Perplexity CEO深度訪談：遞歸飛輪、端雲混合編排與中小企業爆發潮
目錄
觀點原文
品牌哲學與企業文化：捍衛“提問”與人類好奇心
- 品牌底層定位：頌揚好奇心（Celebrate Curiosity）：
- 隨着前沿模型（Frontier Models）在答題能力上趨近萬能，人類不再因“博學/無所不知（Know-it-all）”而具備不可替代性。
- 引用英國物理學家戴維·多伊奇（David Deutsch）的理論：人類是唯一能夠“對已知、熟悉的事物重新審視並保持好奇”的物種。AI的終極使命是充當人類好奇心的加速器，人類的本質價值轉變爲提出下一組真正有價值的好問題。
- 偉大企業的品牌核心從不寄生於具體技術，而是錨定於人性特質（如蘋果關乎打造美好之物，英偉達關乎突破超級計算極限）。
- 以科學巨匠命名的辦公空間：
- 辦公空間摒棄科技企業常見的電影或極客代號，所有會議室全部以歷史著名科學家與哲學家命名（受 DeepMind 創始人 Demis Hassabis 啓發）。
- 專設以哲學家命名的討論室，嚴禁安裝遠程視頻屏幕，強制團隊使用傳統白板進行面對面推演；其個人最崇拜數學家拉馬努金（Ramanujan），代表人類不可替代的直覺與頓悟精神。
商業模式與宏觀預判：“遞歸效應”碾壓“網絡效應”
- 最尖銳洞見：AI的本質是“遞歸效應（Recursive Effect）”，而非“網絡效應”：
- 行業最大誤區是用上一代消費級互聯網（社交媒體、短視頻平臺）的“10億用戶規模（Billion Users）”網絡效應指標來衡量AI企業生死。
- AI產品的商業壁壘取決於使用深度（Depth of Usage）與價值遞歸：
- 產品無需盲目堆砌上億泛流量，而是通過端到端的 Agent 工作流爲專業用戶和中小微企業（SMB）創造實質性商業收益。
- 典型例證：平臺上一位僅有1人的獨立創業者（Solopreneur），通過在 Perplexity 部署全自動新聞通訊（Newsletter）工作流服務客戶，年收入達 300萬美元，該單一用戶在平臺年消費算力超 100萬美元。
- 美國經濟新支柱：AI原生型SMB的爆發潮：
- 資本市場傳統偏好向財富500強（Fortune 500）企業直銷軟件，以換取報表賬期的防禦性；但未來美國GDP增長與生產力爆發將主要由資本效率極高、極度精簡人員、極低官僚化的AI原生中小微企業驅動。
- 依託高度自動化的 AI 智能體體系，單人或極小團隊即可實現過去大型機構的產出，而無需組建龐大僱員體系。
核心定位：中立的多模型與多芯片編排器（Model & Chip Orchestrator）
- 我們沒有競爭對手，只有貢獻者（Contributors）：
- Perplexity 不將自己定義爲單純的底層基礎大模型（LLM）訓練廠商，而是定位於中立的智能調度中樞。
- 前沿模型（OpenAI、Anthropic、開源社區等）之間的能力競爭與降價戰，都會直接降低 Perplexity 的服務成本（Serving Costs），並轉化爲平臺交付給終端用戶的全新特性，形成正向反饋。
- 搜索、瀏覽器與雲端沙盒是 Agent 的絕對基石：
- 任何具備實際生產力的自主 Agent，一旦切斷網絡與真實信息流便徹底喪失行動能力。
- Perplexity 從早期應答引擎擴展至多步驟搜索、深度研報（Deep Research）及雲端瀏覽器自動化，底層集成了聯網搜索、代碼沙箱執行、文件與連接器跨模態壓縮，構築起端到端交付複雜任務的核心壁壘。
- 組織極度反內卷：告別“純代碼生成”執念：
- 行業湧現的衆多 AI 編碼助手和新算力雲（NeoClouds）已陷入嚴重同質化競爭。
- 優秀工程師的核心瓶頸從來不是寫代碼的速度，而是問題拆解與系統邊界定義（Problem Solving & Scope Analysis）。
- 理想的 AI 不應盲目輸出低質複製產品，而應主動質疑需求本身、梳理合規/安全/商業閉環約束條件，並將精力聚焦於深度研究與戰略推演。
技術演進：突破數據中心瓶頸與端雲混合（Hybrid / Local Compute）
- 數據中心基建的物理天花板：
- 超大規模集中式數據中心的擴張正遭遇現實嚴峻阻礙：電網互聯排隊週期過長、審批流程停滯、鉅額千兆瓦（GW）級電力缺口、高帶寬內存（HBM）與燃氣輪機短缺。
- 激活邊緣端沉睡算力（Local Silicon）：
- 批處理 vs 長上下文瓶頸：短提示詞與小上下文適合數據中心批處理推理（比本地便宜約30倍）；但在 Agent 執行 100k+ 超長上下文與全天候持續自動化時，數據中心成本優勢大幅縮減至 1x~3x。
- 全球數以億計的個人設備（如 Apple Silicon）均已具備運行數十億至數百億參數模型的能力；以單機 50W 功耗測算，數億臺設備即構成一個現成的分佈式千兆瓦級算力網絡。
- 兩項重大戰略合作落地模式：
- 與英偉達（NVIDIA）合作（由下至上）：推出“便攜電腦（Portable Computer）”，支持完整本地化離線運行、沙盒審計，在遇到複雜難題時可由本地選擇性升級（Escalate）至雲端前沿模型。
- 與蘋果（Apple）合作（由上至下）：依託雲端強大的 Perplexity Computer 作爲中樞，一旦用戶涉及本地高度敏感文檔、金融交易數據或醫療憑據，智能下沉（Orchestrate Down）至本地芯片隔離運行。
AI主權、隱私安全與多智能體（Multi-Agent）防禦體系
- 主權級部署與數據隔離（Sovereignty）：
- 面對中東主權財富基金、跨國政府及法務/金融機密機構，提供純內網自包含（Air-gapped / On-prem）部署架構，企業與國家完全掌控硬件、模型權重與會話日誌，規避商業公司訓練抓取與泄密風險。
- 多智能體安全隱患與開源防護工具發佈：
- 單一 Agent 測試往往掩蓋了協同隱患；多父級智能體在複雜協作時容易產生越權操作或合規失控（如近期行業暴露的數據造假與安全漏洞）。
- 推出開源防禦套件：
- Bumblebee：部署於終端設備，專職監控本地操作日誌與異常動作。
- Numbat：部署於服務器端，依託威脅檢測分類器實時攔截危險系統越權與敏感數據外泄。
產品與管理哲學：“用戶永遠不會犯錯”
- 用戶體驗消除“提問技術門檻”：
- 師從拉里·佩奇（Larry Page）與史蒂夫·喬布斯（Steve Jobs）的產品理念：當用戶遇到使用卡點時，產品團隊的本能絕不能是教訓用戶“缺乏 Prompt 技巧”，而應通過系統層級預判用戶真實意圖並自動匹配最優模型。
- 優秀的AI工具必須像烤麪包機或 iPhone 一樣開箱即用，無需配置專職全職員工（FTE）去對用戶進行繁複的技術培訓。
- 初創團隊極端招聘法則：一週實操試用期：
- 早期前10~20位員工全部強制進行爲期一週的實操試用（Trial）：通常在入職協作的前2天內即可明確是否具備與公司文化高度契合的“創始人級工程敏銳度”，7天內若仍猶豫則堅決淘汰。
落地執行驗證清單（用於企業AI應用與業務流程重構）
- 工作流高價值節點識別：排查團隊當前耗時最長的複雜研究、行業盡調與競品分析鏈路，測試藉助 Perplexity 等中立搜索 Agent 替代傳統單頁面檢索，建立自動化長文分析工作流。
- 端雲混合數據敏感度分類：根據法律、財務及個人隱私安全等級，梳理數據資產：將常規檢索交由雲端前沿模型處理，核心代碼資產與商業交易底層數據限制在本地離線或私有化沙盒中計算。
- “遞歸價值”而非“流量虛榮”覆盤：審視自身產品或服務模式，停止單向追求低價值流量曝光，評估是否能夠幫助關鍵客羣實現直接變現或大幅壓縮剛性成本，以建立強復購飛輪。
- 多模型編排替代單一大模型綁定：在自建或接入 Agent 框架時，避免與單一模型生態深度鎖死，保留動態根據任務類型調度不同模型與本地算力的中立接口架構。
ABAB AI 解讀
AI深度解讀｜Perplexity的真正賭注：當公司只剩一個人，利潤會流向誰？
- “遞歸效應”描述了客戶擴張，卻還沒有證明平臺擁有護城河。
客戶用AI賺錢，再拿更多收入購買AI服務，確實比依靠新鮮感維持活躍更有商業價值。但必須區分兩件事：客戶越來越依賴這類工具，與客戶無法離開某一家供應商。
網絡效應意味着新增用戶能夠提高其他用戶的使用價值；訪談所說的“遞歸效應”，更接近客戶業務增長帶動工具消費增長。它可以形成收入擴張，卻不會自動阻止競爭者用更低價格接走客戶。
真正需要觀察的是：客戶積累的工作流程、業務記憶、權限配置和結果反饋，是否讓平臺越來越瞭解其業務；更換平臺是否需要重新驗證整個生產過程。
因此，判斷這類企業不能只看用戶數，也不能只看算力消費額。應追蹤老客戶留存、扣除降價影響後的使用增長，以及服務這些客戶所產生的毛利潤。使用越來越深，只有轉化爲可持續的利潤和遷移成本，才構成商業壁壘。
- “一人公司年入300萬美元”，揭示的首先是成本結構變化。
節目發佈方記錄了Srinivas的說法：一位獨立創業者通過自動化新聞通訊業務，每年獲得約300萬美元收入，同時在Perplexity上花費超過100萬美元。這個案例來自管理層講述，不能視爲經過審計的經營樣本，更不能把收入理解爲淨利潤。Sourcery
按照這組數字計算，僅平臺支出就超過收入的三分之一，剩餘部分還要覆蓋獲客、數據、審覈、退款和經營者勞動。所謂“一人公司”，實際上把員工完成的部分生產活動交給了外部計算平臺。
這一變化降低了招聘和管理的固定成本，卻增加了對供應商價格與服務穩定性的依賴。假設收入維持300萬美元，平臺支出從100萬升至150萬美元，其他條件不變，經營剩餘便減少50萬美元。
創業者需要管理的因此不只是“人效”，還有每份交付的計算成本、客戶續費率，以及供應商漲價後的利潤承受力。
- 小公司的組織優勢，可能伴隨着整個產業基礎設施的進一步集中。
AI允許小團隊減少內部溝通層級，但計算、模型、支付、身份認證和客戶入口，仍可能集中在少數大型平臺手中。企業數量增加，與經濟權力分散，並不是同一個結果。
可以把一家AI原生小公司理解爲：前端由創業者掌握客戶，後端向平臺採購生產能力。它能否保留利潤，取決於客戶購買的是可替代的自動化產出，還是獨特的行業判斷、渠道和信任。
亞馬遜在2006年股東信中已經把AWS定位爲面向軟件開發者的新業務，同時強調新投資必須滿足資本回報要求。其商業啓示是：幫助別人降低創業門檻，本身可以成爲規模巨大的基礎設施生意。
Perplexity希望佔據類似位置，但它還必須向底層模型和計算供應商採購。對創業者而言，關鍵問題是：自己積累了客戶資產，還是隻是在某個平臺上暫時獲得了一份高收入工作？
- AI提高生產率，不代表使用AI的企業能夠保留全部收益。
如果一家機構用AI把研究報告成本從1000元降到200元，早期可能擴大利潤。但當競爭者獲得同樣工具，報價就可能持續下降，成本節約最終流向客戶。
因此，生產效率、企業利潤與社會福利必須分開觀察。報告更便宜、服務更普及，社會仍然獲益；只是這種收益未必體現爲供應商更高的估值。
NBER在2023年發佈的一項研究，利用5179名客服人員的數據，發現生成式AI輔助使每小時解決問題的數量平均提高約14%，其中新手與低技能員工受益更明顯。這證明特定工作可以被改進，並不能直接推導出企業利潤同步增長14%。
對中小企業而言，值得進入的是“效率提高後仍然擁有差異化”的業務：獨家數據、明確責任、穩定渠道、複雜客戶關係。純粹依賴生產速度的優勢，往往最容易被競爭消化。
- “模型都是貢獻者”，是一種有利益立場的戰略敘事。
站在編排平臺的位置，上游模型越來越多、能力越來越接近，當然是好事。供應商之間的競爭能夠降低採購成本，也降低平臺對某一家模型的依賴。
但上游廠商同樣希望掌握客戶，可以直接提供搜索、文件處理、智能體和企業連接器。它們既是供應商，也是潛在的渠道競爭者。“貢獻者”這個稱呼不會改變雙方爭奪利潤的現實。
中立編排的價值，在於替客戶承擔選擇、測試、切換和失敗處理的複雜性。如果它只是把請求轉發給不同模型，差價空間容易被壓縮；如果它能夠穩定完成跨系統任務，客戶纔有理由爲整套交付能力付費。
因此，應檢驗平臺在更換底層模型後，結果質量和成本是否依然穩定。中立性只有落實爲可替換供應商、可驗證結果和持續降本的能力，才值得收費。
- 模型降價能否改善利潤，取決於完成任務消耗的總資源。
一次回答變便宜，不等於一個工作流變便宜。智能體可能因爲能力增強而搜索更多頁面、調用更多工具、啓動更多子任務，並進行更長時間的複覈。
假設每次模型調用成本下降一半，但完成一項任務的調用次數增至原來的三倍，模型總成本反而上升50%。再加上瀏覽器、存儲、第三方數據與失敗重試，成本變化可能與宣傳中的單價走勢相反。
更有用的經營指標是：每完成一個達到驗收標準的任務，需要花費多少錢。這個指標同時包含成功率、審覈勞動和重做費用。
按使用量收費可以保護平臺毛利，卻可能讓客戶預算失控；固定訂閱有利於銷售，卻可能吸引高消耗、低利潤用戶。長期可行的收費方式，必須讓平臺收入增長與客戶獲得的實際價值相匹配，而不是獎勵無效計算。
- 本地計算是一種資本配置選擇，不能只比較雲端賬單。
Perplexity官方文檔確認，其產品能夠在支持的Mac、AMD及NVIDIA硬件上運行本地模型。但設備支持並不等於與設備廠商建立戰略合作，不能僅憑Mac兼容性就認定蘋果合作已經落地。Perplexity Help Center
本地方案把部分持續性服務支出轉換成設備投入、運維和容量管理。假設新增設備投入6000美元，使用三年，每年維護及電力支出1000美元，則年均成本約3000美元，尚未計資金成本。
如果它每年只能替代1000美元雲端費用，就不划算；如果能穩定替代1萬美元，而且任務質量相當，纔可能具有吸引力。
對已有閒置設備，短期決策可以側重增量成本；對準備採購的新設備，則必須計算完整成本。訪談中的雲端與本地成本倍數，也只有在模型能力、上下文、利用率和速度要求一致時纔有比較意義。
- 分散設備可以承接部分需求，卻不能把功率簡單相加成一座超級計算中心。
一億臺設備各以50瓦運行，算術上確實對應5吉瓦功率。但這既不等於新增了5吉瓦電源，也不等於形成可統一調度的等效算力。
終端設備會休眠、斷網、被用戶佔用，硬件性能和內存容量不同；跨設備通信也有成本。其優勢更適合相互獨立、靠近本地數據的任務，無法僅憑功率總和判斷能否承擔大型集中式計算。
集中供電的約束又確實存在。勞倫斯伯克利國家實驗室的2026年報告顯示，在有數據的地區，2025年建成的發電項目，從申請併網到商業運行的中位時間超過五年。這裏統計的是發電項目，不能直接當作數據中心接電等待時間。
更合理的判斷是端雲分工：本地處理適合分散執行的工作，雲端承接高強度推理和規模化服務。受益者取決於瓶頸位置，而非“去中心化”這個標籤。
- 智能體的安全能力，決定它能夠進入多高價值的業務。
只提供建議的AI，錯誤通常停留在信息層面；能夠修改文件、發送郵件、操作業務系統的AI，會把錯誤變成真實損失。授權越大，潛在價值越高，責任也越重。
相關產品還需要準確區分：官方代碼庫將Bumblebee描述爲檢查軟件包、擴展及開發工具元數據的只讀供應鏈掃描器；Numbat則側重終端智能體活動可見性、本地檢測、可選的操作前阻斷與事後重建，不能簡單寫成一個管終端、另一個管服務器。
商業價值在於把風險控制變成客戶能夠檢查的機制：哪些文件可讀、哪些動作可執行、誰批准付款、失敗能否撤回。
本地部署也不會自動消除風險，過大的權限、惡意輸入和錯誤操作仍然存在。企業願意付費的，是可證明的控制能力，而非“數據不出門”的一句承諾。
- 代碼越便宜，問題定義與驗收標準越值錢。
軟件交付包含需求理解、系統設計、權限管理、測試和維護，寫代碼只是其中一部分。加快一個環節，無法按相同比例縮短整條流程。
假設某項目40%的時間用於編碼，其餘時間用於需求、測試和協調，即使編碼時間降爲零，總耗時也最多減少40%。這是一個假設性計算，但足以說明爲什麼代碼產量暴增之後，項目仍可能延期。
AI還會增加一種新的審覈負擔：生成的功能越多，維護者需要理解和驗證的內容越多。沒有清晰邊界，自動化可能放大返工。
更稀缺的能力是定義什麼值得做、什麼結果算合格，以及失敗時如何處理。行業專家因此可能獲得新的創業入口：把過去依賴經驗判斷的工作，轉化成明確流程和可驗證交付，而不是先生成一個功能齊全、需求模糊的軟件。
- 企業採購AI，應先覈算現金收益，再討論節省了多少小時。
員工每週節省十小時，不意味着企業已經節省十小時工資。只有這些時間減少加班、避免新增招聘、增加可收費交付，或改善客戶留存，纔可能轉化爲財務結果。
假設一個系統每年費用6萬元，部署、審覈與維護再花4萬元，企業需要至少10萬元可確認的年度收益才能覆蓋成本。如果收益只來自“感覺更高效”，投資回報仍未成立。
試點應同時記錄原有流程成本、AI後的完整成本、錯誤率和最終產出，並保留對照。對增長型業務，還要防止把本來就會增長的銷售額全部歸功於AI。
首批應用適合選擇頻率高、驗收明確、錯誤可糾正的工作。真正值得擴大的項目，是質量合格且單位交付成本持續下降的項目；無人值守時長和生成數量都不能替代這一標準。
- 估值最終依賴剩餘現金流，宏大敘事不能替代資本回報。
候選標題中的“估值超300億美元”不宜直接採用：節目發佈方在2026年10月12日的介紹中使用的是約200億美元估值，並註明約7.5億美元年化收入。這些也只是披露口徑，年化收入不等於已經實現的全年收入，更不是利潤。Sourcery
即使收入快速增長，仍需回答：扣除模型採購、計算、支持和研發後，能夠留下多少現金？收入增長是否依靠補貼？客戶獲得折扣後是否還會繼續使用？
假設兩家企業收入同爲10億美元，一家毛利率80%，另一家40%，則它們可用於覆蓋研發、銷售和管理的資源相差4億美元。收入倍數相同，經濟質量卻可能差異巨大。
Perplexity能否成爲高價值平臺，最終取決於它能否持續保留一部分客戶願意支付、上游又無法輕易奪走的收益。小企業的高效率，也必須通過客戶續費和利潤來驗證。
核心判斷：AI正在降低組織生產的門檻，卻不會自動降低獲取客戶、建立信任和承擔責任的門檻。當智能可以按需購買，長期利潤將更傾向於能夠定義需求、驗證結果並掌握客戶關係的一方。