超越旧公式

数据学习网络效应是人工智能优先公司的首要特征，与其他形式的竞争优势相比，数据学习网络效应的复合速度更快，但我们一直未能对其定义。以为机器可以像我们一样学习，但机器有不同类型的智能，所以学习效应不是一个准确的术语。我们过去认为数据越多越好，但并非所有数据都能被处理成信息。看到社交网络快速发展之后，我们认为一切都是网络效应，所以，也将人工智能视为一种数据网络效应，但实际上，这只是数据学习网络效应概念的一个组成部分，并非其全部内涵。数据学习网络效应与学习效应、规模效应或网络效应不同。在下面的章节中我们将看到更多的词汇。

超越学习效应

经济学家对学习效应展开研究，并对其进行量化，通过学习效应这个过程，信息不断累积最终带来经济效益。以一家管理咨询公司为例，它会根据所有客户积累的信息开发战略框架进行最佳实践，构建资源分配模型。传统学习效应累积的是：

●关于个人或组织的信息；

●结构化或非结构化信息；

●信息由人或机器处理时产生；

●具有质量或数量上的效益。

传统学习效应具有局限性：它们增长缓慢，因为非结构化信息，如图像或自由格式文本，在由机器处理之前，必须先由人对其进行处理或结构化改造。

数据学习网络效应这样积累信息：

●通过单个或多个组织；

●信息是结构化的；

●经由机器处理；

●具有数量效益。

数据学习网络效应几乎没有什么局限性：它们增长迅速，因为结构化的信息被输入了计算速度比人类快的机器。现代计算机可以处理多种类型的信息，而且可以进行智能化的快速学习。

学习效应适用于知识经济：即工业革命之后，从制造业转向服务业的时代。而数据学习网络效应则是为了今天的经济，一个我们取得了几次飞跃的时代：以数字方式而不是口头方式分发信息；自动而非手动共享信息；通过思维而非仅仅通过实操进行学习；在硬件（计算机）而非“湿件”（大脑）上学习；通过多网络节点而非单节点学习。这就是人工智能优先的时代。

超越规模效应

供给侧规模回报是传统的竞争优势来源。也就是说，从供应商的角度来看，随着资产或能力的积累，产品的供应成本降低。例如，大型云提供商能够以非常低的相对成本提供计算能力，因为他们可以批量购买计算机芯片，投资建设将芯片冷却到有效工作温度的系统，并与市政谈判获得更廉价的电力。这就是通常所说的规模效应，因为规模的增加可以降低成本、降低价格、增加需求，从而获得更大的规模及其他优势。但这不是网络效应，因为将计算机连接起来并没有为客户带来更大的效用（尽管这可能会使共享网络资源更加容易，运行成本也会因此变得更低）。本质上讲，这也不是学习效应，因为其成本优势来自规模（尽管在设计计算系统和计算中心方面积累了一些专业知识）。

数据存在规模效应，拥有大量数据可能是一种竞争优势。例如，在为了寻找销售目标而选择电话号码供应商时，选择电话号码最多的供应商当然是最佳的选择。然而，更多的数据只会使一个产品在一定程度上有用，之后其实用性就会降低，因为它实际上依靠的是相同的数据。这就是为什么数据规模经济只是数据学习网络效应的一个发端，而不是全部的原因。

数据和信息之间的区别就是看数据是否具有边际效用。信息衡量的是它能消除多少随机的、不确定性的东西。信息具有告知功能，而数据不需要具有信息效用——它只是一个事实。并非所有数据都包含信息；如果数据不能用来改变某人的想法——解决不确定性，那就不是信息。此外，数据（事实）存在于现实世界中，但信息（经过提炼、有用、具有操作性的）却在头脑中。人工智能优先公司首先收集数据，通过内部能力，利用人工智能思维将其处理成信息。许多公司都在收集大量的数据。但只有人工智能优先的公司才能将这些数据处理成有助于回答下列问题的信息：“接下来我该关注什么？”“这项保险会花我多少钱？”以及“我什么时候可能会断炊？”。

数据变成信息的一种方式是与其他数据位进行交互。这些交互通常发生在网络上，节点与节点交互，对每个节点都产生效用。这就是所谓的网络效应。电话网络就是网络效应的一个例子：当你给别人打电话时，你与他们互动的方式会对其产生影响。比如说，我打电话告诉你，阿米莉亚（Amelia）把腿摔断了。你又打电话给布鲁诺（Bruno），阿米莉亚的密友，请他和你一起去看望阿米莉亚。你已经对布鲁诺产生了影响。你们都是网络中的节点，信息从一个人（节点）分享给另一个人，彼此相互影响，一个人头脑中的数据转化为另一个人头脑中的信息。整个团队因此而学习并成长。

数据也可以是网络上的节点，当数据与网络上的其他数据位交互时，会对该数据产生影响。这种交互往往通过决定相关效果的接口或协议执行。关于数据网络，数据可以：

●通过接口——例如组合数据算法——与其他数据进行集成；

●依据决定格式的协议，通过将信息（处理过的数据）发送到网络的其他部分进行交流；

●在激励机制的作用下，为网络贡献力量。

例如，神经网络以包含操作数据函数的算法形式为数据提供接口。分析这些接口、协议和激励有助于确定它们是否将数据转化为信息并添加到网络中。当更多的数据没有向网络添加信息时，这就不是网络效应。网络效应与规模效应如图1-1所示。

图1-1 网络效应与规模效应

超越网络效应

从消费者的角度来看，当一种产品随着越来越多人的使用而变得更有用时，就会产生网络效应。同样，电话也是展示网络效应的好例子。如果你是唯一一个拥有电话的人，那么这个电话是没用的，只有当很多人拥有电话时，它才有用。需求增加，网络变大，产品需求量随之增加，网络规模进一步扩大。

数据学习网络效应结合了三种竞争优势：规模、处理能力和网络效应。只有网络效应并不意味着用户能学到任何东西。网络效应和数据网络效应的区别在于添加到网络中的内容。网络效应意味着，通过向网络中添加通信节点，让一些东西变得更加有用；而数据网络效应则意味着，通过向网络中添加数据，某些东西变得更加有用。更重要的是，网络效应的边缘——节点之间的线——具有功能性和交通性，而数据网络效应的边缘则具有信息性和可计算性。普通网络效应与数据网络效应如图1-2所示。图1-2（A）网络显示的是，在节点（圆）上生成数据，并沿着边缘（线）将其传输。在图1-2（B）数据网络上，数据保存在节点上，并沿边缘进行计算，同时将信息传递给网络上的其他节点。

图1-2 普通网络效应与数据网络效应

两者都是网络：将事物相互连接的网络，信息通过这些连接自由流动。网络隐藏在产品的下面：有时它很简单，比如一个电话听筒；还有一些时候情况很复杂，比如脸书（现在名称为元宇宙）。这些产品本身具有自我防御特性——电话听筒的设计可以申请专利，而社交网络使用的软件受到知识产权的保护——网络本身就是一种受到保护的资产或者收入来源。这与产品下面的数据网络是一样的：有时很简单，比如一个产品信息目录；有时很复杂，比如特斯拉工厂的工业机器人。有网络效应的产品和没有网络效应的产品之间的区别在于：因为有网络效应，所以该产品更有用。普通网络和数据网络之间的区别在于：数据网络传输数据的衍生物——信息——而不仅仅是数据本身。