Perplexity CEO：中小企业或将推动下一轮经济繁荣
摘要
Srinivas 的核心经济押注，是 AI 原生中小企业可能成为美国 GDP 增长的更大来源。 相较于在位企业，这些公司可以实现更高的资本效率、更高的人效和更强的生产力；智能体则可能帮助它们应对早期招聘的困难。他的原则很简单：「想的不是如何值1万亿美元，而是如何有用。」（“You don’t think about how to be worth a trillion. You think about how to be useful.”）
Perplexity 认为，AI 的经济学依赖递归式使用，而非社交媒体式网络效应。 Perplexity 的收入同比增至5倍，据称有一家1人公司每年在 Perplexity 上花费超过100万美元，同时通过为客户自动化制作 newsletter 赚取300万美元。Srinivas 的观点是，「使用深度和用户质量的重要性，远高于用户数量」。（“The depth of usage and the quality of users matters a lot more than the quantity.”）
所谓护城河，是覆盖搜索、浏览器、模型、文件、工具、芯片和云端沙箱的中立编排。 每一种智能体式操作都需要联网和上下文；更强的前沿模型带来能力增量，而模型之间的竞争则压低服务成本。Srinivas 的表述刻意带有挑衅性：「我们没有竞争对手，只有贡献者。」（“We don’t have competitors. We have contributors.”）
Perplexity 押注，长上下文智能体将使本地算力与云端并列具备经济和战略重要性。 Chat 在本地运行的成本可能高出30X，但当上下文达到约100K时，数据中心的优势可能收窄至3X，甚至接近1X；与此同时，1亿台功耗50瓦的 Apple silicon 设备意味着GW级潜在电力，不过这只是 Srinivas 自己所谓的「信封背面算术」。他说：「数据中心像一辆公交车」，本地硬件则是用户自己的汽车。
大规模普及的关键，是把模型和提示词的复杂性从用户面前隐藏起来。 受 Larry Page「用户永远没错」理念启发，Srinivas 认为失败应被视为产品问题，而不是证明客户不会写提示词、没有技能文件或不懂子智能体。他的检验标准是：「想想如果 iPhone 要靠一名 FDE 才能让所有人完成上手，会怎样。」
隐私与主权让混合部署成为信任功能，而不只是成本优化。 Perplexity 正在推进全本地、云端向本地下沉和主权级本地部署，也在探索完全断网的版本。公司接受较弱的反馈闭环和偶尔「拼凑感很重」的体验，换取用户控制权。在多智能体安全方面，Bumblebee 和 Numbat 用于审计操作轨迹、识别敏感访问并发出提醒；威胁被发现后，还可以由独立的修复智能体采取行动。
Srinivas 认为，写代码几乎已经解决，稀缺的仍是问题选择。 一旦约束、规格、安全风险和市场进入逻辑明确，写代码「几乎已经是一个解决的问题」；更难的前沿是持续性研究，因为真相无法即时验证。他设想的终局，是让智能体在现实世界中检验假设，从而「任何人都能感觉自己像个 PhD」。
精读
1. 好奇心是 Perplexity 的品牌，也是其对人类优势的理论
Srinivas 将 Perplexity 的品牌定义为对好奇心的颂扬，并称其是 AI 越来越擅长提供答案之后，「我们人类唯一值得自豪的品质」。人类的角色也会从因知道答案而获得回报，转向继续提出下一个有时甚至令人尴尬的基础问题。
借用 David Deutsch 的框架，他说人类独有的能力，是从新的视角重新审视已经熟悉的事物。最好的企业使命同样应该超越一个技术周期：Apple 颂扬漂亮的产品，而 NVIDIA 的使命今天可以涵盖 AI，明天也可以延伸至量子计算或另一条前沿路线。
以科学家命名的会议室强化了一个观念：问题先于发明。Srinivas 举的例子是结型晶体管：当整个行业都建立在发热的真空管之上时，3个人提出了一个问题——是否可能存在本质上更好的东西。
Ramanujan 是他最喜欢的人物，因为他代表着「人类直觉的精神」——即使更多上下文和算力促使人们把一切都合理化，这种能力仍然有用。
2. AI 原生中小企业可能成为美国经济的下一台增长引擎
Srinivas 称美国是一个「递归式国家」：满意的客户会持续消费，客户终身价值很高，创业雄心也会不断复利。他以价值达到1万亿美元的 Berkshire Hathaway 和接近9400亿美元的 JPMorgan 为例，说明巨额价值可以主要由美国客户支撑。
在他的美国梦叙事中，局外人不仅被允许改进系统，也能获得资金去改进系统。他认为，这种精神可能尤其与硅谷相关，因为其他创业者的野心具有「传染性」，会让移民最初追求的工作或稳定生活，扩展成更大的梦想。
早期招聘的困难解释了智能体为何重要。Srinivas 为 Perplexity 最初的10–20名员工安排工作试做，因为他确实不知道该如何招聘；合适的人通常在2天内就能看出来，而对于最终不合适的人，到了7天仍然无法确定。「这是一个生存机制」，而不是招聘天才的表现。
他预计未来的公司规模会更小，却能赚到很多钱，并借助智能体提高资本效率和人效。成长型投资者认为 Fortune 100 客户带来的收入更持久，因此企业往往会围绕这些大客户优化；Perplexity 则希望为中小企业和中型市场公司提供工具，让它们以更少的官僚流程更快创造价值。
3. 优秀的 AI 产品必须让用户的错误消失
Larry Page 的「用户永远没错」理念对 Srinivas 影响最大。当工程师向一个失败产品的用户解释正确用法时，他们实际上是在改造用户，而不是重新设计产品，让用户根本不会遇到这个问题。
用户不应该需要懂提示词、技能文件或子智能体，也不应该需要判断 Astra、Fable、Opus 还是 Sol 更适合某项任务。运行框架应主动揣摩意图、分派工作，并保留熟悉的提示框界面——即便任务是用户在手机上口述的。
Steve Jobs 希望计算机能被「普通人」使用，这就是先例。Srinivas 承认 Perplexity「还没做到这一步」，但认为由 FDE 主导的广泛上手服务，很多时候是在替糟糕的设计兜底：AI 失败应是产品问题，而不是「技能问题」。
4. Perplexity 的经济学依赖递归深度，而非网络广度
产品从2022年的问答引擎，发展到2023年末的多步搜索、2024年的深度研究，以及去年的浏览器智能体。智能体自然延伸了这套产品栈，因为真实的计算机工作需要互联网访问、浏览、综合处理、文件和个人上下文。
前沿实验室提供了更强的编码模型；Perplexity 则将它们与搜索和浏览器工具结合，并叠加代码执行、云端沙箱、上下文压缩和多模型路由。这推动收入同比增至5倍，也通过自助式上手带动企业端增速快于专业用户端。
最直接的变现案例，是一名个体创业者每年在 Perplexity 上花费超过100万美元，同时通过自动化制作 newsletter 赚取300万美元。阅读这些 newsletter 的人又会为自己的企业获得客户，形成 Srinivas 所说的递归链条，而非网络效应。
节目开场提到，据报道 NVIDIA 曾考虑按超过300亿美元的估值投资 Perplexity。Srinivas 则把战略依据放在别处：搜索的价值会复利，因为每一次智能体式操作都需要网页访问；每个新模型都会贡献新的能力，而价格竞争会降低服务成本。
5. 混合算力把现有设备变成智能体基础设施
对于上下文窗口较小的重复性工作负载，云端推理凭借批处理和缓存提高吞吐，因此更具优势。随着上下文扩大，尤其达到约100K时，上下文窗口的重要性可能超过内存中的模型权重。Srinivas 说，Chat 在本地运行的成本可能是云端的30X，而数据中心在长上下文任务上的优势可能收窄至3X，甚至接近1X。
与数据中心建设缓慢相对应的是分布式硬件：家庭和办公室里已经有数百万台、潜在达到数亿台的设备，只要接入电网就能提供算力。50瓦乘以1亿台 Apple silicon 设备，意味着GW级电力；不过他明确称这只是「信封背面算术」，并指出这些设备未必始终接通电源供 AI 使用。
他的类比是公交车与汽车。共享云端推理对许多任务仍然更便宜，但对于持续运行的个人智能体、私人上下文、定制化需求，以及运行框架比底层模型更重要的工作负载，用户可能更偏好自己拥有的本地硬件。
Portable Computer 完全在本地运行，运行框架、模型和子智能体都位于设备上，同时可以升级调用前沿能力。Apple 的实现最初运行在 Perplexity 云端，但可以将敏感文件下沉到 Apple silicon 设备。Srinivas 表示，Perplexity 将与 NVIDIA、Apple、Intel 及其他公司合作。
Molly 直接问 Perplexity 是否会建设自己的数据中心，Srinivas 给出了明确答案：「我们没有这个计划。」他预计 Perplexity 会增加对云端的需求，但更愿意编排现有容量，而不是处理许可、并网排队、变电站、电力设备和燃气轮机。
6. 信任需要中立、主权与智能体级防御
Molly 质疑行业轮番上演的「捞钱潮」，从编码智能体到 neocloud，再到助手产品。Srinivas 接受 neocloud 的增长证明市场确实存在对 token 和智能体的需求，但认为当所有人都追逐同一个市场时，差异化很少。
他的反共识判断是，即使最优秀的工程师，主要卡住的也不是敲代码。他们需要先明确问题、约束、系统设计、安全和市场进入逻辑；一个有用的智能体应该在生成代码之前，先质疑一个拟议的克隆产品是否值得存在。
因此，多模型运行既是功能，也是「信任信号」。Srinivas 认为，企业可以建立在 Perplexity 之上，因为公司计划保持模型中立、保护隐私，并允许在本地与云端之间进行编排，而不是把用户锁定在单一供应商上。
主权基金已经在关注完全运行于自有硬件上的部署，在这种模式下，连 Perplexity 也看不到任何东西。代价是失去产品反馈闭环，也无法看到 bug；收益则是获得自包含的运行框架、运行时、智能体循环，以及可能经过微调的开放权重模型。
Hugging Face 事件引出了一个区分：一个父智能体带多个子智能体，和多个彼此协作的父智能体、每个父智能体再带自己的子智能体，后者风险更高。他预计未来会出现更慢的模型发布节奏、安全沙箱、负责看守沙箱的后台智能体，以及基于审计日志训练的分类器。
Perplexity 提出的工具包括面向用户设备的 Bumblebee，以及面向服务器的 Numbat。它们旨在检查操作轨迹、标记敏感访问并提醒用户；Srinivas 另行表示，威胁被发现后还需要修复智能体。对于愿意牺牲部分前沿智能能力的用户，全本地或完全断网的运行时可以提供最大程度的控制。
7. 长周期智能体必须学会应对缓慢到来的真相
Srinivas 希望 Perplexity 超越在网上发现答案，转而构建预测模型、开展实验、实时检验假设并不断修正。如果成功，「任何人都能变成科学家」。
约束在于能力：模型还不够持续、不够并行，也不够自主。数学和代码可以快速迭代逼近正确答案，因为正确性能够被验证；但人们好奇的许多问题，需要在现实世界中部署并等待缓慢反馈，真相无法轻易验证。
他的起点是一个思想实验：给一个团队配备10名优秀的研究实习生，让他们24/7工作。最终目标是让这种杠杆足够直观，不再只属于 PhD：产品应该让「任何人都觉得自己像个 PhD」。