将网络效应引入 AI 时代

科技界现在已经进入了人工智能时代。过去几年，我们在基础模型层看到了大量的创新——除了 OpenAI，我们还看到了 Mistral、Anthropic、Meta's Llama、Google Gemini 等的出现。今年，焦点似乎已经从基础模型转移到应用层。a16z 现在定期发布 50-100 个最佳 GenAI 应用程序列表，每天都有新的人工智能应用程序融资 公告。我们是否看到了新一波消费者赢家，还是仅仅是为未来更多成功公司铺平道路的早期实验？

AI = 软件*（有一些注意事项）

在深入探讨之前，总结一下我们的现状可能会有所帮助——人工智能是软件的新进化。软件本身是一种商品，不具备防御性。成功的软件公司依靠一些机制来产生防御性——规模经济、转换成本，最重要的是网络效应。我将在这篇文章中谈到前两个，但重点是第三个。如果你以前关注过我的文章，这应该不会让你感到惊讶。🙂

人工智能公司与传统软件公司之间最大的经济差异在于边际成本，即为新客户生产额外产品单位的成本。软件（例如 OG Microsoft Windows 或 Lotus 1-2-3）的边际成本为零——一旦产品开发完成，您就可以为新客户生产无限份副本。互联网让客户更容易获得这些产品，从而使这一过程更加有效。它确实产生了一些额外的成本来服务每个客户（媒体存储和计算），但这些成本通常占收入的百分比并不大（例如 Google）。

另一方面，AI 公司的边际成本不为零，因为训练和计算成本高昂。训练一个模型需要数千万美元的前期投资。此外，通过 ChatGPT 之类的产品查询大型语言模型 (LLM) 的成本比在 Google 上进行标准关键字搜索的成本高出 10 倍（不包括训练成本）。

这种动态在基础模型层引入了规模经济。简而言之，训练和运行这些模型的高昂成本为新竞争者设置了进入门槛。当然，规模经济对新公司的有效性充其量是值得怀疑的 — — 原因有两个。

首先，这些模型中的许多可能在经济上不可行，即它们的成本高于赚的钱。谷歌、Meta、Salesforce、Snowflake等大型公司在这里具有优势，因为他们可以用现有的现金流补贴这些模型。

其次，更轻量、计算密集度更低的模型可能足以满足大多数用例的需求。

在应用层，规模经济也不是一个可行的防御机制——因为与模型层相比，计算成本要低一个数量级。你支付 OpenAI API 或为你的应用计算的能力并不是相对于未来竞争对手的可持续优势。一些应用程序（如 Character.ai）试图通过垂直整合（即构建自己的定制模型）来避免这个问题。同样，出于我之前提到的同样原因，规模经济的有效性值得怀疑。

这使得网络效应和转换成本成为大多数应用程序唯一现实的防御模式。让我们借用过去三十年互联网的术语，看看它们如何应用于三大类人工智能应用。

1. AI单人游戏应用程序：AI 1.0

这些应用程序使用户和 AI 产品（即软件）之间能够直接交互。这包括像Quillbot这样的写作助手、像Lensa或Remini这样的头像生成器。它们代表了基础模型出现后最早的 AI 应用浪潮。我将这一类别称为 AI 1.0，因为用户直接与 AI（由公司创建）交互，类似于用户访问信息（由公司创建）的 Web 1.0。

这里不可能出现网络效应。当增加一个用户会增加产品对所有用户的价值时，就会出现网络效应——这需要多人互动，即两个或多个用户之间的互动。这里的互动是单人互动，即用户与软件互动。因此，根据定义，网络效应不可能存在。

用户与机器人互动无法产生网络效应

那么转换成本呢？如果你能将你的应用程序深深嵌入到用户工作流程中，那么它将很难被取代——Salesforce 就是最明显的例子。到目前为止，我还没有在单人 AI 应用中看到任何明显的案例。相反，我们在这类 AI 应用程序（尤其是消费者应用程序）中看到的是各种快速商品化的应用程序。其中一些可能会因为 AI 的新颖性（和明显的实用性）而走红（例如Lensa），但这很少能持续下去。

剩下的就是垂直整合——建立自己的定制模式。正如我之前提到的，这种模式的可持续性也是一个悬而未决的问题。

2. 支持人工智能的精简版多人游戏应用：AI 1.5

还有另一类人工智能应用，其产品比“纯软件/人工智能”略多一些。相反，用户创建人工智能生成的内容或供应单元，然后将其展示给其他用户。至关重要的是，创建人工智能生成内容的过程是无摩擦的，只需点击几下或一个简单的提示即可。Character.ai就是一个很好的例子，创建一个新的机器人只需几分钟。Suno和Udio等人工智能歌曲生成器也是很好的例子，用户可以创建人工智能生成的歌曲，供其他人发现。

网络效应确实存在……理论上。用户采用会导致更多 AI 生成的内容，其他用户可以与之互动。挑战在于，创造供应（AI 聊天机器人或歌曲）的阻力非常低，达到内容临界量的障碍也很低。当然，每个人都知道内容是 AI 生成的，因此内容产生的情感价值也很低——创建该内容单元的人的身份完全无关紧要。在产品变得“足够好”之前，你只需要这么多用户+AI 生成的内容。这是一个相对较低的竞争壁垒，这些网络效应（或它们的“强度”）赋予的防御性微乎其微。这就是为什么我认为这个类别是 AI 1.5——介于 AI 1.0（早期、明显的用例）和人类互动的真正推动者之间。

用户可以轻松创建 AI 生成的内容，这让达到临界规模的门槛变得非常低，也削弱了由此产生的网络效应的价值

这里可能存在转换成本，也许以不同的形式存在。你可以说 Character.ai 用户与他们创建的机器人形成了情感纽带（可以想象成 AI 男朋友/女朋友），这可能会带来心理转换成本。这当然是一种可能性，但我还没有看到任何证据来支持这一说法——强大的长期留存率将是一个很好的起点。到目前为止，我们所看到的只是显示高会话频率和花费时间的数据。这总是好的，但它并没有告诉我们任何有关转换成本或可防御性的信息。

3. 真正的人工智能多人网络：AI 2.0

那么，如何利用 AI 应用程序创造真正的、有意义的网络效应呢？根据我们目前讨论的内容，应用程序需要具有 AI 支持的多人互动，这涉及的内容远不止由另一个用户创建的 AI 生成的输出。这些应用程序使用 AI 来实现以前不可能实现的（更高摩擦的）多人互动。我在 Speedinvest 博客上对AI 支持的市场的定义是其中的一部分。

AI 2.0 的一个（非常早期的）例子是Haz——它将电子邮件收据输入 AI 模型，以根据用户过去的购买情况创建社交信息流。该模型帮助 Haz 过滤掉与社交信息流无关的购买（例如锤子），并提取或查找相关产品信息来填充信息流。然后，这个内容单元成为用户之间互动的基础——从“点赞”到竞拍朋友拥有的东西。

向 AI 2.0 的过渡将需要由 AI 辅助的更复杂的多人互动

如果这听起来有点耳熟，那确实如此。这反映了从 Web 1.0 到 Web 2.0 的转变，即从允许用户访问信息的应用程序转变为允许用户创建和消费内容的应用程序。Web 2.0 实现了多人互动，就像我们今天在 Facebook 等社交网络和 Airbnb 等市场上看到的那样。虽然网络效应在技术世界中已经存在了数百年（从最初的电话开始），但 Web 2.0 导致建立在其上的公司数量大幅增加——从而创造了价值。

AI 2.0 能否通过网络效应带来类似的 AI 应用扩展？当然是可能的。我们还处于早期阶段，因此我目前无法指出任何大规模的成功案例。然而，我们开始看到一些早期产品概念围绕这一想法形成，包括 Haz 和其他一些公司。