#69 广密：Perplexity 为什么突然火爆，以及 AI 应用为何还没爆发

原文讲解：一场从 Perplexity 出发、最后落到 GPU 和组织能力的全球大模型季报

音频 00:00–00:58 是后半段观点预告，正式片头约 00:58 开始。自动转写会把 Perplexity、OpenAI、Reasoning、Multimodal 等专名识别成近音词，以下按节目标题、上下文和公开章节统一。文中的用户数、收入、估值、GPU 数量、GPT-5 参数和时间表，均先作为节目时期的嘉宾口述或判断呈现。

一、季报的起点不是“AI 很强”，而是“应用为什么这么无聊”

节目先回顾前两期全球大模型季报。广密的上半年感受很反常：GPT-4 已经出来一年多，创业者、产品经理和投资人也试了一年，但如果把 OpenAI 自己的 ChatGPT 等产品排除在外，真正让他觉得“已经跑出来”的 AI 原生应用非常少。Perplexity 是最显眼的例外，节目时期被描述为拥有两千多万月活、两千万美元以上 ARR，年底有机会走向一亿月活和一亿美元 ARR；其他很多产品还在 PMF 之前。

这里的“无聊”不是说 AI 没有价值，而是说模型能力的跃升还没有稳定地转化成一批新的、可重复的消费或企业产品。投资人已经知道 Agent、Coding、机器人这些方向，但这些方向仍然像在等待下一代模型覆盖。广密把问题从“哪个应用最有故事”改成“今天的模型究竟能稳定做好什么”。

二、Perplexity 的故事：它在 ChatGPT 之前成立，却押中了信息检索

广密把 Perplexity 的成立时间放在 2020 年 8 月，早于 ChatGPT 发布。CEO 是印度裔计算机科学博士，曾在 OpenAI 实习并工作过；CTO 做过 Bing 搜索、Quora 和 Meta AI。节目口述的团队规模约五十人，产品在过去一年快速迭代，月度环比增长据称持续超过 20%。这些背景解释了为什么很多硅谷 AI 核心圈的人愿意投它：他们预期 ChatGPT 迟早会做搜索，也相信一个真正懂搜索、懂模型、能先把产品做出来的团队具有战略价值。

投资人名单很长，包括 Google 的 Jeff Dean、Meta 的 Yann LeCun、Peter Thiel、Andrej Karpathy、Elad Gil、Nat Friedman、Databricks 联合创始人 Reynold Xin、Hugging Face CEO Clément Delangue、亚马逊创始人 Bezos 等。节目把融资概括为三轮大融资加小轮，估值从早期数亿美元级别快速上升到 30 亿美元。这里的重点不是名单本身，而是资本怎样围绕“模型能力已经可以支撑某个产品”提前下注；个人投资人还可以带来模型、算力、工程师和用户网络。

张小珺追问：Perplexity 只是更漂亮的 ChatGPT 吗？广密的回答是，信息检索恰好匹配今天的模型能力。模型在已有信息上做组合、归纳和解释已经相当有用；如果让它独立探索未知领域、完成长距离推理或真正创造新的东西，可靠性仍然不足。因此，搜索不是退而求其次，而是把模型能力放进一个有资料、有反馈、有清晰用户任务的环境。

三、“组合、探索、变换”三类创造：为什么检索先跑出来

广密把知识工作中的创造粗略分成三类。第一类是组合性创造：把已经存在的资料、观点和事实重新排列，形成一个摘要、对比或答案。第二类是探索性创造：在未知空间里提出假设、查找线索、排除方向。第三类是变换性创造：真正改变一个问题的表示方式，提出过去没有的概念或方法。

当前模型最擅长第一类，也可以在检索辅助下部分支持第二类；它对第三类的稳定性还不足。Perplexity 做的事情就是把网页检索、引用、摘要和问答连接起来，让模型在“资料可被找回”的条件下工作。它不是用模型凭空知道世界，而是给模型一个外部记忆，再把回答组织成用户可以检查的结果。

这也解释了广密为什么把教育和信息检索看成最早匹配模型能力的两个方向。教育场景需要解释、改写、举例和对话；搜索场景需要召回、排序、综合和引用。它们都允许模型犯小错后继续交互，也都有机会用外部资料和用户反馈逐步修正。

四、Perplexity 的护城河不是“拥有最强模型”，而是形成产品心智和可重复使用

节目继续问：如果 Google、OpenAI 或 Anthropic 都能接入同样的模型，Perplexity 凭什么独立？广密没有把护城河讲成某个神秘算法，而是讲了三个比较实际的层次。

第一是产品心智。用户一旦把“复杂问题先问 Perplexity”变成习惯，产品就不只是一个 API 包装。第二是留存与查询量。AI 产品的 PMF 不能只看注册用户，要看用户是否反复回来、查询是否持续增长、是否愿意付费；广密把留存和变现视为两个必须一起成立的条件。第三是搜索市场的空间。Perplexity 不必一开始取代 Google 的导航、地图和交易搜索，只要在复杂知识问答、研究和比较任务中占据一个高频入口，仍然可能形成大生意。

他也承认挑战：搜索广告是成熟且强大的商业模式，而 AI 搜索需要支付模型调用成本，答案并不天然适合插广告。Perplexity 的产品价值可能很高，但单位查询的经济模型还没有 Google 广告那么清晰。它真正的独立性，最终要由留存、订阅、企业收入或其他可持续变现证明。

当张小珺问它会不会被收购时，广密给出的是推测而不是结论：它可能成为 OpenAI、Anthropic 等公司的收购对象，也可能独立成长。这里的“可收购”本身就是一种资本选择权，但不能把它写成已经发生的交易。

五、中美搜索环境不同：Perplexity 的机会也来自内容的分裂

两人比较美国和中国的搜索生态。美国传统网页、论坛和企业站点相对集中、可索引；中国用户的高价值内容更多分布在小红书、微信公众号、知乎和各种封闭或半封闭平台里。搜索产品即使有模型，也需要解决内容授权、爬取、排序、来源可靠性和平台接口的问题。

因此中国的 AI 搜索机会可能更大，也更难。它不只是把美国的 Perplexity 翻译过来，而是要把分散的内容重新连接起来。节目提到秘塔搜索、天工等产品时，真正想说的是：在中国，AI 搜索的竞争可能首先是内容工程和产品整合，再才是模型对话。Kimi 与 Perplexity 的比较也沿着这个逻辑展开：Perplexity 更像从应用和搜索入口向下调用模型，Kimi 更像模型公司向上长应用；中国模型公司如果不做应用，可能很难让用户感知差异并建立收入。

六、AI 原生应用没有“大爆发”：能力、成本和速度必须同时过线

在节目中段，张小珺把问题重新抽象成两条线：能力上升和成本下降。广密补充了第三个产品变量：延迟。用户、开发者和企业客户真正关心的通常是模型能力、调用成本和速度三件事。

如果模型能力停留在 GPT-4o 水平，但速度提高三到五倍，成本降到今天的百分之一，仍然可能催生大量应用。因为许多产品不是缺一个更宏大的模型，而是缺足够便宜、足够快的调用预算。相反，如果模型很聪明却每次回答都要等很久、调用一次就很贵，产品就很难形成高频使用。

广密用一个“幽默版 ChatGPT”的例子说明能力边界。产品经理可以设计一个会讲段子、让人开心的界面，但幽默并不是按钮和流程能解决的。模型必须理解用户、语境、当前对话和文化暗示，还要举一反三；这需要改变模型的性格、数据和训练，而不是只在上层加一个产品壳。这里的判断很重要：产品创新可以把已有能力组织得更好，却不能无限地弥补底座能力缺口。

节目还提到 OpenAI 的桌面客户端和搜索入口。广密认为，如果桌面或手机端足够方便，快捷键唤出、直接读取上下文，信息检索可能从“打开浏览器”变成操作系统级入口。这个预测不是产品事实，而是用来说明：同样的模型能力，一旦延迟、入口和交互成本下降，用户规模可能发生跃迁。

七、成本下降不是全部：真正有价值的是“高价值 token”

广密把过去一年 GPT-4 系列的定价下降概括为约十倍：输入从早期每百万 token 数十美元降到个位数，输出从一百美元级降到十几美元级。数字是节目时期的口述，具体价格会随版本变化；他用它来说明模型调用成本确实在快速下降。

但他马上加了一个限制：不是所有 token 的价值一样。一个模型给出大量搜索结果，和一个模型在金融、法律、工程等垂直领域完成高质量基础分析，商业价值完全不同。模型的经济价值更像“不同工种的工资”：回答是否准确、能否减少人工时间、是否能获得可靠数据，会决定每个 token 能收多少钱。

这也是为什么搜索、金融投研和企业知识库会被反复提到。企业客服看似天然适合大模型，但节目引用的访谈反馈是：企业担心模型乱答，传统规则系统虽然笨，却更可控；RAG 也很难做到端到端的精准检索。如果成本下降到可以对企业数据进行大规模、多次、并行的检索和验证，很多过去不划算的 use case 才可能重新成立。

八、下一波机会：语音、多模态、端侧和更高赔率的推理

广密把未来 6 到 12 个月分成高确定性和高赔率两类。高确定性包括成本继续下降、多模态改变交互、端侧模型变强。GPT-4o 的端到端语音输入输出和低延迟，被他看作新的交互起点：打字很耗能，语音可以显著降低交互成本；如果语音 API 开放，可能出现类似短视频平台那样的新入口。

端侧的理由不只是速度，也包括隐私。一个足够强的小模型如果能在手机、眼镜或手表上运行，持续听取环境信息，用户可能更愿意把它当作全天候助理；把所有个人信息放在云端，信任成本会更高。广密预期蒸馏会让小模型迅速变强，但也指出蒸馏可能把“大模型会说话”的表面能力复制下来，却没有真正复制理解和任务能力，还可能放大幻觉。

高赔率问题则是推理能力、可解释性、模型组织能力和 AGI 之后的产品载体。多模态数据目前知识密度不高，视频剪辑会跳过中间过程，模型不一定知道两个画面之间发生了什么；要让模型从视频中学到连续因果，需要更好的数据和训练。可解释性一旦提高，模型的可控性也可能提高。至于 OpenAI 的组织能力，广密认为它像一个持续产出电影的工业体系，能够把科研、基础设施和目标管理接起来。

九、GPT-5 为什么慢：节目把原因放在物理世界，而不是一句“数据不够”

当张小珺问 GPT-5 为什么比预期慢，广密给出一个很具体的解释：算力集群建设需要时间。H100 大批量到货、集群搭建、互联稳定、大规模训练之间有物理间隔；模型从 GPT-4 到下一代需要的计算规模增加，系统复杂度也会快速上升。训练不是买到 GPU 的第二天就能开始，而是从拿到卡到稳定训练可能还要半年。

他因此把大模型公司比作西部拓荒：科学家让火车高速向西，Infra 工程师在前面铺铁路，火车和铁路必须并行推进。这个比喻解释了为什么外界只看到“模型怎么还没发”，却看不到集群、供电、互联、训练稳定性和实验基础设施的工作。

广密在节目时期预测 GPT-5 可能更大、数据更多、推理能力明显增强、多模态输入输出更强，但视频生成成本仍可能过高；他还认为 GPT-4o 可能是为了降成本、释放卡给 research 的过渡版本。所有这些都是 2024 年 6 月的预测，不应倒过来当成已经证实的技术路线。

十、模型公司的商业模式与壁垒：GPU、人才、组织和巨头关系缺一不可

两人对大模型商业模式的判断比较克制：订阅收入可以很大，但短期很难和 Google 广告平台相比。模型公司需要先支付巨额 GPU 和科研成本，投入回报既有产品收入，也有大量不确定的研究试错。广密把它比作药企研发新药：少数成功产品可能赚回训练成本，更多公司甚至还没有跑通成本回收。

Agent 可能改变广告平台，因为一个旅行 Agent 可以替用户比价、谈价和完成预订，减少用户被动浏览广告的时间。于是模型公司未来可能尝试按创造的价值收费，例如从企业新增产出中抽成，而不仅按 token 或订阅收费。但 API 切换成本低，模型之间容易发生价格战；在产品价值没有显著差异前，单纯卖模型不是好商业模式。

壁垒也不是一张 GPU 清单。广密反复提到三层：第一是算力门票，节目时期把一线模型公司今年的门槛描述为几万张 H100、明年可能走向十万张；第二是三五十个核心人才组成的团队，重新复制很难；第三是类似好莱坞的工业组织，把研究、实验、基础设施和产品持续产出连接起来。Scaling Law 是否是唯一道路仍是高赔率问题，但在当时没有被验证的新路径之前，继续扩大投入是最直观的路线。

十一、巨头没有被 AI 创业公司颠覆：创业公司活在巨头的阴影里

节目用较长篇幅点评 Apple、Google、NVIDIA、Amazon、Meta、Microsoft、Tesla。结论不是“巨头都赢”，而是 AI 创业公司与巨头之间更像依赖关系。OpenAI 受制于 NVIDIA 的 GPU、微软的 Azure 集群和企业渠道，面向消费者又绕不开 Apple 的手机分发；模型公司能直接挑战的主要是 Google 的搜索和信息入口。

Apple 的关键问题是 AI 功能能否带来换机，而不是短期发布会是否热闹；Google 有流量和搜索优势，但模型提升需要持续观察；NVIDIA 是训练基础设施的核心供应者，但股价叙事和真实需求不能混在一起；Amazon 的云和企业关系依然稳；Meta 有卡和集群，却需要补人才与模型质量；Microsoft 与 OpenAI 通过超级计算机继续加码；Tesla 则要证明自己究竟是汽车公司还是 AI 公司。

这个依赖结构改变了创业融资。投大模型公司不再只是看产品市场，而是要问：团队是否真的想做 AGI？背后有没有长期资源支持？能否持续买卡、训练、试错并把收入跑出来？如果没有“大腿”，创业公司可能还没等到产品爆发，就已经失去牌桌位置。

十二、RAG 是一个阶段性需求，也是一项十几个环节的工程

节目结尾把 RAG 单独拎出来。企业内部有大量通用模型不知道的资料，必须先检索、排序、切分、理解、召回，再交给模型生成答案。RAG 因此是当前阶段的合理需求，但加上 RAG 并不等于问题解决。

广密认为，Perplexity 之所以做得好，是因为它把网页检索工程的十几个环节都同时优化了：内容抓取、索引、召回、排序、来源、上下文拼接、生成和用户反馈，任何一环差都会影响最终答案。一个公司优化好一个环节不难，连续优化十几个环节才是工程壁垒。企业知识库的 RAG 还要面对权限、更新、格式、脏数据和责任边界，因此“无限检索”只有在准确度和成本同时可接受时才有意义。

十三、中美创新与下半年观察：一边是 0 到 1，一边是 1 到 100

广密最后给出一个带有主观色彩的对比：硅谷更容易出现 0 到 1 的创新，中国创业者在 1 到 100 的产品化和规模化上更强。他把差异归因于资本充裕、失败容忍度、收购退出和长期风险资金。中国市场并不缺执行力，但技术辨识度较低、同质化竞争激烈，可能需要更多能提出不同问题、也能获得长期资本支持的创业者。

2024 年下半年，他计划观察三条线。第一是成本下降会让哪些原本不 work 的应用突然 work；第二是端侧设备、手机、眼镜和语音交互；第三是通用机器人。机器人需要多模态大模型、硬件本体和持续强化学习，家务等复杂场景仍很远；自动驾驶因为动作空间更有限，可能比通用机器人更快落地。节目最终没有给出“应用爆发的确切日期”，而是把答案留在能力、成本、速度和组织能否同时过线。

以上是原文讲解。下面才进入本文自己的结构化抽象、证据审计与独立判断。

核心判断：AI 应用的瓶颈不是“有没有想法”，而是模型能力能否形成经济闭环

广密的主张可以压缩成一句话：Perplexity 之所以先跑出来，是因为它把当前模型最可靠的能力——检索、组合、解释——装进了一个高频入口；而 AI 应用没有系统性爆发，是因为下一层应用需要更强推理、更低成本、更低延迟、更好的数据和更强的组织。模型变强只解决了可能性，只有当用户愿意反复使用、调用成本低于创造的价值、企业能承受错误时，产品才会从 demo 变成生意。

问题背景：为什么 GPT-4 发布一年后，仍然没有“应用大爆发”

模型发布会制造能力预期，但应用要面对另一个世界：用户是否愿意改变习惯，产品能否处理错误，接口是否足够快，调用成本是否能被收入覆盖，数据是否可获得，团队是否能持续迭代。GPT-4 让许多 demo 变得容易，却没有自动提供分发、信任、付款和责任。

Perplexity 是一个很好的对照组。它没有等待一个“万能模型”出现，而是选择信息检索这个可被外部资料、引用和反馈约束的任务。应用爆发的关键因此不是每个创业者都找到更大的想象，而是找到一条把模型的当前能力、用户的高频任务和可负担成本对齐的路径。

机制拆解：应用从模型到生意要经过七道门

把节目中的判断整理成一条链，可以得到：模型能力 → 数据与检索 → 延迟与成本 → 产品入口 → 留存与反馈 → 变现 → 资本和基础设施持续性。任何一环断开，应用都可能停在漂亮的演示。

Perplexity 过了前五道门，却还要证明变现和独立性；基础模型公司拥有最后一道门的资源，却未必能把产品和用户体验做好。这解释了为什么应用公司和模型公司都需要对方，也解释了为什么巨头的阴影始终存在。

关键证据与口径审计

这期是季报式访谈，很多数字来自嘉宾记忆、行业观察和当时的内部信息。它们有助于理解判断过程，但不应被改写成已经独立审计的事实。

术语解释

边界与风险：这期节目没有证明什么

广密的观察也有投资人视角：他更关注公司能否上牌桌、是否有大腿、是否能形成资本回报；这会放大基础设施和融资的重要性，也可能低估了小团队在细分工作流中建立稳定现金流的路径。

独立判断：AI 应用爆发不是一次“烟花”，而是瓶颈逐层迁移

我认为这期最有价值的不是“下半年要关注语音、端侧和机器人”这些方向清单，而是它给出了一个判断应用的动态框架。第一阶段的瓶颈是模型能不能做；第二阶段变成调用是否足够便宜、足够快；第三阶段变成数据、入口、反馈和变现；再往后，竞争会迁移到组织是否能把模型、硬件、云和资本长期协调起来。

Perplexity 之所以有代表性，是因为它把“模型当前能做什么”和“用户愿意每天做什么”对齐了。它没有等待探索性和变换性创造完全成熟，而是用检索把组合性创造做成了可反复使用的产品。相反，很多 Agent 或通用机器人产品从一开始就要求模型跨过长距离推理、连续行动和高责任边界，所以看起来更有想象力，却更难形成稳定 PMF。

因此，未来真正值得追踪的不是“AI 应用有没有爆发”这个总问题，而是每个具体应用的四个数：一次任务需要多少 token、错误一次要付出什么代价、用户一周会重复多少次、产品能否把结果反馈回系统。只要这四个数同时改善，应用会在不知不觉中爆发；如果只改善模型 benchmark，市场仍然可能保持“很聪明但很无聊”。

证据边界与资料索引

本文以完整节目音频和公开节目章节为主要材料，按正式片头约 00:58 之后重建问答。Perplexity 的成立时间、团队经历、投资人、用户、ARR、估值、模型价格、GPU 门槛、GPT-5 预测、公司状态与中美创新判断，均按广密在 2024 年 6 月节目中的口述、估算或推测处理；自动转写中的近音词已按标题和上下文校正，不把机器错误当成原文引语。

• YouTube：张小珺商业访谈录 #69
• 小宇宙：#69 口述全球大模型这半年：Perplexity 突然火爆和尚未爆发的 AI 应用生态
• 小宇宙节目页（不带 RSS 参数）
• Perplexity 官方网站：用于理解节目讨论的产品对象，不替代节目时期数字的独立核验