最近在观察和思考AI领域的商业竞争时，逐渐意识到了一个很显著的现象：AI 领域的用户量以及背后的行为数据，是可以快速补充进模型，形成正向循环的。这样以来，就会存在先入壁垒了，而且会赢家通吃。这是个很有意思的逻辑推演。
我在翻阅了一些材料后，发现还真的有对这种效应的描述，「数据网络效应」，即 Data Network Effects。
这篇就分享下我整理的资料，以及我的看法。
▎网络效应和数据网络效应
网络效应是平台经济最重要的属性。从电商、社交，到外卖和网约车，再到如今的短视频，形成了网络效应的平台，就有很难撼动的体验加成，这能构成先入壁垒。
在滴滴工作的时候，对这方面深有感触。
我们假设某网约车平台 A 在一个城市有 100 个司机和 1000 个乘客，另一个平台 B 在这里有 10000 个司机和 100000 个乘客。那么他们的体验差是 10 倍或者 100 倍吗？可能不是，体验差可能是 10000 倍。
因为对于即时需求而言，运力达到一定阈值，才能给乘客带来基本的体验，也就是每次打车，等待时间小于 5 分钟。试想一个城市只有 100 个司机，那分散在各处的乘客，大概率是打不到附近的车的。
而反过来说，一个平台的运力多，乘客就更愿意使用，会带来更多乘客，司机在注册和使用的时候也会考虑有更多乘客、更容易接单的平台，进一步让平台具备了对司乘两侧的吸引力。
网络效应的定义就是，规模能带来体验，在双边市场里，就指的是规模能同时带来两侧的吸引力。这样的网络效应，同样发生在微信、淘宝、美团外卖和抖音。
那数据网络效应是什么？
指的是，当你获取更多用户数据后，产品体验也变得更好、更吸引力。这件事在近些年各位的体会肯定更深刻，毕竟大多数产品都有了自己的个性化推荐。
你使用这个平台的产品比较多，贡献的行为数据越多，产品给你的推荐就越精准。接下来你就越依赖这个平台。
在更大范围里，比如平台面对整体大规模的用户，也能通过共性的需求来判断普适的爱好，做出更好的推荐（比如内容平台，对男性直接推小姐姐，百试不爽）。
所以数据网络效应并非是 AI 领域独有的。或者可以说，广义上的 AI 就包括了推荐引擎，涉及大数据分析和推理的产品，都有潜力具备数据网络效应。
▎一个案例：Midjourney
近半年间，在数据网络效应方面最有创造力、叫人印象深刻的就是 Midjourney 了。它一跃成为全球最受欢迎的 AI 绘图产品，它的制图在小红书和抖音广泛流传，很多时候以假乱真。
产品沉思录之前应该聊过 Midjourney 以及创始人的故事，这里不多做项目的介绍了，还是说说它在数据网络效应方面的尝试。
Midjourney 广受好评的就是利用了 Discord 社区，让社区真正围绕绘图流转起来（这也是我最近的反思：社区/社群必须有个有价值的 core。大多数 DAO 没有这个，哪怕技术再高明、分钱再公平也没意义。）
一方面，新人可以低成本地模仿别人开启自己的绘图之旅，另一方面，社区 feed 里大量的精选、搜索、分类功能，可以让用户始终都有新事物可以参考、尝试。
这些过程，至少可以积累以下的行为数据：
- 用户更喜欢使用哪些 prompt，更喜欢什么样的风格
- 用户对于哪些结果更满意（通过 upscale 操作，或者社区里的点赞和模仿的操作）
这就是强化学习的精髓了。单纯提供了工具，用户会无从下手、无法贡献数据；用户在用产品，但并不知道用户是否满意。这些都无法让数据循环起来产生价值。
Midjourney 使用的还是开源的 Stable Diffusion 作为底层模型，但在绘制大多数场景时，效果已经远超 SD。且由于 SD 的硬件要求苛刻、配置搭建复杂，也没有针对性地优化，让 Midjourney 这个闭源的项目成为了主流。
而且考虑到数据网络效应，我深信，它会变得越来越主流。
▎迈向数据网络效应之路
作为观察者，数据网络效应往往是事后总结。而作为创业者，或者中小公司的负责人，发现具备数据网路效应的潜力，但要怎样迈向数据网络效应呢？
冷启动对于大多数产品来说可能确实是困难的。一个绘图模型，没有大量的用户标注，效果就不会好；各种推荐模型也是类似。
因此对于多数产品，前期不得不面对的问题就是：人工解决。
人工解决有两个层面。
第一个层面，就是通过规则，而不是神经网络等相关的算法去解决体验的问题。可以让工程师书写大量的规则，比如内容产品，对怎样的新用户推荐怎样的内容，有简单粗暴的判断，先保证基础的体验，让产品运转起来。
就像在滴滴早期，派单的逻辑十分简陋，就是距离优先。关键时刻，还有人工调度团队去指派司机；在缺少乘客的时候，公司动员大家跑到路上去打车。这是人工的方式填补冷启动的空缺。
后来滴滴的派单算法就复杂很多，而且是依据大的模型做全局最优的预测。这是在有了足量数据之后才能做的事情。
人工解决的第二个层面，就是大量的标注。
算法引擎还是先用上，不过可以安排员工，或者外包团队，模拟真实用户的使用，用这种比较 tricky 的方法完成基础数据的补充。
更 tricky 的方法，就是再用一个 AI 训练出来的假人去反复使用。像 ChatGPT 在很多方面已经能模拟真实的人的言行，那让它去做标注员也未尝不可（只是可能有点贵？）
以上这些能作为一个基本的了解，希望能对你有启发。
更多对于网络效应或者数据网络效应的参考：
- 三五环跟少楠聊平台的一期：No.36 跟少楠聊聊平台治理和机制设计
- 许小年的书：《商业的本质和互联网》
- The Power of Data Network Effects
- All about Network Effects