Perplexity 创始人兼 CEO Aravind Srinivas 在 Sourcery 的访谈里说，公司收入同比增长 5 倍，企业端今年的增长甚至超过个人专业用户。他判断下一轮美国经济增长可能更多来自小而强的 AI-native 公司。

你有没有想过，一家 AI 公司的 CEO 说“我们没有竞争对手，只有贡献者”，这到底是自信的口号，还是一套精心设计的商业逻辑？Perplexity 创始人兼 CEO Aravind Srinivas 最近在 Sourcery 的访谈里，把公司的核心判断讲了一遍。他说公司收入同比增长 5 倍，企业端今年的增长甚至超过了个人专业用户，他还认为，下一轮美国经济增长，可能更多来自小而强的 AI-native（原生 AI）公司，而不只是那些巨头。

这场访谈从品牌聊到产品，从本地算力聊到安全，再聊到研究的未来，话题很散。我没有按顺序复述，而是想顺着一条线来读：Perplexity 在每一层都押了“中立”和“递归”，也就是不绑定任何一个模型、芯片或客户规模，同时让自己的收入长在客户的成功上。下面是我读出来的几个层次，以及我想补充或存疑的地方。

品牌押在好奇心上，而不是技术上

Aravind 说，Perplexity 的品牌从根上是在庆祝好奇心。他选这个的理由是，随着 AI 越来越强，好奇心会是人类唯一值得骄傲、值得继续加码的品质。他引用了牛津物理学家 David Deutsch 的观点：人类可能是唯一能对“已经熟悉的东西”再次好奇的物种，我们会回头重新审视一件早就知道的事，换个角度去想。他接着说，我们从小是被“答案”奖励的，但 AI 出现之后，当个什么都知道的人已经不再酷了，因为任何答案都可以去问 AI，人的角色，是去问下一组问题。他还说，最好的公司都有一个和技术无关、更关乎人性的底层品牌，Nvidia 的使命从来不是 AI，而是做出只有超级计算机才能做的事，所以今天可以讲 AI，明天可以讲量子计算。

这个品牌被他做成了办公室的样子：每个会议室都以学者命名，他最喜欢的一间是 Ramanujan，因为那代表人类的直觉，而我们有了越来越多的工具和算力，就越倾向于把一切理性化，却不够尊重直觉和好奇心。

我觉得这里有两点值得拆开看。第一，品牌的抽象层级决定它的寿命。品牌绑在“AI”上，范式一变就要重建；绑在“好奇心”上，技术怎么换都不冲突，这也是 Nvidia 那个例子真正想说的。第二，是一个他自己没有点破的张力：他一边说人的角色是提出问题，一边在后面谈产品愿景时，又希望 AI 在你想克隆一个产品时，直接告诉你“你这样做很蠢，你的商业模式是什么”。这等于让 AI 去质疑你的问题。我觉得两者并不矛盾，更合理的分工是：人持有意图，AI 对问题做压力测试。真正稀缺的，不是提问这个动作，而是被反驳之后，你仍然知道自己为什么要问。

小公司的世界里，招人是最大的瓶颈，agent 替代的是“招谁”这个决定

Aravind 认为，万亿美元的公司可以主要靠美国一个市场长出来，因为美国用户一旦爱上一个产品，会花很多钱，而且这个国家有源源不断想做新事情的创业者。所以 Perplexity Computer 要做的，是让这些新公司把尽可能多的有用工作交给 agent，做“最值得信任的、模型中立的 agent 平台”。

但他接着说了一件我觉得更有意思的事：这不是因为想用 AI 做所有事，而是因为新公司很难招到对的人，甚至不知道该招谁。他自己一开始就是这样，前 10 到 20 个人，他都强制要求先做一段试用，他说这“不是策略，是生存机制”，他当时根本不知道怎么招人，一个创始工程师需要的特质太具体、太特异，没法写成评分表，所以干脆一起工作一周，合适的人两天内就知道，到第七天还拿不准的，本身也是信号。

我觉得这个故事点出了小公司真正的约束：不是劳动力贵，而是“承诺”贵。招一个人，是一个难以撤回、而且你很难事先判断对错的承诺。agent 的经济学价值，很大程度上在于它是一个自带试用期的“员工”，你可以今天就用，不合适明天就停。这也是我之前整理 Vercel 的 Jeanne Grosser 那篇时想到的，当大家开始看人均产出比，而不是团队规模，agent 改变的不只是成本，而是组织决定“要不要加一个人”的方式。

他也给出了一个更大的判断：美国 GDP 的增长，未来可能更多来自规模较小的中型和小型公司，它们更 AI-native，更少官僚，资本和人头效率更高。投资人偏爱服务《财富》500 强，因为那样的收入更“耐久”，但他认为这可能不是增长真正发生的地方。读这段的时候，我会把一个事实放在心里：他说的是“有可能”，这是一个假设，而不是证据；而且他正是卖给这批小公司的人，立场天然偏向它。不过，这个逻辑本身我觉得是成立的：当创业和运营的门槛下降，公司的数量会增加，总的市场不一定来自大公司变得更大，而可能来自“更多的小公司同时变强”。

递归，而不是网络效应

访谈最后，Aravind 抛出了他的“最热观点”：很多人在用社交产品的思路看 AI 产品，觉得没有十亿用户、没有网络效应，就是失败，这是完全错误的。他说 AI 是一个“递归”（recursive）的产品，不是网络效应的产品，用户的深度和质量，比数量重要得多。当然，他也强调，你仍然需要数百万用户的规模和真正的分发，但更关键的是，用户的使用要足够深，深到用你的产品能让他们赚很多钱，而他们的赚钱，又让你赚钱。

他举了一个例子：有一位真正意义上的“一人公司”，每年在 Perplexity Computer 上花超过 100 万美元，因为他靠这个工具，为别人自动化制作 newsletter，每年赚 300 万美元，而他的客户，又靠这些内容获取自己的客户，链条是层层递归的。

我觉得递归这个词，其实在描述一种不同于网络效应的价值捕获方式：你的收入不是长在用户数量上，而是长在用户的收入上。这更像支付公司的逻辑，客户做得越大，你也越大。这对衡量指标的含义也很直接：看用户数不够，要看每个用户的使用深度，以及这种深度和客户收入之间的关系。不过，我也想补两点。第一，这个“一人公司”的故事是个案，我们不知道有多少用户能走到这一步；它还透露了一个值得留意的结构：一个人把大约三分之一的收入付给了工具，这就是 Paul Graham 那篇里讲到的“AI 账单”在创业公司里的真实形态，也意味着价值在这条链上被分配的方式，会成为一个关键问题。第二，递归是双向的，客户的生意好，你受益；客户的生意垮了，你也会被拖累。

他说没有竞争对手，这是一个关于”中立”的商业模式

Aravind 说，Perplexity 没有竞争对手，只有贡献者。他的论证是：公司是目前唯一一个，在真实的知识工作和研究场景里，为所有模型做中立编排的平台。每一个新的前沿模型，都会给它带来新的能力；模型厂商之间的竞争，让价格下降；价格下降，让更多用户用得起。他甚至说，连 Microsoft 的动力也不如 Perplexity，因为它的业务和股价与 Azure 以及 OpenAI 模型高度绑定。

我把这个逻辑和之前整理的 Nadella 那篇放在一起看，觉得特别有意思。Nadella 也在讲 harness 要和模型分离、要支持所有主流模型，两个人在方向上其实一致，区别在于可信度：Nadella 同时也在做自己的模型，所以他的中立是有条件的；Aravind 没有模型、芯片、云要保护，所以他的中立是结构性的，这确实是一种优势。但同时，我也想对“贡献者”这个说法保留一点谨慎。中立意味着你要依赖供给，而供给方也可能成为竞争者，前沿模型公司自己也在做 agent 产品。所以我对他后面押注开源权重模型和本地算力的理解是：它不只是为了隐私，也是在为自己争取一个不被任何一家模型公司卡住的谈判位置。这是我的解读，他没有明说。

本地算力不是情怀，是一条成本曲线

这是整场访谈里我觉得最硬的一段。Aravind 解释说，今天大部分 AI 推理跑在云端的数据中心，是有原因的：批量推理（batch inference）能带来高吞吐，对于上下文很短、可重复的工作负载，缓存也很有效。但当 agent 变成常驻的个人助理，上下文变得越来越长、越来越个人化，这个优势就会变小。他给了一组数字：聊天这种场景放到本地，成本大约是数据中心的 30 倍，所以适合放在云端；但当上下文长到 10 万量级，数据中心的成本优势只剩大约 3 倍，甚至接近 1 倍。

他还补了另一个现实：目前 AI 扩散的最大瓶颈，是数据中心的建设，漫长的并网排队、许可审批、民众抗议、对千兆瓦电力的需求，甚至还得自建变电站和燃气轮机。而我们手里其实已经有几亿台设备，可以运行最多约 1000 亿参数的模型，他做了一个自己也承认是“信封背面”的估算：一亿台 Apple 芯片设备，每台 50 瓦，加起来就是千兆瓦级的电力。他用了一个比方：数据中心像公交车，共享出行更便宜，但这并没有阻止人们想要自己的车，本地硬件就是你自己的车，你会两者都需要。

我觉得这里最值得记住的，是一个很清晰的因果链：个性化会侵蚀批量推理的规模优势。因为批量处理之所以便宜，是因为很多人共享同样的上下文；而你的个人上下文，只属于你，没法被分摊。所以越是个人化、常驻的 agent，越不适合完全交给云。这和 Nadella 在讲 Windows 的未来时，提到的本地和云端自动路由，是同一个架构，只是两家公司从相反的方向走过来：Nadella 从设备出发，Aravind 从编排层出发。他自己的实现也分成两个方向，和 Nvidia 合作的 portable computer 是本地为主、必要时升级到云端的前沿模型；和 Apple 的是云端为主，遇到本地的敏感文件时往下沉到本地。要注意的是，这些成本数字都是他的说法，没有第三方验证，而且他自己也说，这是粗略估算。

用户永远是对的：不会用 AI，是产品的问题

说到创业者的榜样，Aravind 没有选常被提到的 Elon 和 Steve Jobs，而是说他的创业英雄是 Larry Page，因为 Page 的一个产品哲学一直影响着他：用户永远是对的。他说工程师的本能是告诉用户“你应该这样做”，而好产品的思路是修好产品，让用户根本不用去想。AI 的能力在加速，你不能指望用户的理解也跟着加速，所以不能怪他们不会写 prompt、不会写 skills 文件、不会配 sub agent，更不能让每个人都去搞清楚某个模型擅长什么、另一个模型擅长什么，这应该由 harness 自己处理。

他还有一段话我觉得很尖锐：很多公司需要 FDE（forward deployed engineer，驻场工程师）去帮每个客户上手，这是因为产品不够好，他类比了 iPhone：如果每个人都需要一个全职员工来教怎么用，那就不是 iPhone 了。他承认 FDE 并非完全不需要，比如修 bug，但真正的方向是，AI 应该直觉到不会被看作“技能问题”，而是“产品问题”。他也很坦率地说，Perplexity 现在还没有做到。

这段话背后的逻辑，我觉得是整个 AI 应用层的一个根本事实：能力增长的速度，比用户理解增长的速度快得多，这中间的差，必须由产品来吸收，而不是由用户去学。这也和我之前整理 Alexandr Wang 那篇里的“个人 agent 架在刀刃上”互相呼应：体验要么惊艳，要么就是垃圾，没有中间地带，而让体验稳定惊艳的责任，在产品，不在用户。不过在企业场景里，接入遗留系统、满足合规本来就需要人工，所以他的判断更适合当方向，而不是一刀切的标准。

瓶颈不是写代码，是想清楚做什么

Aravind 对当下几乎所有人都在追逐的 coding agent，有一个不太一样的判断：他不认为瓶颈在于写更多代码。他说你去问最好的工程师，是不是被写代码卡住，大多数人会说不是，真正卡住他们的，是问题解决：具体要解决什么问题，规格、系统设计和约束是什么。这些想清楚之后，今天有了 AI，写代码几乎是个已经被解决的问题。他理想中的 AI，不是你让它做一个某产品的克隆，它就吐出一堆“vibe coded 的垃圾”，而是反过来告诉你，这样做很蠢，你的商业模式是什么，你为什么有权这样做，然后给出它建议你做的东西、规格、约束、安全风险和进入市场的风险，最后问你要不要它去做。他说，真正的瓶颈是思维的清晰、问题解决、深度研究、分析和界定范围，如果他的公司里有更多这样的人，市值可能能高出 10 倍。

所以他最兴奋的方向，是把研究拉长：不只是用网络上的信息去发现真相，而是让 AI 自己建预测模型、做实验、实时检验假设、修正假设，让每个人都能变成科学家，因为科学家的瓶颈，是需要在真实世界里验证想法。他承认目前模型还做不到长程、持续地独立完成端到端研究，尤其是在无法验证真相的领域。数学和代码可以验证正确性，所以模型能“爬坡”，但大部分让我们好奇的问题，没有清晰的验证方法，需要在真实世界里部署和反馈，周期很慢。他想到的一个思考实验是：如果今天有 10 个很强的研究实习生，24 小时为你工作，你会怎么用他们？

我觉得这一段里，最有价值的是“验证”这个词。我把几篇访谈放在一起看，会发现一个共同的规律：AI 的能力，总是先在“结果可验证”的地方落地。Nadella 讲的 Autopilot，第一批场景是发票这类边界清晰、结果可验证的任务；孙正义说机器人从洗碗开始，是因为出错的代价小；Aravind 说数学和代码能爬坡，是因为正确性可以被检验。所以在我看来，验证成本，决定了自动化的先后顺序。那么真正稀缺的东西，其实是两个：一是能想清楚“该做什么”的人，二是为开放问题设计验证方式的人。而“10 个研究实习生”这个比方，也点出了 agent 时代的管理问题：你得先知道派什么活，才谈得上用好这些劳动力，这和 Codex 那篇里说的 taste，是同一个意思。

自己拥有的，才真正可信：他对安全的看法

谈到网络安全，Aravind 的观点很直接：最好的解决方案，是让人能在本地运行一个版本的产品，没有比这更好的了。他对“网关”类产品持怀疑态度：安全公司会说有这么多担忧，我们来保护你，最好的方式是让所有东西都跑在我们的网关上，但你卖的是你拥有的方案，我们甚至不知道能不能完全信任你。他说，唯一能信任的，是你自己以及你拥有的东西，跑在你的设备和网络上，没有别人能访问，包括可以完全断网（air-gapped）的版本。所以当你非常担心的时候，你最好在前沿智能上做一点妥协。同时他也提到，已经有主权基金想在完全自有的硬件上部署一个版本，连 Perplexity 自己也看不到任何内容。

谈到 Hugging Face 那次事件，他说这暴露了多 agent 系统的风险，他预计新模型的发布节奏会变慢，因为大多数测试都是在单 agent 的环境里做的，很难发现多个“父 agent”互相协作时的威胁。他的应对思路是：需要安全的沙盒、持续守护沙盒的后台 agent，以及很好的检测分类器。Perplexity 也开源了两个审计项目，基于审计日志训练威胁检测分类器，出现异常时提醒你，检测之后还需要有 agent 来补救。

我觉得这段有两层值得想。第一层是他对“网关”的怀疑，其实是一个关于激励的论证：卖安全方案的人，天然希望你把一切交给他，而他的论证本身，也是在推销“本地运行”这个自己有利的方案，所以两边的激励都需要看清楚，但他“可验证的所有权”这个标准，我是认同的。第二层是一个很有意思的对照：孙正义说不要放慢，而 Aravind 预计模型发布会变慢，两个人的差别，其实是站的位置不同，一个是资本，一个是需要对客户的数据负责的产品公司。至于他讲的审计日志、分类器、补救 agent，和 Nadella 讲的 containment、可审计性、可观察性，指向的是同一件事：agent 时代的安全，最终是一个“可观察”的工程问题。

我自己的一点思考

听完这场访谈，我觉得 Aravind 在每一层的押注，其实是同一个动作：站在“选择”这一层。他不绑定模型，就是站在所有模型的选择之上；他不绑定云端或本地，就是站在算力的选择之上；他不绑定大公司，而服务小而强的公司，就是站在客户规模的选择之上。他的商业模式因此有了一个自洽的内核：越多选项互相竞争，选择层就越值钱。这也是“没有竞争对手，只有贡献者”这句话真正的含义，它不是自信，而是一种定位。

但我也想读出这场访谈的边界。第一，这场访谈的氛围是友好的，聊的是愿景和产品，很多关键数字，比如 5 倍的收入增长、本地和云端的成本比例、那位一人公司的收入，都是他自己的说法，没有第三方验证。第二，“小公司会驱动下一轮经济增长”，是一个值得认真对待的假设，但它不是结论，而他恰好是服务这个群体的人。第三，编排层的长期位置并不稳固：它依赖供给方的开放，而供给方自己也在往上走。他的对策，是用开源权重模型、本地算力和客户信任去构建壁垒，这个方向是合理的，但还需要时间来验证。

最后想说的是，这场访谈里反复出现了三个词，我觉得放在一起，几乎就是 AI 时代稀缺品的清单：问题、验证和信任。答案越来越便宜，所以提出好问题的人更值钱；执行越来越便宜，所以能设计验证方式的人更值钱；能力越来越强，所以让人敢把数据和决定交出去的信任，就更值钱。Aravind 把品牌押在好奇心上，把产品押在中立和本地所有权上，把研究的未来押在“让每个人都能做实验”上，本质上，都是在押这三样东西。至于他押得对不对，这个答案，恐怕要等到他说的那个“几年之后”才能知道。