AI 没有网络效应，只有「复利效应」：Perplexity CEO 的反共识打法

关联

人物 Arvind Srinivas

公司 Perplexity · NVIDIA · Apple · Hugging Face

概念 Perplexity Computer · Apple Silicon · 智能体 · 多智能体 · 沙箱 · 推理 · 长上下文 · 数据中心 · 递归效应 · 开放权重模型 · 编排 · 长时程研究

Arvind Srinivas 是 AI 搜索公司 Perplexity 的联合创始人和 CEO。在这期访谈里，他聊得最起劲的不是模型，而是几件更根本的事：

品牌该建在什么上、为什么他要押注你笔记本电脑里的算力、以及 AI 产品到底靠什么留住用户。

他的答案和硅谷主流叙事不太一样。

品牌不该建在技术上，该建在人性上

Perplexity 的品牌内核是庆祝好奇心。Srinivas 的理由是：当 AI 能回答一切问题时，人类剩下的价值就是提出下一个问题。

他说，人本来就被设计成会提问的物种，只是从小到大都被奖励给出答案，直到 AI 出现 。

他举了两个例子：Steve Jobs 给 Apple 建的品牌是做出美的东西来回馈人类；

NVIDIA 的使命从来不是 AI，而是做只有超级计算机才能做的事——今天是 AI，明天可以是量子计算。

所以好品牌的共同点是跟具体技术无关，只跟人类进步有关 。

连办公室都是这个理念的延伸：

每个会议室都以一位学者命名，灵感来自他在 DeepMind 实习时看到的做法——DeepMind 创始人把会议室命名为科学家，哲学家的会议室甚至不放电视，就是逼大家当面用白板讨论。

他最喜欢的名字是 Ramanujan，那位靠直觉写出惊世公式的印度数学家，跟他同乡。

【背景】DeepMind 创始人指 Demis Hassabis。

未来的经济增量，可能来自小公司

Srinivas 的一个核心判断是：光服务美国市场就足以建起万亿美金的公司——Berkshire Hathaway 和 JP Morgan 就是证明。

美国是一个复利型国家：用户一旦喜欢一个产品就会持续花钱，客户终身价值高，而且人人都想创办前所未有的新生意 。

而 Perplexity 想做的，是让这些新公司把尽可能多的工作交给 AI 智能体。

他的理由很实际：新公司最难的不是想不想用人，而是不知道该招谁。

他自己创业初期完全不会招聘，只能让前 10 到 20 个人先来试用一周——合适的两天就能看出来，不合适的七天后还是拿不准 。

所以未来的公司会更小、更省钱、用人更少，但赚钱不少。

他提到一个真实案例：一个单人公司，每年在 Perplexity 的产品上花超过 100 万美元——因为靠自动化帮别人做新闻通讯，一年能赚 300 万美元 。

用户永远是对的，哪怕 AI 时代也一样

他的创业偶像是 Larry Page，而不是人人都提的 Elon 和 Jobs。Page 对他影响最大的一条产品哲学是用户永远是对的。

工程师的本能是教用户正确操作，但真正好的产品应该在用户做错时也把他引到对的方向 。

这条原则在 AI 时代尤其重要：模型能力在飞速进步，但你不能指望普通用户的理解同步进步。

用户不该被迫搞清楚哪个模型擅长什么任务——那应该是产品自己解决的。

他用了一个类比：早期的计算机也是给极客用的，Jobs 的目标是让凡人也能用上电脑，iPhone 就是一台奶奶也能用的计算机。

今天的 AI 产品，很多还得靠专职人员帮客户做上手培训，这在他看来就是产品没做好 。

AI 产品拼的不是用户数，是复利深度

这是他全场最尖锐的一个观点：很多人用社交产品的逻辑看 AI，认为没有 10 亿用户就是失败。他说这个思路完全错了。

AI 产品靠的是复利效应，不是网络效应。

你需要几百万量级的真实用户，但更重要的是使用深度：用户用你的产品能赚到钱，因此离不开你，你也因此赚到钱 。

上面那个花百万美元的单人公司就是活例子。

这也是为什么 Perplexity 的营收同比增长了 5 倍——智能体要做人在电脑上做的工作，就离不开搜索、浏览器和多模型调度，而这些正是 Perplexity 从 2022 年做问答引擎开始一路积累的 。

由此他还有一个大胆说法：Perplexity 没有竞争对手，只有贡献者。每出一个新的前沿模型，他就多一项能提供给用户的能力；

模型公司之间的竞争还会压低价格，降低他的服务成本，让用户用得更多 。

数据中心不够用？每台笔记本电脑都是电厂

AI 推理今天基本都跑在云端数据中心，但 Srinivas 算了另一笔账。

简单的聊天任务在数据中心跑比本地硬件便宜 30 倍，可一旦涉及超长上下文——比如 10 万 token 的个人资料——数据中心的优势就缩到 3 倍甚至持平 。

而数据中心扩建正被许可、电网接入、燃气轮机短缺卡着脖子。

与此同时，已经有几亿台设备能跑模型：50 瓦一块的 Apple Silicon 芯片乘以 1 亿台，粗算就是吉瓦级的电力 。

他的比喻是：数据中心像公交车，拼车当然便宜，但那没阻止人人想买自己的车——两者会并存。

这就是 Perplexity 的两条路线：与 NVIDIA 合作的 portable computer 完全在本地运行，必要时向云端升级；

与 Apple 的合作则反过来，从云端出发，遇到敏感本地文件时下沉到 Apple Silicon 上跑。金融、法律、医疗行业对这种模式兴趣很大 。

他明确说，Perplexity 没有自建数据中心的计划——「我不想去处理那些问题」。

AI 安全：让代理自己当保安

谈到近期 Hugging Face 的安全事件，他认为真正的风险在多代理场景：

一个主代理带子代理已经很普遍、风险可控，但多个父代理各自带着子代理协作，每个都挂着重算力，这是新问题 。

目前模型大多在单代理环境下测试，这些威胁根本发现不了，所以新模型的上线节奏会变慢。

他的对策是用 AI 防 AI：

Perplexity 正在开源两个工具——跑在本地的 Bumblebee 和跑在服务器上的 Numbat，持续审计所有操作日志，训练威胁检测分类器，一旦发现敏感数据被触碰就报警，再用专门的代理去做事后处置 。

下一站：让每个人都成为科学家

他最想解决的技术瓶颈是长周期研究。

现在的模型在数学、代码这类能验证对错的领域进步很快，但人们最好奇的很多问题没有标准答案可查，需要真正去现实世界里做实验、验证假设、修正假设——模型还应付不了这种慢反馈循环 。

他和同事的头脑风暴是：想象今天突然给你团队塞了 10 个能力很强、24 小时不停干的研究实习生，你会怎么用他们？

他想把产品做到这个程度——而且不是只有博士才会用，是让任何人都觉得自己像个博士。

本集带走

• AI 产品拼的是复利效应而非网络效应：用户深度和使用价值，比用户数量重要得多。
• 未来的高价值公司会更小更精，靠 AI 智能体替代难以招聘的早期员工，美国小企业可能撑起下一轮经济增长。
• 长上下文场景下本地硬件的成本劣势大幅缩小，几亿台设备的闲置算力是被低估的资源；Perplexity 定位为本地与云端之间的中立调度层。
• 真正的瓶颈不是写代码，而是想清楚该解决什么问题——AI 最该帮人做的是研究和问题定义，而不是吐代码。
• 多代理协作是下一个安全风险高发区，需要沙箱、审计日志和检测分类器三管齐下。

我们的 做法 基本上成为了市面上所有其他聊天机器人的蓝图。
We did it in a way that essentially became the blueprint for every other chatbot out there.
—— Arvind Srinivas · [00:13]

我们实际上天生就是被设计来提问的，但我们成长的环境却奖励答案，直到 AI 出现。
We actually were designed to ask questions, but we grow up in settings where we are rewarded for answers until AI came to exist.
—— Arvind Srinivas · [02:55]

而现在，当个万事通不再那么酷了，因为 AI 可以回答一切。
And now it’s like, it’s not necessarily cool to be a know-it-all anymore because an AI can answer everything.
—— Arvind Srinivas · [03:07]

而且我们认为，最优秀的公司总是有一个根本性的品牌，与技术无关，更多是与人性和人有关。
And we think that the best companies always have a fundamental brand that has nothing to do with the technology, more to do with humanity and people.
—— Arvind Srinivas · [03:45]

它从来都不是关于 AI 的。
It was never about AI.
—— Arvind Srinivas · [04:11]

我认为围绕那些与技术无关、但根本上与加速人类进步和人类品质相关的事物来打造品牌，是非常重要的。
I think it’s very important that you build a brand around like things that has nothing to do with technology, but fundamentally accelerating something related to human progress and human qualities.
—— Arvind Srinivas · [04:31]

每一项伟大的发明都是关于提出一个问题。
Every great invention is about asking one question.
—— Arvind Srinivas · [06:26]

很多未来的公司会小得多，而且能赚很多钱。
A lot of future companies will be way smaller and will be able to make a lot of money.
—— Arvind Srinivas · [12:36]

但我认为产品应该达到足够直观、高质量、易于上手的程度，而 AI 也应该被做得足够直观，以至于如果你没能让 AI 为你做某件事，不应该被视为是你的技能问题。
But I think products should get to a point where they’re so intuitive and high quality and easy to onboard and AI should be made so intuitive that it shouldn’t be seen as a skill issue if you’re not able to get the AI to do something for you.
—— Arvind Srinivas · [20:26]

所以我们在「智能体」这个词被叫开之前就在做智能体了。
So we’ve been doing agents before it was called an agent.
—— Arvind Srinivas · [23:38]

不，你不需要有十亿用户。
No, you don’t need to have a billion users.
—— Arvind Srinivas · [27:42]

所以这就是为什么我们愿意认为，我们其实没有竞争对手。
And that’s why we like to think we don’t actually, we don’t have competitors.
—— Arvind Srinivas · [28:27]

当每个人都想要个人智能体，或者每个企业都想要自己的、全天候 24-7 持续在线并运行大量自动化的个人智能体时，上下文窗口比内存中的模型权重更重要。
When everybody wants personal agents or every business wants its own personal agents that’s always on and working 24-7 and running a lot of automations, the context window matters even more than the model weights in the memory.
—— Arvind Srinivas · [30:26]

我们其实不认为瓶颈在于产出更多代码。
We actually don’t think the bottleneck is in producing more code.
—— Arvind Srinivas · [42:38]

它注定要产生递归效应，而不是网络效应。
It’s meant to have recursive effects, not network effects.
—— Arvind Srinivas · [54:03]