生成式AI推動(dòng)大數(shù)據(jù)時(shí)代向大智能時(shí)代躍遷
產(chǎn)業(yè)觀察家們注意到生成式AI的革命性意義，并作出豐富解讀。英偉達(dá)創(chuàng)始人兼首席執(zhí)行官黃仁勛稱生成式AI的推出為“AI產(chǎn)業(yè)的iPhone時(shí)刻”，意指其顛覆性的技術(shù)突破和產(chǎn)品形態(tài)或?qū)⒁l(fā)Al產(chǎn)業(yè)的全面變革。投資公司a16z的合伙人馬丁·卡薩多（Martin Casado）則稱其為“第三個(gè)計(jì)算時(shí)代”，意指繼微芯片將計(jì)算的邊際成本降到零、互聯(lián)網(wǎng)將分發(fā)的邊際成本降到零之后，大模型將創(chuàng)作內(nèi)容的邊際成本降到零的第三次飛躍。麥肯錫技術(shù)合伙人萊瑞拉·余（Lareina Yee）則將其類比為計(jì)算產(chǎn)業(yè)經(jīng)歷過的大型機(jī)到PC的劇變，意指生成式AI將技術(shù)使用權(quán)從精英轉(zhuǎn)向大眾，實(shí)現(xiàn)了AI技術(shù)的民主化。然而，以上解讀局限于AI產(chǎn)業(yè)自身，沒有考慮生成式AI如何重塑更廣泛的經(jīng)濟(jì)。筆者認(rèn)為，生成式AI和大模型有潛力成為整個(gè)國民經(jīng)濟(jì)智能基礎(chǔ)設(shè)施，進(jìn)而奠定所謂的大智能時(shí)代。
生成式AI，有何不同
不同于專注解釋現(xiàn)有數(shù)據(jù)的分析式AI或根據(jù)給定輸入推斷輸出的預(yù)測式AI，生成式AI專注于生成新內(nèi)容，或稱合成數(shù)據(jù)（synthetic data）。ChatGPT僅是大模型的一種，準(zhǔn)確地說，它僅是文本大模型的一種。文本大模型之外，還有音頻大模型和視覺大模型。最近，大模型已發(fā)展至具備多模態(tài)對(duì)話能力。
不同于預(yù)設(shè)規(guī)則或者試圖尋找結(jié)構(gòu)化規(guī)則的傳統(tǒng)AI，生成式AI直接從海量未經(jīng)標(biāo)簽化的非結(jié)構(gòu)化數(shù)據(jù)中提取基礎(chǔ)模型（foundation model）。由于基礎(chǔ)模型的參數(shù)巨大，常被稱為大模型。大模型的訓(xùn)練極端昂貴，但具備一系列傳統(tǒng)AI模型不具備的優(yōu)勢：一是其采取的非監(jiān)督訓(xùn)練的方式極大地降低了人工標(biāo)注的需要；二是模型具有更好的通用性，可靈活應(yīng)對(duì)多種任務(wù)；三是大模型可以理解并使用人類語言，交互體驗(yàn)非常自然。
歸根到底，大模型是人類全量知識(shí)的壓縮。傳統(tǒng)AI利用有限的知識(shí)（預(yù)設(shè)的算法）從豐富的場景數(shù)據(jù)中提取結(jié)果，而大模型利用近乎完備的知識(shí)去解讀場景數(shù)據(jù)（盡管它不一定豐富）。
大模型作為智能基礎(chǔ)設(shè)施
生產(chǎn)力的進(jìn)步通常體現(xiàn)為某種新型基礎(chǔ)設(shè)施的建立。工業(yè)時(shí)代出現(xiàn)電力基礎(chǔ)設(shè)施，網(wǎng)絡(luò)化時(shí)代出現(xiàn)網(wǎng)絡(luò)基礎(chǔ)設(shè)施，而智能時(shí)代將出現(xiàn)何種基礎(chǔ)設(shè)施？筆者斷言大模型具備成為智能基礎(chǔ)設(shè)施的潛力，因其具備基礎(chǔ)設(shè)施的三個(gè)基本特征。
一是通用性。傳統(tǒng)AI需要針對(duì)特定任務(wù)設(shè)計(jì)，表現(xiàn)出更多的專用性與垂直性。相比之下，經(jīng)過高強(qiáng)度預(yù)訓(xùn)練的大模型具備靈活應(yīng)對(duì)多種非預(yù)設(shè)任務(wù)的能力，可通過微調(diào)及提示詞工程實(shí)現(xiàn)應(yīng)用情景的高擴(kuò)展，進(jìn)而在通用性上大大提升。
二是規(guī)模經(jīng)濟(jì)。大模型的規(guī)模經(jīng)濟(jì)與兩個(gè)概念有關(guān)。一是智能涌現(xiàn)。只有模型參數(shù)規(guī)模超越臨界點(diǎn)之后，智能才開始涌現(xiàn)。工業(yè)經(jīng)濟(jì)情景下，低于最小有效生產(chǎn)規(guī)模的廠商無法有效參與市場競爭。類似地，廠商必須投入高昂的前期訓(xùn)練成本，才能參與大模型市場競爭。二是智能摩爾定律。傳統(tǒng)摩爾定律預(yù)測硅片上的晶體管密度隨時(shí)間推移指數(shù)級(jí)增長，而成本保持不變。智能摩爾定律則預(yù)測大模型智能所能覆蓋的場景數(shù)（智能密度）具有類似的規(guī)律。這意味著，隨著大模型參數(shù)的增長，其覆蓋智能場景的單位成本呈指數(shù)級(jí)降低。
三是外部性。修好的路上不跑車，價(jià)值等于零。盡管大模型語境下的“車”是什么尚未完全確定，但確定的是大模型的出現(xiàn)將促進(jìn)各類“車型”的創(chuàng)新。因此，大模型對(duì)經(jīng)濟(jì)的推動(dòng)作用要遠(yuǎn)遠(yuǎn)大于生成式AI產(chǎn)業(yè)產(chǎn)值本身。聊天類應(yīng)用僅僅是大模型應(yīng)用的初級(jí)形態(tài)，創(chuàng)意和想象力與未知場景結(jié)合迸發(fā)出的產(chǎn)業(yè)能量，才是大模型作為基礎(chǔ)設(shè)施最具想象空間之處。
通用性、規(guī)模經(jīng)濟(jì)和外部性是基礎(chǔ)設(shè)施的一般性特征。那么，大模型作為智能基礎(chǔ)設(shè)施的特殊性何在？筆者認(rèn)為，這是人類歷史上第一次實(shí)現(xiàn)智能的大規(guī)模集中供給，故而稱其為智能基礎(chǔ)設(shè)施。難道數(shù)字化時(shí)代不是已見證林林總總的智能化基礎(chǔ)設(shè)施嗎（如智能手機(jī)、智能電網(wǎng)、智能交通等）？此處需澄清，智能的基礎(chǔ)設(shè)施化不同于基礎(chǔ)設(shè)施的智能化。智能手機(jī)的核心是手機(jī)，智能電網(wǎng)的核心是電網(wǎng)，智能交通的核心是交通，賦予其各種智能內(nèi)涵的過程是基礎(chǔ)設(shè)施的智能化。智能基礎(chǔ)設(shè)施的核心則是相對(duì)通用的智能本身，能對(duì)接千行百業(yè)。過去幾十年，數(shù)字化基礎(chǔ)設(shè)施圍繞信息的采集、處理、傳輸、存儲(chǔ)、計(jì)算等環(huán)節(jié)得到充分發(fā)展，而智能基礎(chǔ)設(shè)施的發(fā)展才剛剛開始。
從大數(shù)據(jù)時(shí)代到大智能時(shí)代
每輪基礎(chǔ)設(shè)施躍遷都會(huì)引發(fā)一輪新商業(yè)機(jī)遇。這是因?yàn)椋A(chǔ)設(shè)施將此前需要分散承擔(dān)的可變成本轉(zhuǎn)化為集中承擔(dān)的固定成本，推動(dòng)新要素普及、降低創(chuàng)新門檻。智能基礎(chǔ)設(shè)施帶來的新要素就是智能：大模型壓縮了人類所有知識(shí)，將場景數(shù)據(jù)輸入大模型，大模型就能根據(jù)其知識(shí)反饋相應(yīng)結(jié)果。當(dāng)這種智能產(chǎn)生模式廣泛應(yīng)用，我們或?qū)⒁娮C前所未有的大智能時(shí)代。
筆者認(rèn)為，大智能時(shí)代區(qū)別于大數(shù)據(jù)時(shí)代的核心特征是數(shù)據(jù)與智能的解耦。谷歌常因所謂數(shù)據(jù)網(wǎng)絡(luò)效應(yīng)被反壟斷機(jī)構(gòu)約談：搜索引擎的市場份額越大，用戶數(shù)據(jù)就越多，數(shù)據(jù)訓(xùn)練出來的機(jī)器算法也就越智能，用戶體驗(yàn)進(jìn)一步提升，進(jìn)而獲取更大的市場份額。曾鳴教授更是基于阿里巴巴的類似經(jīng)驗(yàn)，提煉出以“數(shù)據(jù)智能”為基石的“智能商業(yè)”方法論。這種思維強(qiáng)調(diào)企業(yè)構(gòu)建的數(shù)據(jù)飛輪是智能商業(yè)的前提：無數(shù)據(jù)，不智能。
在大智能時(shí)代，這一圭臬在產(chǎn)業(yè)層面仍然成立，但在企業(yè)層面的應(yīng)用卻值得推敲：智能不再完全來自于企業(yè)自身構(gòu)建的數(shù)據(jù)飛輪。數(shù)據(jù)作為智能原料的地位無可撼動(dòng)，然而，大模型使用這種原料的效率遠(yuǎn)超過此前分散部署的“小模型”，以至于有志于“智能商業(yè)”的企業(yè)構(gòu)建自身數(shù)據(jù)飛輪喪失經(jīng)濟(jì)性。國家電網(wǎng)能穩(wěn)定輸出電力時(shí)，為何要在工廠旁邊自建小發(fā)電廠呢？
智能基礎(chǔ)設(shè)施化的后果之一是數(shù)據(jù)與智能的解耦（見圖1）。數(shù)據(jù)與智能的解耦并不意味著數(shù)據(jù)不重要，而意味著小數(shù)據(jù)也可以撬動(dòng)大智能。當(dāng)前，大模型的進(jìn)一步發(fā)展面臨高質(zhì)量數(shù)據(jù)源不足的障礙，可見數(shù)據(jù)的重要性。但這不意味著任何企業(yè)都需要花心思囤積數(shù)據(jù)。過去，企業(yè)要精心構(gòu)建并維護(hù)一個(gè)數(shù)據(jù)供應(yīng)鏈，才有可能實(shí)現(xiàn)所謂的數(shù)據(jù)智能。而今，大模型使得智能不需要在低水平重復(fù)開發(fā)。企業(yè)只需要用小數(shù)據(jù)去微調(diào)這個(gè)模型，便有可能開展“智能商業(yè)”。由此，企業(yè)可節(jié)省精力聚焦業(yè)務(wù)創(chuàng)新，釋放出所謂——智能紅利。
生成式AI產(chǎn)業(yè)生態(tài)的三大維度
立足當(dāng)下，本部分嘗試從三個(gè)視角來把握高度動(dòng)態(tài)復(fù)雜的生成式AI產(chǎn)業(yè)生態(tài)。一是供給側(cè)視角的技術(shù)生態(tài)，有助于理解生成式AI技術(shù)實(shí)現(xiàn)所需的生產(chǎn)要素；二是需求側(cè)視角的應(yīng)用生態(tài)，有助于了解生成式AI的應(yīng)用方向；三是中美競爭背景下的區(qū)域生態(tài)，有助于理解需求側(cè)和供給側(cè)在不同條件下的互動(dòng)模式。
生成式AI技術(shù)生態(tài)
大模型技術(shù)生態(tài)符合典型的IT垂直分工架構(gòu)。最底層是基礎(chǔ)設(shè)施，負(fù)責(zé)提供大模型訓(xùn)練以及推理所需的算力。產(chǎn)業(yè)初期，算力主要用于模型預(yù)訓(xùn)練。隨著各大模型紛紛商用，用于響應(yīng)用戶請(qǐng)求所需的推理算力占比快速增加。眾所周知，大模型的算力需求主要由GPU（圖像處理單元）來滿足，NPU（神經(jīng)網(wǎng)絡(luò)處理器）和TPU（張量處理器）等專為大模型推理運(yùn)算設(shè)計(jì)的芯片也逐步成熟。NPU主要用于手機(jī)、無人機(jī)等終端產(chǎn)品的計(jì)算單元，TPU是谷歌設(shè)計(jì)的云計(jì)算芯片。值得注意的是，硬件集群只是基礎(chǔ)設(shè)施的一部分，負(fù)責(zé)硬件資源調(diào)度的云平臺(tái)也非常重要。
基礎(chǔ)設(shè)施之上是大模型。大模型有開源和閉源之分。Open AI的GPT是一個(gè)閉源模型，而2023年7月，Meta的Llama II宣布支持開源和商用，引爆了大模型領(lǐng)域的開源運(yùn)動(dòng)。選擇開源模型還是閉源模型，似乎和應(yīng)用有關(guān)。chatGPT、Midjourney等廣受歡迎的面向消費(fèi)（2C）領(lǐng)域的應(yīng)用都構(gòu)建在私有大模型之上。但面向企業(yè)（2B）領(lǐng)域的應(yīng)用通常構(gòu)建在開源大模型之上，因?yàn)殚_源大模型支持私有化部署，并在微調(diào)方面提供了更大的靈活度。
值得指出的是，大模型層與應(yīng)用層之間存在一個(gè)中間層，旨在幫助應(yīng)用開發(fā)者解決兩方面問題。一方面，基于大模型做二次開發(fā) （微調(diào)、提示詞工程或基于人工反饋的增強(qiáng)學(xué)習(xí)）需要一系列工具或模板；另一方面，由于市面上存在多種大模型，應(yīng)用開發(fā)者可能希望一站式接入和管理。所謂MaaS（模型即服務(wù)）集成了這些工具和功能。
大模型應(yīng)用生態(tài)
技術(shù)生態(tài)主要是巨頭和工程師的場域，應(yīng)用生態(tài)則是創(chuàng)業(yè)者和產(chǎn)品經(jīng)理的沃土。在技術(shù)生態(tài)部分，應(yīng)用層在技術(shù)堆棧中的位置得到了強(qiáng)調(diào)。本部分談及的應(yīng)用生態(tài)從需求側(cè)視角展開，根本上是要回答大模型如何對(duì)接應(yīng)用場景、創(chuàng)造用戶價(jià)值。這個(gè)問題可以沿著兩個(gè)維度思考：客戶屬性和產(chǎn)品策略。
一方面，2C領(lǐng)域和2B領(lǐng)域的大模型應(yīng)用在價(jià)值創(chuàng)造方面具有顯著差異。首先，消費(fèi)類應(yīng)用的價(jià)值創(chuàng)造幾乎都在應(yīng)用內(nèi)完成，而企業(yè)級(jí)應(yīng)用需要與企業(yè)內(nèi)部價(jià)值鏈和IT系統(tǒng)整合。其次，消費(fèi)類應(yīng)用幾乎都基于公有云，而企業(yè)客戶因隱私顧慮偏好私有云或混合云部署。最后，消費(fèi)類應(yīng)用通常以一對(duì)多的方式提供服務(wù)進(jìn)而迅速規(guī)模化，而企業(yè)級(jí)應(yīng)用服務(wù)通常需要一對(duì)一定制。以上2C和2B客戶市場的一般性差異，并不因大模型技術(shù)的開創(chuàng)性而改變。可見，2C應(yīng)用的價(jià)值創(chuàng)造具備獨(dú)立性，而2B應(yīng)用的價(jià)值創(chuàng)造高度依賴其他互補(bǔ)性資源。進(jìn)而，2C應(yīng)用有望構(gòu)建出一個(gè)以自身為中心的生態(tài)，而2B應(yīng)用通常嵌入在位玩家（包括客戶）的生態(tài)中。
另一方面，無論是2B還是2C，大模型應(yīng)用可考慮增強(qiáng)、替代或整合三種策略。增強(qiáng)策略為現(xiàn)有產(chǎn)品或服務(wù)加入大模型性能，進(jìn)一步提升產(chǎn)品體驗(yàn)。比如，Office產(chǎn)品中嵌入了基于大模型輔助工具（Copilot）或者視頻游戲中引入大模型生成個(gè)性化劇情。替代策略則把大模型應(yīng)用作為生產(chǎn)力工具替代原有的低效流程。比如，在客服行業(yè)，替代正在大規(guī)模發(fā)生，一部分營銷設(shè)計(jì)工作也有望在大模型的支撐下實(shí)現(xiàn)自動(dòng)化。相較于增強(qiáng)現(xiàn)有產(chǎn)品和替代低效流程，整合策略跳出了現(xiàn)有產(chǎn)品或流程，重新定義客戶體驗(yàn)。筆者避免使用顛覆一詞，因?yàn)檫@種重新定義很大程度上是基于重組現(xiàn)有要素發(fā)生的。大模型并不創(chuàng)造要素，但提供了高超的整合能力（如通過智能體即Agent進(jìn)行整合）。
上述兩個(gè)相對(duì)獨(dú)立的維度可以構(gòu)建出一個(gè)2X3的矩陣。這個(gè)矩陣中的一些格子看起來比另外一些格子更令人興奮。但一個(gè)機(jī)會(huì)令人興奮的程度，通常與其進(jìn)入門檻成正比，與最終勝出的概率成反比。最終，這個(gè)矩陣會(huì)被具有不同資源稟賦和風(fēng)險(xiǎn)偏好的創(chuàng)新者（或創(chuàng)新采納者）所填滿，構(gòu)成一個(gè)復(fù)雜而多元的大模型應(yīng)用生態(tài)。
生成式AI的區(qū)域生態(tài)
產(chǎn)業(yè)不可避免地嵌入在區(qū)域中。縱觀全球，生成式AI的產(chǎn)業(yè)競爭主要在中美之間開展。對(duì)于中美AI產(chǎn)業(yè)的一般性對(duì)比分析不是本文的重點(diǎn)。本文主要關(guān)注的是兩國區(qū)域條件的差異如何影響技術(shù)生態(tài)、應(yīng)用生態(tài)以及兩者之間的良性反饋。
靜態(tài)對(duì)比，中美兩國在技術(shù)生態(tài)方面的差距并不致命。誠然，美國在聚集、培養(yǎng)生成式AI技術(shù)人才方面具有顯著優(yōu)勢。并且，GPU出口管制在很大程度上也增加了中國企業(yè)的成本，但同時(shí)要看到我國有三個(gè)方面的有利因素。第一，得益于開源運(yùn)動(dòng)的知識(shí)溢出效應(yīng)，中美技術(shù)差距并沒有大到足以阻礙中國的產(chǎn)業(yè)進(jìn)步；第二，中國企業(yè)對(duì)開源的貢獻(xiàn)也日益顯著，中國也吸引了一些頂級(jí)科學(xué)家回國創(chuàng)業(yè)；第三，盲目的科技軍備競賽并不可取，大模型產(chǎn)業(yè)競爭的焦點(diǎn)已轉(zhuǎn)向工程化和商業(yè)化。
令人擔(dān)憂的反倒是中美應(yīng)用生態(tài)的差距。高科技產(chǎn)業(yè)的發(fā)展，短期內(nèi)可以靠資本維系，長期則需要靠市場來支付發(fā)展所需的成本，包括消費(fèi)者側(cè)和企業(yè)側(cè)的支付。然而，中國消費(fèi)者的付費(fèi)能力遠(yuǎn)不如美國消費(fèi)者。中國移動(dòng)通信用戶的月均支出約為50元，美國約為50美元，但中國企業(yè)購買GPU的成本要高于美國企業(yè)。在2B市場，先不論支付能力，中國企業(yè)數(shù)字化水平低首先就是一個(gè)大問題，尤其體現(xiàn)在SaaS（軟件即服務(wù)）的低滲透率上。大模型應(yīng)用更容易部署到SaaS化程度較高的企業(yè)，因其底層數(shù)據(jù)治理較規(guī)范，流程標(biāo)準(zhǔn)化程度較高。SaaS化程度不高的企業(yè)需花費(fèi)大量時(shí)間、精力和資源去做前期準(zhǔn)備，這會(huì)導(dǎo)致大部分企業(yè)淺嘗輒止或望而卻步。
值得強(qiáng)調(diào)的是，中國在移動(dòng)互聯(lián)網(wǎng)時(shí)代的“場景優(yōu)勢”在生成式AI產(chǎn)業(yè)是不成立的。場景優(yōu)勢建立在迭代之上，而迭代的前提是發(fā)展用戶。縱觀所有國內(nèi)大模型企業(yè)，沒有一家像推廣移動(dòng)互聯(lián)網(wǎng)應(yīng)用程序那樣去不遺余力發(fā)展用戶。關(guān)鍵原因在于，移動(dòng)互聯(lián)網(wǎng)應(yīng)用程序服務(wù)一個(gè)新用戶的邊際成本幾乎為零，而大模型應(yīng)用發(fā)展一個(gè)用戶的邊際成本恒不為零。在商業(yè)模式清晰之前，地主家也沒余糧這么燒。
如果說中國移動(dòng)互聯(lián)網(wǎng)的成功經(jīng)驗(yàn)之一在于前端場景優(yōu)勢與后端技術(shù)進(jìn)步的正反饋，筆者擔(dān)心中國生成式AI產(chǎn)業(yè)正在經(jīng)歷一個(gè)截然相反的過程。從這個(gè)動(dòng)態(tài)視角再去看待中美之間技術(shù)生態(tài)的差距，恐怕會(huì)得到與靜態(tài)對(duì)比不同的結(jié)論。
幾點(diǎn)思考與建議
據(jù)說，人們?nèi)菀赘吖酪患碌亩唐谟绊懙凸榔溟L期潛力。關(guān)于生成式AI產(chǎn)業(yè)，本文的觀點(diǎn)恰好相反：筆者長期看好其作為智能基礎(chǔ)設(shè)施的前途，但短期內(nèi)對(duì)其結(jié)構(gòu)性障礙持悲觀態(tài)度。前文沒有論述中美生成式AI產(chǎn)業(yè)發(fā)展面臨的共性挑戰(zhàn)，而是聚焦中國相對(duì)于美國的比較劣勢。那么，中國有沒有比較優(yōu)勢呢？筆者相信，發(fā)揮以下三方面的比較優(yōu)勢或有助于彌補(bǔ)劣勢：移動(dòng)互聯(lián)網(wǎng)生態(tài)、產(chǎn)業(yè)協(xié)同治理和商業(yè)模式創(chuàng)新。
一是打通移動(dòng)互聯(lián)網(wǎng)生態(tài)與生成式AI產(chǎn)業(yè)生態(tài)。我國移動(dòng)互聯(lián)網(wǎng)產(chǎn)業(yè)在網(wǎng)絡(luò)、終端與應(yīng)用環(huán)節(jié)具備端到端的競爭優(yōu)勢，有望加持孱弱的2C生成式AI應(yīng)用生態(tài)。比如，微信生態(tài)如何引入生成式AI、國產(chǎn)手機(jī)操作系統(tǒng)如何與生成式AI融合、云網(wǎng)一體如何助力AI算力網(wǎng)絡(luò)效率提升等議題都應(yīng)沿著如何利用業(yè)已建立的比較優(yōu)勢去哺育生成式AI產(chǎn)業(yè)的思路去思考。
二是推動(dòng)智能產(chǎn)業(yè)群協(xié)同發(fā)展。智能基礎(chǔ)設(shè)施的建設(shè)需要整合算法、算力和數(shù)據(jù)等要素，是數(shù)字基礎(chǔ)設(shè)施和數(shù)字資源體系的有機(jī)融合和升級(jí)。支持?jǐn)?shù)字基礎(chǔ)設(shè)施運(yùn)營企業(yè)向智能基礎(chǔ)設(shè)施運(yùn)營企業(yè)升級(jí)，實(shí)施算力、數(shù)據(jù)、算法的一體化運(yùn)營。在需求側(cè)，通過降低各行業(yè)使用生成式AI的成本，拉動(dòng)應(yīng)用、工程、運(yùn)營等配套服務(wù)的發(fā)展。
三是堅(jiān)定鼓勵(lì)商業(yè)模式創(chuàng)新。生成式AI產(chǎn)業(yè)面臨的問題歸根到底是價(jià)值創(chuàng)造和價(jià)值分配的問題，即商業(yè)模式。無論是打通移動(dòng)互聯(lián)網(wǎng)生態(tài)還是推動(dòng)產(chǎn)業(yè)協(xié)同發(fā)展，都旨在為生成式AI生態(tài)的發(fā)展創(chuàng)造一個(gè)更廣闊的環(huán)境和更堅(jiān)實(shí)的基礎(chǔ)。這些比較優(yōu)勢能否有效轉(zhuǎn)化并彌補(bǔ)上述比較劣勢，商業(yè)模式起決定性作用。