与 Perplexity CEO Aravind Srinivas 一起剑指 Google
摘要
Perplexity 日均查询量已达到数百万次，较上次访谈增长7倍，但规模仍约为 ChatGPT 的1/40，仅相当于其流量的2.5%–3%。 Amjad Masad 认为，留存比发布初期的流量峰值更重要——“如果留存真的很好，你就拥有无限生命”——并称 Perplexity 的流量已经达到 Bing 的15%–20%，只要能够维持增长，仍有“非常多的 alpha”。
真正的消费者挑战，是在不牺牲速度、准确性和信任的前提下，把每周一次的研究习惯变成每天使用。 旧金山的 AI 泡沫——50台咖啡馆笔记本里可能有20台打开 ChatGPT，纽约则只有1台——并不等于大众采用。Masad 未来2至3年的目标，是让人们因为 Perplexity“真的有用”而使用它，而不是因为 AI 很酷。
Perplexity 的差异化在于编排：实时搜索提供最新证据，模型再将其转化为答案、可执行命令，或可直接用于决策的80/20结论。 健康险选择、Docker 排障、会前准备和投资研究构成了切入口。但让用户在默认搜索和 Copilot 之间做选择，仍是产品体验上的欠账：“产品应该替你思考。”
Masad 的战略判断是，随着 LLM 权重和训练配方商品化，优势将转向数据市场，而围绕精选搜索索引建立护城河。 在大约1万亿个网页中，真正有价值的目标可能是最好的10亿或100亿个页面。Perplexity 正在分散搜索 API 来源，同时构建自己的爬虫、索引和模型，并称自己已经“打破了这种不对称”：不再需要先有产品来供养索引，也不再需要先有索引来打造产品。
Google 的广告经济模式构成了结构性缺口，因为其股东价值绑定广告主，而订阅模式可以让 Perplexity 直接与用户利益对齐。 Masad 并非原则上反对广告：“如果整个问题本身就是一则广告呢？”这指向一种更有用、而非打断式的赞助问题或付费收录模式。现阶段，公司优先考虑留存和可控流失率，而不是进一步强化付费墙。
垂直整合带来异常沉重的资本账单：完成2500万美元 A 轮融资后，这家25–30人的公司在算力上的支出至少与团队支出相当。 Masad 认为，训练自己的模型没有替代方案，也必须进行能降低未来服务成本的短期基础设施投资。公司还希望，即使某个搜索供应商切断服务，也能保持韧性。
更广泛的终局，是一个 AI 优先的操作层：助手而非网页或浏览器成为“第一方公民”。 封闭的商业助手可能削弱 Google 的中间人角色，但面向全球的服务仍会在研究和知识领域保持价值。Masad 预计，人类会接受近乎无限的专家帮助，因为人们可以“不停深挖”而无需感到尴尬；这种帮助也会进入群聊，而不只是存在于一对一对话中。
精读
1. 强留存给小型搜索挑战者带来复利增长的时间
Masad 表示，Perplexity“每天有数百万次查询”，是上次亮相时讨论水平的7倍。Similarweb 的粗略对比显示，Perplexity 的规模仍比 ChatGPT 小40倍，约占其流量的2.5%–3%；但其流量已经相当于 Bing 的15%–20%。
他更看重留存这一健康指标，而不是华丽的获客峰值：“如果留存真的很好，你就拥有无限生命。”Perplexity 将搜索与 LLM 结合，已经形成了差异化的周频使用产品；把这种行为转化为日频使用，是“最大的坎”。
Labenz 自己的使用习惯体现了这一切入口：Google 仍适合快速查询，或寻找已经知道的内容；需要最新信息和链接的新问题，则交给 Perplexity。Masad 提醒，这仍属于爱好者模式：纽约咖啡馆里可能只有50台笔记本中的1台打开 ChatGPT，而旧金山则是50台中的20台。
2. 产品靠压缩陌生工作来赢得一席之地
Perplexity 最初的使用场景，来自 Masad 的第一位工程师申请健康保险。Masad 完全不懂合规语言，而公司基于 GPT-3.5 的 Slack 机器人还会产生幻觉；加入网页搜索后，他得以判断正确的保险方案，把原本需要数小时或专家协助的工作压缩到几分钟。
这位 CEO 最常见的使用场景是切换上下文。Masad 会在会议前研究对方，学习陌生的 SwiftUI 或渲染概念，而不必反复打断工程师；他也会寻找具体工具，比如下载推文视频，而不用在 Google 里翻找“前3、4个”可能是垃圾结果的链接。
他的实际目标是做到“80/20”：初步研究可能把律师收费1小时的工作压缩到12分钟。但对重大的投资决策，他希望研究选项、风险和回报，而不是盲目听从 ChatGPT——后者适合放进“MrBeast式 YouTube 视频”，不适合真正的资本配置。
Labenz 提出了2个压力测试。Perplexity 找到了 GitHub Codespace 出问题背后的最新网页证据，并将其转化为可执行命令；面对 Ashnikko 演唱会，它则通过交叉验证观众画像，回答 Labenz 是否会觉得自己太老，尽管这个问题不存在唯一的事实答案。
3. Copilot 提升深度，也暴露出尚未完成的产品决策
Masad 表示，普通搜索有时会返回“信息不足”，恰恰是因为 Perplexity 拒绝编造答案。Copilot 则像代理一样实时、动态地查询网页。Labenz 描述称，它会提出澄清问题，发起多次实时查询，并为页面打分。
Copilot 没有默认开启，免费使用次数也有限。Perplexity 当时正在测试“Retry”按钮，让任何查询都能用 Copilot 重新执行；同时用微调的 GPT-3.5 路由器降低成本，更复杂的问题仍可能需要 GPT-4。长期目标是提供一个统一界面，让免费版与 Pro 版主要区别在于查询额度。
Labenz 的反驳值得保留：他几乎总是使用 Copilot，并认为它严格来说更好。Masad 承认，无论公司还是用户，都无法可靠判断什么时候需要更深度的检索；如果用户必须在搜索前先给问题分类，“那就不是一个好产品。产品应该替你思考”。
第二个障碍是表达问题。很多用户偏好关键词，因为“提出好问题是一项人类技能”；而且很多人根本无法说清自己脑中想问的是什么。Masad 认为，Google 能长期维持优势，部分原因就在于它容忍关键词式意图，而 Perplexity 仍需复制这种容忍度。
4. 模型商品化后，精选索引成为护城河
Perplexity 仍在使用多个搜索 API，但 Masad 表示，任何单一供应商都无法把它关掉。公司正在构建自己的搜索索引，因为 OpenAI、Anthropic 等公司也都在追求同样的独立性。
他的核心判断是：当模型权重和训练配方广泛可用后，“优势将转向数据市场”。网页可能有大约1万亿个，但既不可能、也没必要全部索引；真正的价值在于，为知识工作者、研究人员和好奇的用户找出最好的10亿或100亿个页面。
这种分发能力很难复制，因为存在先有鸡还是先有蛋的问题：强大的索引需要使用量和产品，强大的产品又需要索引。Masad 认为，Perplexity“不知怎么打破了这种不对称”，让这样规模的公司也有资格“梦想成为重要玩家”。
自给自足并不止于爬取网页。当被问及对外部模型的依赖时，Masad 的回答十分明确：“我们必须训练自己的模型，并把它们做好。没有其他选择。”Perplexity 起步时只是把 Bing 与当时最好的 GPT 拼接起来，之后开始用自己的爬虫、索引和语言模型逐层替代这些组件。
5. 助手可能把今天的网页降级为底层 API
Masad 设想，现有网页最终会变成基础设施，而不再是主要界面。用户不必打开 Chrome、逐页导航，而是直接说出目标，然后进入适合的工作流：“Chrome 还有存在的必要吗？”
这也是他拒绝“去做一个浏览器”这一常规建议的原因。更大的机会是 AI 优先的操作系统和设备，让助手成为“第一方公民”，同时建立代理通信协议、数据模式和新的安全层。Perplexity 没有 OEM 分发能力，因此愿意作为助手存在于现有平台之上。
对未来内容经济，Masad 的坦诚回答是“我不知道”。他的预测是，有价值的平台会把数据封闭起来：Amazon 可以自己回答商品问题，社交网络和商业目录则会变成彼此独立、通过助手连接的岛屿。全球聚合服务将把重点放在研究和知识上，而不是覆盖每一笔商业交易。
这样一来，Google 的中间人地位会被削弱，因为卖家不再需要它来完成发现。TikTok 已经捕获了餐厅发现流量，而 Google 保留了路线导航；Masad 认为，这种碎片化类似于 Google 早先取代 Yahoo 的过程。Labenz 关于对抗性内容的问题，仍没有得到实质解决。
6. 用户利益一致性比早期转化最大化更重要
Masad 倾向于向消费者收费，因为这样客户与股东的激励能够保持一致。他以 Google 为反例：广告主为业务买单，而他提到泄露的内部邮件，其中广告业务负责人曾向搜索业务负责人施压，要求增加广告位以完成季度目标，从而分散了修复糟糕查询的注意力。
Labenz 将其理解为一种订阅驱动、反中间人的战略；Masad 对直接向用户收费回答“当然”，但仍为不让人觉得是广告的广告留下空间。Instagram 是他的参照，搜索可以展示赞助式追问：“如果整个问题本身就是一则广告呢？”
Perplexity Pro 提供无限交互式 Copilot 使用次数，即使不在 Copilot 中也默认使用 GPT-4 或 Claude 2，并支持无限文件上传。公司刻意避免用户问完一个免费问题后就被强制转化，因为它更看重留存，希望用户主动注册，从而更容易控制流失率和收入。
经济模型仍然高度消耗算力。Perplexity 已完成2500万美元 A 轮融资，拥有约25–30名员工，在算力上的支出与人员支出相当甚至更高。Masad 所说的悖论是：“如果你真的想节省基础设施成本，实际上就必须先在基础设施上花钱”，然后随着时间推移提高利用率并使其商品化。
7. 速度复利学习，AI 扩大专业知识的可及性
Masad 称生成式 AI 创业公司“基本上就是一个战区”：在位者必须快速发布产品来保护分发，创业公司一旦放慢脚步就会失去势能。Google 的约束在于，用生成式体验替代熟悉的搜索界面既困难又有风险。
其运营准则是最大化单位时间内的学习量。借用 Nat Friedman 的框架，发布更快意味着更快犯错，但也意味着在竞争对手重复同样的错误之前，学到“多10倍的东西”；Perplexity 聚焦搜索加 LLM 的狭窄定位，正是维持这一速度在战略上不跑偏的切入口。
对人类是否会依赖 AI，Masad 预计，AI 会处理大量智力问题，因为人们可以无限追问而不必感到尴尬。与 Ilya Sutskever 这样的专家共处1小时十分稀缺；假设存在 GPT-4 或 GPT-5 水平的专家，人们可以“烦它”数小时，让它加入家庭共同学习，或在群聊中以“算一算”的即时性解决事实争议。