数据的网络效应：与瓦里安商榷(2)

我们都知道，干中学（learning-by-doing）和经验曲线（experience curve）是供给侧规模效应的重要成因，而供给侧规模效应广泛存在于传统产业。大致估算，产量每增加一倍，单件成本下降10-25%，这主要是因为对知识生产力的投资带来的效率优化（而不仅仅是规模采购带来的议价能力）。对此，Varian说，

正循环无处不在，但真正重要的是规模增长背后的成本。很多人喜欢谈论正循环 “ 越多的客户使用一个业务，业务收入就越高，进而有越多的资金可以投入到改进业务中去，进而吸引多更多的客户”，但避而不谈背后的成本 “越多的客户使用一个业务，业务成本就越高，进而需要越多的资金可以投入到业务维护和改进中去，如果想吸引多更多的客户的话” 。

确实，很多人艳羡拥有数据的巨大好处，却没有意识到维护如此巨量数据背后的成本。前几年雷军公开抱怨小米云存储成本过高，如果找不到变现模式会被拖死。近年来不断关停的网盘服务，固然有其他原因，成本恐怕也是关键。互联网巨头寻求白盒服务器，恐怕也不是为了颠覆谁，而是成本压力下的被动选择。压力逼迫着互联网巨头去尽可能开发数据综合价值、降低数据综合成本，进而具有了一般企业没有的学习机会，具备了独特能力，从而贡献了竞争优势。

让我们回到效用侧。网络效应的边际报酬递增是指，n节点构成的网络，其价值按照全连通的理想情况来计算是n（n-1）/2。加入1个节点，增加的链接数为n，加入下一个节点，增加的链接数为n+1，也就是说，网络规模越大，增加1个节点所得到的价值增量越大。Varian认为，数据之间构成的网络，其价值规律并非如此。

恰恰相反，数据作为一种生产资料可能边际报酬递减。这个结论的主要依据是机器学习领域用来提升模型预测识别能力和其所需数据之间的曲线。如果把预测能力，或智能客服准确应答能力当作价值衡量标准，研究表明，要提升一个点的精度，所需要的数据量是递增的。反过来说，单位数据能贡献的精度提升递减。

以上，是一种不同于流行的数据网络效应的观点，以经济学家Varian为代表， 从成本 和效用两个角度证否了数据网络效应 。

2 对Varian观点的几点看法

我曾提出技术网络效应的概念来描述与数据和AI相关业务的经济规律，且正好以搜索引擎为例引出。所以，Varian的观点实际上与我相左。本节剩下的部分，先简要铺垫下技术网络效应的基本观点，再深入考察Varian的观点