原标题：A16Z合伙人：人工智能领域是否存在“赢家通吃”效应？

编者按：人工智能时代，数据是关键。但是，拥有大量数据的公司会在人工智能时代变得更加强大吗？近日，A16Z合伙人Benedict Evans近日在其博客上发表了一篇文章，对这个问题进行了回答。他认为，普遍情况下，人工智能只会让大公司更适合成为大公司。人工智能是否具备赢家通吃效应，还要看情况。原题为“Does AI make strong tech companies stronger?”文章由36氪编译，希望能够为你带来启发。

机器学习，可能是当今所有的技术中最重要的。

由于机器学习的基础是数据——大量的数据——所以人们经常听到这样的说法，即已经拥有大量数据的公司会变得更加强大。

这有一定道理，但只是在小范围内可以这样说。与此同时，我们也能看到，机器学习会带来能力扩散，整个过程中，它带来的去中心化和集中化一样多。

首先，机器学习是关于数据的。这意味着什么？

由于机器学习的学术氛围，几乎所有的基础技术突破，在发现之后都会立即发表出版。每个人都能读到关于这些突破的论文，甚至有代码，可以复现这一突破。

在过去，软件工程师想要创建一个系统来识别某些东西，他们要写逻辑步骤(“规则”)。

为了识别图片中的猫，你需要写一些规则来识别猫的轮廓、皮毛、腿、眼睛、尖耳朵等等，然后把它们打包在一起，希望它能起作用。

问题在于，尽管这在理论上可行，但在实践中，就相当于试图制造一匹机械马，它所需要的复杂性逻辑是不切实际的。我们无法描述我们识别猫的所有逻辑步骤。

使用机器学习，你只需要给统计引擎提供例子(很多例子)，这个引擎会生成一个模型来区分这些例子中的不同之处。

你给它100000张贴有“猫”标签的照片和100000张贴有“不是猫”标签的照片，机器就能找出区别。

机器学习，用从数据中自动确定的模式代替了手写的逻辑步骤。对于一些非常广泛的问题，它的效果更好。一些简单的应用是在计算机视觉、语言和语音方面，但它的用例要广泛得多。

你需要多少数据是不断变化的：有一些研究路径，可以让机器学习处理小得多的数据集。但现在，还是数据越多越好。

因此，问题是：如果用机器学习让做新的重要的事情，而且机器学习需要越多数据越好，这是否意味着那些已经很大并且拥有大量数据的公司会变得更强大？赢家通吃效应有多严重？

不难想象，会有一个良性循环，来强化赢家的主导地位：

更多数据=更精确的模型=更好的产品=更多用户=更多数据。

基于此，得出像“谷歌/ Facebook /亚马逊拥有大量数据”或者“中国拥有大量数据”，将会在人工智能领域占据上风的观点，会变得很容易。

好吧，也可以这样说。

首先，虽然机器学习需要大量的数据，但是你使用的数据要非常适合你试图解决的问题。

通用电气有大量来自燃气涡轮机的遥测数据，谷歌有大量搜索数据，美国运通有大量信用卡欺诈数据。

但你不能用涡轮机数据来训练模型，去发现欺诈交易，也不能用网络搜索数据训练模型去发现即将失效的燃气涡轮机。

也就是说，机器学习是一种可推广的技术——你可以将其用于欺诈检测或面部识别——但是你用它构建的应用程序并不具备可推广性。

你训练的每一个模型只能做一件事。

这与之前的自动化浪潮非常相似：就像洗衣机只能洗衣服，不能洗碗做饭，象棋程序不能交税一样，机器学习翻译系统也不能识别猫。

你构建的应用程序和你需要的数据集，都与你试图解决的任务强相关(尽管这也是一个不断变化的目标，有研究试图让机器学习模型在不同的数据集之间更容易迁移)。

这意味着机器学习的实现的分布将会非常广泛。

谷歌不会“拥有所有的数据”——谷歌会拥有所有的谷歌数据。谷歌给出更相关的搜索结果，通用电气将会有更好的涡轮机遥测技术，沃达丰将会有更好的呼叫模式分析和网络规划，这些都是不同公司建立的不同东西。

谷歌会越来越擅长成为谷歌，但这并不意味着它在其他方面也做得越来越好。

接下来，人们可能会争辩说，这只是意味着每个行业中的大公司变得更加强大——沃达丰、通用电气和美国运通都拥有它们做的任何事情的“所有数据”，从而形成了抵御竞争对手的护城河。