網路效應決定了從電話到線上購物平台等技術的成功，ChatGPT等人工智慧工具也不例外。然而，不同之處在於這些網路效應的運作方式。資料網路效應是一種新形式，就像更熟悉的直接和間接網路效應一樣，技術的價值隨著它獲得使用者數量的增加而增加。
然而，我們今天討論的價值不是來電話的數量或許多買家和賣家的存在某個電商平台上，而是來自幫助它做出更好預測的反饋。更多用戶意味著更多回應，從而進一步提高預測準確性，從而形成良性循環。企業需要考慮三個教訓：1) 回饋至關重要，2) 定期細緻地收集訊息，3) 考慮那些有意或無意分享的數據。
去年年底，當 OpenAI 推出 ChatGPT 時，產業觀察家的反應既讚揚又擔憂。我們都聽說了該技術如何讓電腦程式設計師、教師、金融交易員和分析師、平面設計師和藝術家等群體集體失業。由於擔心 AI 會扼殺大學生創作能力，許多大學急於修改課程計畫及相關要求。也有人說，也許最直接的影響是 ChatGPT可以重塑甚至取代傳統的網路搜尋引擎。搜尋和相關廣告為Google帶來了絕大部分收入，那麼，聊天機器人會成為Google的終結者嗎？
ChatGPT是機器學習技術的卓越展示，但作為獨立服務幾乎不可行。為了發揮自己的技術實力，OpenAI需要一個合作夥伴。因此，當該公司迅速宣布與微軟達成協議時，我們並不感到驚訝。這家人工智慧新創公司和老牌科技公司的聯合可能最終會對谷歌的主導地位構成可信的威脅，從而加大「人工智慧軍備競賽」的賭注。它還提供了一個教訓，說明哪些力量將決定哪些公司將蓬勃發展，哪些公司將在部署這種技術時步履蹣跚。
為了理解是什麼迫使 OpenAI 與 Bing 結盟（以及為什麼Google仍可能獲勝），我們考慮了這項技術與過去的發展有何不同，例如電話或 Uber 或 Airbnb 等市場平台。在這些例子中，網路效應——產品的價值隨著用戶的增加而上升——在決定這些產品如何成長以及哪些公司成功方面發揮了重要作用。像ChatGPT這樣的生成式人工智慧服務受到類似但不同類型的網路效應的影響。為了選擇適合人工智慧的策略，管理者和企業家必須掌握這種新型人工智慧網路效應是如何運作的。
人工智慧的價值在於準確的預測和建議。但與依賴將供應(如電力或人力資本)轉化為輸出(如照明或稅務建議)的傳統產品和服務不同，人工智慧需要大量資料集，必須透過來回的客戶互動來保持最新。為了保持競爭力，人工智慧業者必須收集數據、分析數據、提供預測，然後尋求回饋以完善建議。系統的價值取決於來自使用者的數據，並隨著數據的增加而增加。
這項技術的性能——準確預測和建議的能力——取決於稱為數據網路效應的經濟原理（有些人更喜歡稱之為數據驅動的學習）。這些與熟悉的直接網路效應截然不同，例如隨著用戶的成長，電話會變得更有價值，因為你可以打電話給更多的人。它們也不同於間接網路效應，後者描述了越來越多的買家如何邀請更多的賣家加入平台，反之亦然——當有更多賣家在場時，在電商平台購物或在Airbnb 上預訂房間變得更具吸引力。
資料網路效應是一種新形式：就像越熟悉的效應一樣，使用者越多，技術就越有價值。但在這裡，價值不是來自同業的數量，也不是來自許多買家和賣家的存在。相反，這些影響源自於科技的本質：人工智慧透過強化學習、預測和回饋來改進。隨著智慧的增加，系統可以做出更好的預測，增強其實用性，吸引新用戶並留住現有用戶。更多用戶意味著更多回應，從而進一步提高預測準確性，從而形成良性循環。
以Google地圖為例，它使用 AI 推薦到達目的地的最快路線。這種能力取決於預測替代路徑中的真實流量模式，這透過利用許多用戶的資料來實現。在這裡，數據用戶也是供應商，使用Google地圖的人越多，它累積的歷史數據和並發數據就越多。有了大量的數據，Google可以將無數的預測與實際結果進行比較：你是否在應用程式預測的時間到達? 為了完善預測，應用程式還需要您的印象：說明有多好？隨著客觀事實和主觀評論的積累，網路效應開始發揮作用。這些效應改進了預測並提升了應用程式對使用者以及 Google 的價值。
一旦我們了解了網路效應如何驅動人工智慧，我們就可以想像這項技術需要的新策略。
讓我們從OpenAI和微軟的聯姻說起。當我們對ChatGPT進行beta測試時，我們對其創造性的、類似人類的反應印象深刻，但也意識到它也存在瓶頸：它依賴於2021年最後一次收集的大量數據，所以不要問最近的事件甚至天氣。更糟的是，它缺乏一個健全的回饋循環機制。
然而，透過與微軟的鏈接，OpenAI找到了一種測試預測的方法。 Bing用戶的問題——以及他們如何評價答案——對於更新和改進ChatGPT至關重要。我們想像，下一步是微軟將其維護的大量用戶資料雲輸入到演算法中。當ChatGPT能夠消化數不清的Excel表格、PowerPoint簡報、Word文件和LinkedIn履歷表時，它將在重新建立這些文件方面做得更好，這將讓辦公室裡的人感到高興或恐懼。
這裡至少有三個廣泛的教訓。
首先，回饋至關重要。人工智慧的價值隨著不斷的用戶反應而增強。為了保持智能，演算法需要當前用戶選擇和過去建議評級的資料流。沒有回饋，即使是最好的工程演算法也不會長期保持智慧。正如 OpenAI 所意識到的，即使是最複雜的模型也需要連結到不斷流動的資料來源。人工智慧企業家應該很清楚這一點。
其次，主管們應該定期細緻地收集資訊，以最大限度地利用這些影響。他們應該遍歷典型的財務和營運記錄。有用的數據隨處可見，無論是在企業內部或外部。它們可能來自與買家、供應商和同事的互動。例如，零售商可以追蹤消費者查看了什麼、他們將什麼放入購物車以及他們最終支付了什麼。累積起來，這些微小的細節可以大大改善人工智慧系統的預測。即使是不常見的數據，包括企業無法控制的數據，也可能值得收集。天氣資料有助於 Google 地圖預測路況。追蹤招聘人員用於搜尋履歷的關鍵字可以幫助 LinkedIn 為求職者提供成功秘訣。
最後，每個人都應該考慮他們有意或無意共享的資料。事實和回饋對於建立更好的預測至關重要，但是你的資料的價值可能會被其他人獲取，高階主管應該考慮哪些人工智慧能夠從他們共享(或允許存取)的資料中受益。有時，他們應該限制共享。例如，當 Uber 司機使用應用程式 Waze 導航時，他們幫助Google估計叫車行程的頻率和長度。在谷歌考慮經營自動駕駛計程車時，此類數據可能非常寶貴。
另外，當像阿迪達斯這樣的品牌在亞馬遜上銷售產品時，這家零售巨頭就可以估計不同品牌(如與耐吉相比)和類別的需求，以及買家對價格的敏感性。這項結果可能會提供給競爭對手，或是有利於亞馬遜的自有品牌產品。為了應對這種情況，高階主管可以避開第三方平台或中介機構。他們可以協商數據訪問，他們可以努力保持與客戶的直接聯繫。有時，最好的解決方案可能是讓資料所有者在資料交換中綁定和共享，就像銀行在建立共享信用資料的方法時所做的那樣。
當您考慮AI網路效應時，我們可以更好地理解該技術的未來。還可以看到這些效應與其他網路效應一樣，如何使富人變得更富有。 AI 背後的動力意味著先行者可能會得到豐厚的回報，而追隨者，無論多麼快，都可能被遺棄。這也意味著，當一個人可以存取 AI 演算法和資料流時，優勢會隨著時間的推移而積累，並且無法輕易超越。對於高階主管、企業家、政策制定者和其他所有人來說，人工智慧最好的和最壞的尚未到來。
以上是網路效應如何讓人工智慧變得更聰明的詳細內容。更多資訊請關注PHP中文網其他相關文章！
