富总量也会变得有限。