“雙11”的前一天,市場監(jiān)管總局公布了《關于平臺經濟領域的反壟斷指南(征求意見稿)》,第一次將互聯(lián)網超級平臺的壟斷現(xiàn)象擺上了監(jiān)管的臺面。
談起「壟斷」一詞,多數(shù)人肯定持負面印象,壟斷者似乎自帶原罪。但在科技互聯(lián)網產業(yè),談壟斷問題還要一分為二,不能用一棍子打死的方法下結論。
為了便于說明此問題,我們可將「科技互聯(lián)網公司的壟斷」分為前半場和后半場。
前半場:科技互聯(lián)網公司壟斷是如何形成的,即壟斷的原因;
后半場:它們如果形成壟斷,會造成什么影響,即壟斷的結果。
我們先來看壟斷形成的原因,經濟學上把壟斷分成四種:
1、自然壟斷:生產成本使一個生產者比大量生產者更有效率。這是最常見的壟斷形式。
2、資源壟斷:關鍵資源由一家企業(yè)擁有。
3、行政性壟斷:政府給予一家企業(yè)排他性地生產某種產品或勞務的權利。
4、專賣:政府自行壟斷。
而科技互聯(lián)網公司的壟斷,起碼在中美兩大市場,都屬于自然壟斷。也就是說,多數(shù)科技壟斷者并非靠從政府或某利益集團手里,控制某項核心資源或專賣權來壟斷市場。
壟斷是自然而然形成的,如果要用一個詞來解釋科技互聯(lián)網平臺的自然壟斷起因,最合適的莫過于“贏者通吃原則”,該原則源自美國總統(tǒng)選舉。
大家都知道,美國總統(tǒng)是投票選出來的,但是根據《美國憲法》,美國各州選民選出的其實不是總統(tǒng),而是該州的選舉人,美國總統(tǒng)實際上是受選民委托的選舉人代表該州投票,最終選出來的。
我們現(xiàn)在看到拜登對特朗普的選票,306票對232票,就是各州選舉人的選票數(shù)量,誰能先拿到270個選舉人的票數(shù),誰就能當總統(tǒng)。
而美國絕大多數(shù)州在確定選人票數(shù)時,用的就是“贏者通吃制”,假設一個洲有30張選舉人票,如果該州60%的選民選了拜登當總統(tǒng),那么該州30張選舉人票就都歸了拜登,而非18張對12張。
科技互聯(lián)網公司其實也是靠贏者通吃,自然壟斷了市場。
我們曾經在《拜登政府如何影響全球科技業(yè)》中討論過,支配科技行業(yè)競爭的是「邊際成本遞減」和「梅特卡夫定律」,邊際成本遞減決定了市場規(guī)模越大的公司,成本越有優(yōu)勢,同時其產品服務價值也更高。
這就造成在這個行業(yè),最后的勝出者,就必然是壟斷者,起碼是寡頭壟斷格局。一種典型的情況是這樣的,市場第一名控制絕大多數(shù)市場,占據譬如70%份額,第二名占20%,其他競爭者加起來可能也不到10%。
因為規(guī)模小的競爭者,其價格服務能力是完全沒有競爭力的。
這樣的情況處處可見,在桌面操作系統(tǒng),玩家只有微軟的Windows和較少部分市場MacOS;在手機操作系統(tǒng),則是安卓和iOS;在搜索引擎更極端,中美市場幾乎都是一家公司壟斷——谷歌和百度;社交領域,美國是Facebook和Twitter,中國則是微信一家獨大。
實際上,如果一個市場沒有決出壟斷者,那么該市場一定是慘烈的割喉式競爭,比如當年的團購領域的“千團大戰(zhàn)”,甚至更晚一些的共享單車大戰(zhàn)“ofo大戰(zhàn)摩拜”。
只要競爭沒有結束,戰(zhàn)斗就不會停止,在商業(yè)計劃書上,一個基本要求,就是市場沒有壟斷者,也就是所謂的“市場集中度不高”。所以,最后扛不下去的退出市場,剩下的壟斷者“剩者為王”。
以上就是壟斷故事的上半場——壟斷的起因。
而接下來,就是壟斷故事的下半場了——壟斷的結果。
從壟斷的起因來看,我們首先可以得出結論,科技互聯(lián)網的壟斷,或許是基因最“純良”的一種壟斷。
他們不像石油產業(yè)一樣有資源壟斷,也不像當年的地方出租車行業(yè),手握牌照(直到現(xiàn)在,網約車在一些城市依然是灰色身份),更不像煙草公司,手握專賣權。
因此,在幾種壟斷情況中,科技互聯(lián)網公司是相對憑本事辦事的?;蛘哒f,科技互聯(lián)網的壟斷,是相對“最不壞”的一種壟斷。
甚至在某種情況下,消費者還可以從壟斷中受益,比如微軟Windows依靠操作系統(tǒng)壟斷地位,捆綁免費的IE瀏覽器,打敗了當時售價幾百美金的Netscape網景瀏覽器。起碼在當時,要不是微軟,瀏覽器還會是個收費軟件。
不過,“本性”不壞,不代表結果不壞。
如果我們把商業(yè)大體上分為上游、中游和下游,以電子商務產業(yè)為例,供貨商和賣家是上游,互聯(lián)網電商平臺是中游,而消費者是下游。
多數(shù)超級科技互聯(lián)網平臺所處的是產業(yè)鏈的中游,或者時髦地說,產業(yè)中臺。這個起交易撮合作用的中間商,以龐大的身軀俯視著上下游。
這些互聯(lián)網中臺,無論對上游,對下游,都掌握了極大的話語權。而它們對上游的控制,相對于消費者的壟斷市場份額,是更讓人擔心的事情。
就拿“雙11”前夕的政策監(jiān)管來說,其本質針對的就是超級平臺促銷的“二選一”問題——如果你和其他電商平臺合作促銷,就不能和我合作。再比如物流配送,要想給我的消費者配送,就必須接入我的物流網絡,甚至是我的資本注入。
如果拿現(xiàn)實商業(yè)世界舉例子的話,起碼很多互聯(lián)網中臺的性質,實際上更類似于地產商。它們的商業(yè)模式,更類似于收地租。不和我合作,就不給你好地段,或者不能在我的地段做生意。而“地產”的勢力太強大,對產業(yè)必然是不好的,這在實體經濟中已經得到驗證。
這種情況發(fā)生到極致,在這樣一個商業(yè)世界中,提供“實業(yè)服務”的上游公司反而沒有任何話語權,原則上只做“流通渠道”,由資本喂大的中間商反而賺了最大的差價。
而消費者看似每天都在賺便宜,其實不過是賺了“將原價50塊的東西,漲到100塊,再降價到80快”的所謂20塊“便宜”。
毫無疑問,這些自然而然形成的壟斷確實是需要監(jiān)管的。
但問題的難點在于,怎么監(jiān)管。
我們愿意再重復一次,科技互聯(lián)網公司的壟斷,是本性“最不壞”的一種壟斷。
1、自然壟斷:生產成本使得一個生產者比大量生產者更有效率。這是最常見的壟斷形式。
2、資源壟斷:關鍵資源由一家企業(yè)擁有。
3、行政性壟斷:政府給予一家企業(yè)排他性地生產某種產品或勞務的權利。
4、專賣:政府自行壟斷。
在以上形式中,自然壟斷者,沒有資源、行政性、專賣的漁利,靠的是經營的本事。
科技互聯(lián)網,也一度是競爭最開放競爭的市場。
起碼在中國,這個市場一度沒有監(jiān)管,但是卻創(chuàng)造了中國數(shù)字經濟的奇跡。反而是各種監(jiān)管、各種牌照加身的汽車等產業(yè),重重保護之下,卻幾乎落得沒有任何全球產業(yè)話語權,以至于現(xiàn)在還要靠科技互聯(lián)網出身的造車新勢力挽回局面。
因此,如果某種監(jiān)管方式,是將第一種自然壟斷的市場資源,判給其他三種類型的壟斷者,那幾乎可以是最糟糕的情況了。
監(jiān)管問題的答案,或許來自數(shù)據的開放。
在數(shù)字經濟時代,數(shù)據是核心生產資料,壟斷者所壟斷的正是數(shù)據。
但是數(shù)據如何開放,又是難題。因為數(shù)據蘊藏著海量的、有生命力的消費者隱私。我們不能將壟斷者的數(shù)據,交給所謂可信的第三方,無論這個第三方是什么資本類型,看起來是多么可信。
我們也無法將巨頭拆分,將其數(shù)據化整為零。因為拆掉第一名的壟斷者,只會讓第二名重新成為新·壟斷者。
問題的關鍵在數(shù)據,而數(shù)據又無法公開,問題走到這里又成了死循環(huán)。
其實,挑戰(zhàn)科技互聯(lián)網公司壟斷的唯一法則,不在監(jiān)管,而在創(chuàng)新。
因為即使沒有監(jiān)管,壟斷者也無法長期壟斷,當年美國司法部要拆分微軟沒搞成,但是微軟并未一直壟斷下去,在移動互聯(lián)網時代讓位于蘋果。
否則這個世界豈不只有各種百年老店。
推動新的,更高效的新模式,才是挑戰(zhàn)壟斷者的最好方法。
對于科技互聯(lián)網產業(yè)而言,壟斷是競爭的必然,監(jiān)管只能發(fā)生在壟斷之后。
于是,我們更多能做的,應該是讓創(chuàng)新者不斷出現(xiàn),盡可能縮短巨頭的壟斷周期,讓上游和下游享受相對更長的競爭周期。
而創(chuàng)新,是不可能通過監(jiān)管搞出來的。解決問題的答案不在答案本身,而在答案之外。面對巨頭,我們無比需要尊重創(chuàng)新的土壤和文化。
最后,我們還要強調一個結論。
科技公司的必然壟斷不是最可怕的事情,起碼它是有周期的,基于牌照資源的壟斷更可怕,因為它是沒有周期可言的。
作者 | 高飛
編輯 | 枝夏
來源 | 奇客故事(cybergushi)
配圖|MasterTux
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。