美国全国房产经纪协议表示，今日发布的议案“看来确认了我们许多的重要担忧。”今日，住房建筑商的股价创一年来最大跌幅。

在旧金山湾区、纽约等高房价地区，下调房贷利率抵税上限将让许多购房者无法抵消成本。

穆迪首席经济学家Mark Zandi表示，在美国的高房价地区，税改将最初让房价下降10%，在全美下降3%-5%。

他说：“你可以看出为什么行业对这不太满意。这对房屋销售、房价和新屋开工来说不是好事。”

而抵押贷款利息扣税的限制还将加剧美国房地产市场的一个大问题——供应短缺。

许多抵押贷款余额高的房主将不愿意出售房屋，这将加剧房屋供应短缺的局面。因为根据税改，这些房主将可以按照旧法进行抵扣。

此外，税改还在其它方面影响房地产市场。

在目前的法律下，一对夫妻出售房屋时，有50万美元的利润可以免征资本利得税，条件是过去五年，这对夫妻有两年以该房屋作为主要住宅。而根据税改议案，他们将需要在过去8年内，有五年以该房屋作为主要住宅。

而一些高收入的房主则完全无法享受这一税收优惠。根据税改议案，家庭年收入超过50万美元的家庭，收入每超过50万美元1美元，其税收抵扣额就降低1美元。

美国房屋建筑商协会表示，将向该议案发起挑战。在议案公布前，该协会曾表示支持税改，希望其他的购房优惠政策能纳入税改中。而美国全国房产经纪协会则从一开始就反对该议案。 美国全国房产经纪协会是华盛顿特区第二大的游说集团。

迅雷旗下公司推出的产品“玩客币”，该币的价格创造了更惊人的涨幅，同时也让持续亏损的迅雷股价本个月翻倍。10月12日，迅雷股价4.31美元，10月31日收盘价12美元，涨幅近300%

根据迅雷官网介绍，玩客币是玩客云共享计算生态下的基于区块链技术的原生数字资产，必须通过玩客云智能硬件分享网络带宽、存储空间等资源来获得。自10月12日“挖矿玩客币”项目启动以来，“玩客币的价格从1毛钱涨到了现在的3元左右，涨了30倍”，正准备自己开“矿场”的小明(化名)，告诉美股投资网 Tradesmax.com，“伴随着玩客币的涨价，挖矿所需要的玩客云设备、激活码，也都在涨价。”

　　小明抢购了20台玩客云设备，“配100M上行带宽，每天能挖接近50个币，3元/个，一台设备一天150元的收入。”

　　虽然迅雷并未就玩客币提供任何官方交易平台，且明确表示“不做ICO”。但众多关注者已经在悠雨林、玩客币交易网等第三方平台进行个人交易，交易模式与此前的ICO相似。此前，众多ICO中不乏涨价数百倍者，小丁认为，“也许玩客币能涨到6元、8元，错过了多可惜。”

　　共享带宽

　　对迅雷而言，玩客生态旨在通过广大用户共享带宽、存储空间，以节省迅雷本身的运营成本。

　　这使用了早已成熟的“分布式CDN”技术，可以把千家万户限制的带宽、存储资源汇聚成CDN资源池，视频、直播、下载类企业已经普遍使用这一技术降低带宽成本，而用户通过共享资源也可以获取微量收益。

　　不过，仅靠共享资源远远不能满足迅雷对于带宽资源的需求。财报数据显示，2014年、2015年、2016年，迅雷带宽成本分别为3354万美元、3722万美元、5513.5万美元，占收入比分别为24.7%、28.6%、35.1%。

　　随着视频清晰度、用户下载速度的大幅提升，迅雷带宽成本正在急剧增加。2017年前两季度，迅雷带宽成本分别为1780万美元、1880万美元，占收入比已经攀升至45%、45.3%。

　　带宽成本的增长速度远超收入增速，这也是迅雷难以盈利的主要原因。财报显示，2016年，迅雷总收入1.57亿美元，但亏损2411.8万美元。且2017年Q1、Q2分别亏损671万美元、967万美元。

　　2015-2016年，共享带宽模式在众多路由器、CDN公司中迅速普及，但对消费者而言却吸引力不足。根据大多优酷、迅雷用户反映，每台设备每日收益约2-4元，仅能维持设备成本、电费。

　　2017年8月，迅雷率先转型，发布玩客云、玩客币计划。受“挖矿”等虚拟货币概念吸引，迅雷玩客云产品官网显示预约量已达976万。

在美股市场

同样依靠区块链技术，发布ICO虚拟货币的美国上市公司、互联网零售商Overstock.com股价也在一个月内暴涨70%，代号OSTK, 成为史上最大的ICO发行商之一，ICO将会为公司募集超过5亿美元资金，取决于投资者的兴趣，新币tZERO将可以用于平台付款。

小盘股Social Reality 代号 SRAX 是一家位于洛杉矶的广告技术公司，其管理层在的分析师会议中宣布，将通过ICO发行自己的代币——BIGtoken，随后该公司股价直线上扬，收盘涨幅达70.73%，报4.9美元。

迅雷是否还会涨，风险有多大

美股投资网分析师预测，迅雷 XNET 股价还会上涨，但是，美国证券交易委员会（SEC）今天警告称，名人和其他个人推广初始代币发行（ICO）时可能触犯美国证券法。

　　ICO已经日益成为初创科技公司一种流行的融资方式，使之以通过创造和销售数字货币的方式来快速融资。

　　过去几个月，其中一些项目在社交媒体上获得名人的背书，包括希尔顿集团继承人帕里斯-希尔顿（Paris Hilton）、拳击手弗洛伊德-梅威瑟（Floyd Mayweather）和说唱歌手The Game等。

　　但SEC表示，倘若代币被视作一种证券，而名人并未披露“性质、规模以及因为推广获得的补偿”，这种背书或许就涉嫌违法。

　　SEC执法部和合规检查办公室在联合声明中说：“未能披露这一信息便违反了联邦证券法的反兜售条款。”

日本电子与娱乐公司索尼(SONY)股价周三劲升至九年高点，此前该公司公布的年度获利预测为其史上最佳，凸显出该公司重组取得成功，让人对其盈利能力的延续势头更加期待。

　　公司在社长兼CEO平井一夫的领导下，精简了不赚钱的电子业务，抓住了带有其图像传感器的智能手机大行其道的机会，同时为自己的游戏机产品在市场保住了一席之地。

　　该公司将全年营业利润预估上调26%至6300亿日元（55亿美元），指因图像传感器以及高档电视机销售强劲。

　　“图像传感器将被用于广泛领域，市场非常大，”Securities Japan的首席市场分析师Masayuki Otani说。

　　“盈利能力在上升，中长期来看，我们预计股价将达到2007年水准7190日元。”

　　索尼股价最高上涨11.6%至2008年6月以来最高水准，早盘收盘上涨10%至4860日元。

　　7-9月当季获利跳增近350%至2042亿日元，高于分析师的预估。

　　在索尼公布第三季获利前，索尼股价在最近几个月保持稳定，受对该公司未来增长的疑虑拖累，因其PlayStation 4游戏机已经进入产品生命周期的后期阶段。

沃尔玛(WMT)公司计划加强在线销售，在节日购物季来临之际将在线销售的商品种类增加两倍，从去年的2000万种增至6000万种。

　　该公司还表示，今年购物季期间将对超过200万种商品提供为期两天的免费送货服务，前提是订单金额超过35美元，并将对在线下单后到店自取的顾客提供折扣。

　　沃尔玛首席运营官托尼-罗杰斯（Tony Rogers）表示，今年购物季期间将在旗下门店举办2万多场活动，让购物者体验和试用畅销商品

10月30日，在“2017腾讯全球合作伙伴大会”开幕之前，腾讯董事会主席兼CEO马化腾发表了致合作伙伴的公开信。信中，他用“深度融合”、“云化分享”、“智慧连接”、“全用户”、“大内容”、“新科技”、“宽平台”等七大关键词，分享了过去一年对数字经济发展的观察和思考。

马化腾呼吁行业从零和博弈的“窄平台”向共赢共生的“宽平台”转变，从而形成一个“数字生态共同体”。他同时还透露，腾讯将推出“去中心化”的智慧零售解决方案，以帮助商家从“二选一”的困境中走出来。

“过去一年，整个经济社会都迈入了全面数字化的进程。以云、大数据、人工智能等为代表的新型基础设施，不但开始为各个产业的革新提供源动力，而且逐渐构成新型社会管理的主平台，并为前沿科技的发展与应用打造强载体。”马化腾深刻意识到，这种变化正重塑着互联网生态，因此提出了要形成一个“数字生态共同体”的概念。

具体到做法上，互联网企业需要将云、大数据与人工智能技术结合起来，然后把好的创意放到平台，供更多企业分享。据马化腾介绍，腾讯将把社交平台、内容平台与京东的交易体系全面打通，有望实现零售行业线上线下跨场景的智慧连接。

马化腾还强调，平台型生态企业作为基础设施提供者，在“数字生态共同体”中扮演着重要角色。应当以坚持共生共赢的“宽平台”，破除零和博弈的“窄平台”规则，鼓励协作创新。

最后，马化腾还特别指出，在这个“共同体”中，竞争的目标并不是要你死我活，而是更好地激发创新来解决用户痛点，让整个生态更有可持续性。

持续了八年半的美股牛市何时到头？华尔街喊了多次“狼来了”，美股依然未见大幅调整。但近期的一项指标却反映出市场对美股持续上涨产生了疑虑。

美国股市正面临“投资者持有的现金降到历史最低点”的问题。现金短缺，可能会影响已持续八年多的美股牛市继续上涨。

INTL FCStone的数据显示，虽然货币市场资产占长期资金的17%，但公募现金持有比例仅3.3%，为历史最低点。该公司的宏观战略分析师Vincent Deluard表示，目前已没有更多的边际现金来助推股市走高。

货币市场和共同基金的现金水平处于史上最低水平

华尔街许多大投行也就相关问题做出表态。

摩根士丹利CEO Jonathan Pruzan表示，该行客户的账户中现金正处于史上最低水平。

美银美林早前也表示，私人银行的客户现金正跌至历史低点。一方面这是投资者信心的表现，但如果没有多余的资本，一切都可能变得没有意义。

另一个数据也反应目前市场上的现金水平吃紧。花旗的报告显示，目前机构投资者管理的现金资产只有2.25%，不光是8年牛市以来的最低水平，也是08年金融危机以来的最低水平。

花旗认为，这可能是信心过头的表现。

在2000-2007年间，金融危机到来之前，投资者同样只持有很少的现金，与目前情况类似。

然而，并非所有华尔街投行都对低现金水平表示担忧。高盛在过去几个月就认为，目前的现金持有量仍属正常水平，牛市可以持续更长时间。

史上最低的现金持有水平还能助推美股多久，令许多机构质疑，但美股多空博弈仍将继续下去。

本周五搜狗公布，在美IPO预计发行4500万份美国存托股票（ADS），价格区间11-13美元/股。约合IPO募股规模在4.95亿到5.85亿美元之间。这是此前搜狗在招股说明书中未透露的讯息。

上述消息公布于美股盘后时间，搜狗第二大股东搜狐美股股价明显反弹，一度升至62美元，在收盘价基础上回涨6.3%以上，此后涨幅有所收窄，不足3%。本周五搜狐美股收跌8.23%，收报58.31美元。

两周前，本月13日搜狗向美国证券交易委员会（SEC）提交招股说明书，证券代码为SOGO，IPO计划募集最多6亿美元资金。当天搜狐美股股价大涨，收涨13%。

招股说明书显示，投资银行摩根大通、瑞信、高盛、中金将担任搜狗IPO的联席主承销商；华兴资本将担任副承销商。

招股说明书披露，2015年3 月，搜狗搜索引擎移动端的月度活跃用户（MAU）3.46亿，今年6月增至4.83亿，以MAU计算，搜狗称得上中国第四大互联网公司；同期搜狗输入法移动端月活用户从2.25亿增至4.03亿。

招股说明书还披露，今年6月，搜狗输入法日均活跃用户（DAU）为2.83 亿，PC端DAU为8800万。基于DAU，搜狗输入法是中国第二大PC软件，第三大移动应用。

据招股说明书：

搜狗2014年至2016年营收逐年增长，主要收入源是搜索和搜索相关广告服务。2016年这类业务营收占公司总营收的90.4%，今年上半年占比88.1%。

盈利方面，2014年搜狗净亏损2683.9万美元，次年扭亏为盈，净利润9949.9万美元，2016年净利润回落至5611.2万美元，今年上半年3576.4万美元，同比大增41%。

股权结构方面，腾讯和搜狐分别为搜狗的第一和第二大股东，持股比例分别为43.7%和37.8%。第三大股东是持股9.2%的搜狐CEO兼搜狗董事张朝阳

电商平台eBay发布了两款视觉搜索工具，帮助用户通过他们拍下的、存储的、在网站或者其他社交平台截取的图片，在eBay的商品库中寻找匹配的商品。这两个工具分别叫做“图像搜索Image Search”和“在eBay上找Find it on eBay”。两个工具建立在计算机视觉和深度学习技术之上。

Image Search允许用户在app中拍照或者调取图片库中的照片，然后软件就会向用户呈现与图片中物品一样或者至少看起来非常相似的商品信息

eBay推出视觉搜索工具，帮助用户通过照片找到想买的东西

尽管其他网站例如Amazon、代号 AMZN Pinterest或者家具垂直行业的电商Wayfair都表示自己有图片搜索的能力，但是eBay说自己的商品目录有11亿件。尽管Pinterest年初表示自己的图片站上有1000亿个“想法”，但是那些并不都是像eBay上的一样，都是可以购买的商品。eBay海量的产品目录本来也就是机器学习的好素材，公司副总裁Mohan Patt也认为，过去这么多年来积累的数据，是eBay做商品图像搜索的最佳优势。

另一个工具叫Find it on eBay，允许用户在浏览网页或者社交平台的时候，将发现的图片直接“分享”到eBay，直接找到相似的产品

尽管利用视觉搜索是网购平台的一个发展趋势，但是这个功能长期的实效目前不得而知；没有零售公司公布过图片搜索转销售的数据。在当前的技术条件下，最大的问题在于，当你使用图片搜索时，你希望得到的是你要买的那一款产品，而不是一款看起来很相似的产品。也许有的时候，你想要某种红色链带的小包，但有些人要的就是某个红色链带的小包。

尤其是当客户其实看重的是某件商品的品牌或者质量时，一款长得像200元钱墨镜的10元墨镜不能取代前者对于客户的价值。

正是由于用户体验的巨大不确定性，图片搜索还没有成为真正有效的导流方式。但是未来，如果人工智能除了分析图像本身之外，能再输入图片来源和其他大数据信息，视觉搜索商品的准确性就会大大提高。能不能转化销售率我们不知道，但一定会提高用户对商品的搜索效率。

进了VC这行你会很快了解到一件事，那就是投资就是寻找护城河的过程。为什么？我找不到比Gil Dibner的这篇文章更好的诠释了。

简而言之，VC要寻找未来5到10年有可能价值数亿乃至数十亿美元的公司：

预测未来现金流是预测估值的代理，

产生利润的能力是预测未来现金流的代理，

护城河是产生利润的代理。

为什么护城河是产生利润的代理？很简单，因为护城河提高了机构对供应商和客户的议价能力，帮助该机构提价降低成本一边产生更高的利润。这个简单的推理的结果就是VC要找能挖护城河的公司。

在市场（marketplaces）发挥作用的网络效应就是护城河的很好例子。AirBnB上面待出租的地方越多，需求跑到这个平台的可能性就越高，然后又会吸引甚至更多的屋主把自己的住所放到AirBnB上面出租。形成闭环。

这种机制导致了赢家通吃的状况，这种情况下通常市场的最大玩家要比竞争对手大很多。简而言之这就是投资者如此钟爱市场（marketplace）的原因。如果你足够幸运选到了市场赢家，就有很高的机率拿到高回报。

AI公司为什么如此特殊？

有趣的是，AI带来了一种新型的网络效应，有人称之为“数据网络效应”。机器学习算法需要数据才能工作。尽管这种关系不是线性的，但机器学习算法完成的预测/分类的工作随着消化了更多的数据而增加了准确率。

下面的机制是这样的：随着公司增加了更多的客户，它就可以从每一位客户那里获得更多的数据来训练和调整其算法。有了更多的数据，预测的准确度就会上升，产品整体质量也会水涨船高。一个更好的产品帮助说服新客户购买自己并为之贡献他们的数据。闭环形成。

很好的一点是这种机制帮助AI公司朝着客户采用周期前进。早期采用者对最初的bug或者次佳性能容忍度更高。通过贡献他们的数据和反馈，早期客户帮助AI初创企业开发出更好的算法并且将后期阶段采用者发展为客户。

起作用的还有另外一个自我强化的反馈回环，我们称之为“人才吸引回环”。公司拥有的数据越多，对数据科学家过来这里为该公司工作的吸引力就越大，因此团队吸引好人才帮助开发出最好ML产品的机率也就越大。

Yoshua Bengio的这段话就是很好的总结：

AI技术本身就适合赢家通吃，[……]主导该技术的国家和公司会随着时间获得更多的权力。更多数据以及更大的客户群会赋予你难以的驱赶的优势。科学家想去最好的地方工作。有着最好实验室的公司会吸引最好的人才。然后变成财富和权力的集中地。

问题是初创企业一开始并没有（或者很少）数据，只能靠少量的有才之士，大多数情况下只能靠创始人单打独斗。就像市场的网络效应需要时间和资源才能生效一样，AI公司的强化循环要想发挥作用也需要原始数据。

那么谁拥有数据呢？

既有者。

所以一些产业观察者已经指出，既有者拥有驾驭AI浪潮的不公平优势（更多参见对Marc Andreessen的采访）。

对于AI投资者来说好消息是情况并没有这么简单。接下来，我会简要描述一个思考既有者AI优势的框架。

I. 思考既有者优势的框架

一个简单的方程式也许可以解释AI公司成功之处在于：

AI成功=数据+ML人才+算法

说白了，成功且具备防御性的AI公司拥有“足够大的数据集使得ML人才能够用来创建最好的算法。” 美股人工智能公司 bubq.com

思考既有者在AI方面的优势有一个办法很有用，那就是看看下面这个2X2矩阵，横轴是每用户案例的数据量，纵轴是处理该案例的公司的性质（技术还是非技术）。其想法是看看既有者和初创企业应用这个公式的结果如何。

如果用例是由大型技术公司处理的，而且每一位潜在客户都有大量数据，这种情况下既有者的优势是非常强的。除了典型的既有者优势以外（接触客户，投资能力更大，更输得起），大型技术公司还坐在需要好几年才能积累出来的数据堆上面。

他们还受益于自身品牌和庞大的财政资源，可以付得起聘请最好的机器学习人才，后者再给他们开发出最好的算法。既有者得分：3/3。

这种情况下新的初创企业很显然不应该跟技术既有者硬碰硬。这就好比是从0开始追赶Google。

但既有者的优势不只是强在这里。再看看矩阵右下角。这部分是由非技术公司来做但每一位潜在客户也已经坐数据堆上的。比方说高速公路运营商，手上就掌握了多年的收费数据。

历史已经证明，数据甚至比算法本身还要重要，尤其是自打深度学习出现以来。这方面Edge的这篇文章给出了有趣的证明：

关键算法与取得相应进展之间平均要经过18年，而关键数据集与取得相应进展之间平均只需不到3年的时间，也就是说取得成功要快6倍，这说明数据集可能是取得进展的限制性因素。

此外，大型技术公司在继续开源新的ML包，因此将算法商品化，尤其是对象识别、语言建模或者语音识别等——我们称为泛化ML这些算法。由于由于泛化ML，坐在数据堆上的非技术公司利用技术公司数据集预先训练过的开源软件包也能取得重大成果。

概括一下，大型公司，无论是否技术公司，可能内部也没有顶尖的机器学习知识，也是可以比拥有最好ML专家的小型初创企业做出更好的AI产品的。这只是因为它能比小型初创企业访问到更多的数据。

比方刚才的例子里面，高速公路运营商就可以从很多竞争性优势种获益，可以保护它防御原始数据很少的小型初创企业的攻击。

因此，我们在这个公式里面也许应该赋予数据以比ML人才更高的权重：

我们再来看看矩阵的左上角：每位客户只有少量数据，但这些板块是由大型技术公式负责的用例。一个好的例子是预测销售线索成为客户的可能性（lead scoring)，销售线索得分）。每一位潜在客户并没有足够的数据来用泛化ML做出足够好的预测。

他们每一位都有数百个数据点以及数十个预测因子摆在CRM或者营销自动化工具面前。这个有可能是不够的，或者会导致对公司数据过的拟合的风险。

他们因此需要购买基于大数据集开发的产品。然后问题就是CRM提供商是否销售这一产品的买家，还是说初创企业更适合。

这里既有者的优势就没那么明显了，而对于初创企业来说可能仍然有许多机会。

尤其是如果他们能够：

组合大型技术公司所没有的不同数据源（比如Salesforce就访问不了Hubspot的数据），或者

生成额外的专有数据（下一部分进一步讨论）

矩阵的左边区域也许是最大的机会所在：就是没有大型技术公司涉足，客户也访问不到足够大的数据集用泛化ML足够好地进行处理的左下角。农业和医疗保健就是很好的例子，这些领域大型技术公司还没有统治市场，每一位客户都只有少量的数据。

接下来，我会进一步讨论矩阵的左边，尤其是左下角的情况。

III. 新的护城河

好消息是，因为新公式“成功=数据*数据+ML人才+算法”的关系，当数据量还很小的时候（比方说，小于1时），其影响就要比原先的公式更有限。ML人才和算法也会对输出产生更大的影响，而既有者的不公平优势也要少一点。

其直接后果是有了合适的机器学习人才以及创新算法的初创企业有机会在数据稀缺的市场中成长起来。

以下是克服这种稀缺性问题的三个办法，值得注意的是它们并不互斥。

#办法1：从很多客户处收集数据

虽然单独来看每家公司未必拥有足够大的数据集来开发出很好的AI产品，但是可以将来自若干客户的数据集池化的AI初创企业也许会成为唯一一家能够开发出符合其期望产品的公司。每一个玩家都会交出他们的数据，从而受益于经过更大数据集训练的算法。

可以把SaaS解决方案视为组合多个温室数据并从中得出最佳预测的温室。每一位温室主人可能都没有足够大的数据集，但却能从做出更好预测甚至控制整个温室的AI代理中获得巨大好处。

Tom Tunguz提出了一个有趣的对照，应用了广告技术界的一些经验。

#办法 2：智能系统

如果我们再进一步推理一下，大型数据集之所以不具备的另一个原因是因为不同客户之间不仅是相互孤立的，而且在不同的SaaS工具（其中一些是互动系统如网站、Slack，一些是记录系统如营销自动化工具、CRM）之间也是互为孤岛的。

AI初创企业可以在不同的数据集之间牵线搭桥，占据做出最佳预测的最好位置，就像Greylock 的Jerry Chen 在一篇文章中所说那样，成为智能系统（System of Intelligence）。

我们可以再考虑一下CRM的用例。难道销售线索对市场宣传资料的反应方式不是购买可能性很好的预测因子吗？问题是Salesforce并没有这方面的数据因为被锁进Hubspot的数据库里面了。

类似地，Hubspot也不知道销售线索在销售管道中已经发展到哪一步了。因此，鉴于在这个市场数据是稀缺的（矩阵的左侧），Salesforce或者HubSpot都没有处在做出最佳预测的合适位置。而基于这两家的数据库进行预测的AI初创企业就可以用这种策略击败Salesforce和HubSpot。

思考这个的一个好办法是将数据集视为价值链的补充资产。新的，似乎无害的AI初创企业可以跟既有者永远也不想合作的公司合作，从而打造出保护自己的互补资产。

或者换种说法，任何依赖于单一来源的非专有数据的公司其防御性要比集合了若干来源的公司要低。

到头来，一切都回到这个问题的回答上来：“谁用我的数据赚钱？”是生成数据的公司吗？还是存储数据的公司？或者在这些基础上作出最好ML产品的公司？

对于AI初创企业来说这并不是什么新鲜事，但随着大家意识到自身数据的价值后，大家对AI的看法就会完全不一样了。就像Twitter干掉了所有开发替代性Twitter客户端的公司一样，Salesforce也可能会干掉任何从自身存储的数据获取太多价值的初创企业。

最后一种情况可以解决这一数据所有权问题。

#办法 3：拥有用户生成数据的独特数据集

如果一家公司无法从多位客户或者从多个SaaS工具收集数据，或者光收集这些并不足以做出足够好的预测的话，则可以从自己的SaaS产品生成额外的数据。这是开发出奇特既有者没有的专有数据集的独特机会。

IV. 学习曲线

整个推理都可以通过绘制学习曲线来概括。这条学习曲线描述的是：“需要多少时间、努力或者资金来实现足够精确度，从而满足客户的‘期望’？”

当数据并非稀缺的时候，学习曲线是这样的：

公司只需要很少的时间、努力以及资金就能得到足够多的数据来满足客户期望。因此防御性相对受限。当使用数据已经公开时尤其如此。

相反则是数据稀缺的情况，这种情况需要大量的时间、努力以及资金，曲线可能是这样的：

在这种情况下，需要大量时间、努力以及资金才能获得足够高的精确度，所以防御性也很强。

由于客户可能不愿意贡献自己的数据，数据网络效应要经过很长一段时间才见效，所以防御性会更强。

但要强调的是，这些情况均属于非常理论化，只是为了提供一个思考源自数据网络效应的防御性的框架。

数据稀缺这种情况也许会带来很强的防御性，但可能也会比较难熬，因为公司需要等到A轮之后才能满足客户期望。

作为种子轮投资者来说情况也比较艰难，因为我们不知道种子轮之后曲线会怎么发展。这些曲线看起来像是S-曲线，但实际走势可能不一样。产品是否足够好到为客户提供价值的不确定性依然存在。

最后一点是ML防御性和SaaS防御性不是互斥的。除了源自数据网络效应的防御性以外，非常长的产品路线图以及出色的UX或者用户/数据锁定仍然是一家公司防御性非常重要的贡献者。

NVDA AMD INTC AMZN VERI 美股人工智能公司 bubq.com