# 10个人、1500万美元，Perplexity想撬动年入2820亿美元的谷歌 > Cognitive Revolution No. 7 中文精读 - 原标题：E7: In Search of Truth with Aravind Srinivas of Perplexity AI - 发布日期：2023-03-14 - 主持：Nathan Labenz - 网页版：https://cogrev.1mmt.com/ep/007-e7-in-search-of-truth-with-aravind-srinivas-of-perplexity-ai-YSYQZZ.html - 精读字数：约 5660 字（阅读约 13 分钟） > 本文为 cogrev.1mmt.com 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 2022年，谷歌营收2820亿美元，利润接近600亿美元，相当于每周净赚超过10亿美元，搜索市场份额常年维持在90%上下。微软投入百亿美元级资源做出来的新Bing，也只啃下了很小一角。 就在这个市场里，一家叫Perplexity AI的公司上线了：融资1500万美元，团队10个人上下。你问一个问题，它给你一个三句话的摘要，每句话后面挂着可以点开核实的引用链接。 3月14日播出的Cognitive Revolution，主持人Nathan Labenz请来的正是Perplexity创始人兼CEO阿拉温德·斯里尼瓦（Aravind Srinivas）。Nathan是AI投资人和创业者，也是Perplexity的重度用户，开播前就在推特上公开安利过。他对这期的总结是：来之前佩服这个产品，聊完之后同样佩服这个人。 ## 写论文的第一课，成了产品的地基 斯里尼瓦是研究出身，博士期间的核心工作叫决策Transformer（Decision Transformer），一句话概括：把几十年积累的强化学习算法塞进一个Transformer的权重里，只告诉它最大化奖励。后来他在OpenAI做过一年研究员。他说学术生涯给自己烙下最深的一条规矩，来自写第一篇论文的时候：**论文里任何一句话都必须有出处，要么引用别人的论文，要么来自你自己的实验，否则就只是观点，够不上事实**。 ChatGPT发布后大约一周到十天，Perplexity就推出了第一版产品Perplexity Ask。做法很直接：把谷歌搜索结果和GPT-3.5拼在一起，取排名靠前的几条链接，让模型只基于链接内容生成简短摘要，并逐句标注引用。用户可以偷懒直接读答案，也可以较真点开原文核对。 当时全世界都在喊“聊天是新的界面”，用户也一直催他们做成聊天机器人，团队顶住了。他们的第一性原理分析是：人只会想跟搜索引擎追问。于是先上线“相关问题”，发现点击很多，再做了真正的追问功能。所以Perplexity支持多轮对话，界面上却完全没有左右气泡的聊天窗口。按他的说法，这是一个知识和信息服务，娱乐和闲聊请去找ChatGPT。 这套哲学有个口号式的表达：IQ速度，也就是单位时间给你带来的智商增量。2010年代的软件产品都在最大化停留时长，把注意力变现，Perplexity把逻辑反了过来，**最大化单位时间交付给用户的价值**。最直白的表述是：你来问怎么补报2022年的税，我给你答案，你拿到就走，我们不希望你停留半小时。 公司的使命表述是“成为世界上最以知识和真相为中心的公司”，致敬贝索斯那句“亚马逊要做全球最以客户为中心的公司”。斯里尼瓦说，亚马逊至今在每次客服对话结束后都会追问一句：我们还能做什么变得更以客户为中心。他要的是同一种偏执：以后任何人想做可信的问答产品，都该拿Perplexity当参照物。 ## 用户第一，其他都是二手问题 聊到要不要自研大模型，他的回答很务实：普通用户根本不在乎你跑的是GPT-3.5、GPT-4还是自家模型，只在乎答案又快又好。在乎这件事的是两拨人，投资人要给“技术护城河”打勾，求职者担心公司没有自研能力就会像Jasper一样被商品化。 自研模型的真正理由只有一个：把单次查询成本打下来。谷歌每天处理几十亿次查询，如果每次都过大模型，一年要烧掉几十亿美元，所以这个形态谷歌做不了。Perplexity量小可以先跑，等流量上来再靠自研和优化推理栈降成本。他透露已经有一部分查询悄悄跑在自家模型上，只是没声张。 他特别提醒了一种死法：有些大模型公司融资几千万美元，承诺把八成砸在云上训练自己的模型，等好不容易追平GPT-3，OpenAI已经发布了下一代模型和新的定价方案。产品没影，钱花完了。**差异化应该来自产品、体验和可靠性，以及搜索加LLM这个组合里OpenAI不会去解的那些工程问题**。他补了一句关键判断：一个很强的LLM可以弥补很差的排序，但一个再好的LLM也需要过得去的排序，索引和排序这些老搜索的功夫短期内不会失效。 成本观同样来自贝索斯。有人问亚马逊天天低价两日达，怎么盈利？贝索斯回答：盈利是我们和投资人的事，客户只关心又快又便宜拿到货。斯里尼瓦的推论是：**永远别为了省钱给用户端上一个更差的模型，那等于亲手毁掉体验，然后没人再用你的产品**。 注册这件事上他更激进。Perplexity网页版很长时间连注册入口都没有。理由很简单：对手是谷歌，人家打开就是搜索框直接打字，你凭什么让人先注册？他提到一条被Instagram联合创始人Mike Krieger点赞的推文，总结了挡住ChatGPT取代谷歌的两件事：名字难记，强制注册。没有这两条，百万注册用户远不止这个数。他的原话很扎心：**新创业公司还没挣到让用户注册的资格，你靠给出最好的答案挣信任，之后人家才敢把Google Drive和聊天记录交给你**。账号体系以后会做，因为协作和个性化需要它，但必须给足理由，而且一旦碰用户的个人数据，责任完全不同，他明确说不想学Facebook那套增长黑客。 反馈收集是同一个思路的延伸。他给了一个数字：大约只有10%的用户会主动给反馈，点赞点踩本身信号很弱，有时摘要很好用户就是不爽。真正有信号的是编辑引用源，用户删掉一条链接，等于告诉你这条结果对他是噪音。他观察说，把产品使用和反馈合二为一的产品，数字世界只有两个：谷歌的每次点击都是反馈，TikTok的每次停留都是投票；物理世界最接近的是特斯拉Autopilot，你打方向盘是在救自己的命，顺便交了数据。他开玩笑说，谷歌让地球上每个人都成了它的免费标注员。**反馈问题的唯一解法是产品工程，让使用动作本身成为反馈，到今天没有任何一家LLM公司真正解决这件事**。 ## 一秒出答案，背后是一笔工程账 Nathan问了个开发者都好奇的问题：为什么Perplexity的首个token能稳定在一秒以内？OpenAI的Boris Power估算过，把整个互联网做embedding要花5000万美元，Perplexity显然没走这条路。 斯里尼瓦先泼了盆冷水：**把全网embedding一遍，得不到好的索引和排序**。如果这条路走得通，谷歌早就被干掉了。一个页面还需要新鲜度判断、内容变更检测、摘要生成、按查询类型调整排序，这些老搜索的活一样不能少。Perplexity的实际架构是把LLM架在传统搜索引擎之上：拿用户的查询去谷歌或Bing取回头部链接，再把链接内容作为上下文喂给模型，生成带引用的答案。他坦承速度是团队一点点抠出来的，核心成员来自Quora和Meta，做的正是排序和搜索。 流式输出是个好例子。第一版没有流式，用户要干等四五秒，上了流式之后体感延迟立刻不同，其他公司跟着学。他说谷歌内部早年就有Lambda聊天机器人，没做流式，其实做得到，只是没把它当优先级，OpenAI把它当回事就做了。Perplexity的工程师还向NVIDIA开源的Triton推理库提交了流式推理的代码改进，回馈整个社区。至于目标，他提到谷歌Jeff Dean那篇讲长尾延迟的论文：**在最烂的网络环境、信号只剩一格的时候，也要有谷歌那么快**。 还有一个容易被忽略的细节：答案里的下划线词。点一下“Detroit”，下一个问题自动接上底特律的语境，相当于把维基百科的内链做成了动态追问。团队内部叫它“给每个用户的动态个性化维基百科”。Nathan说给朋友演示时总要先解释一句这跟维基百科不一样，斯里尼瓦承认用户教育没做好，但他也认账：**最好的功能根本不需要解释，我们还没到那个水平**。永久链接分享、主题社区、类似Community Notes的协作纠错，都在计划里，他想让人类在他的平台上协作，别让一切由AI生成。他们还做了个Chrome扩展，问题后面加个Reddit就能只从Reddit取答案，正好接住了无数人在谷歌搜东西时手动加Reddit后缀的习惯。 多模态也在清单上。他最早给种子投资人Elad Gil pitch的点子就是让搜索跑在眼镜上，当时被泼了冷水，说2021年做这个太早。现在模型侧已经就绪，DeepMind的Flamingo能看图答题，Whisper几乎包揽了语音识别，他判断三四年内硬件跟上，就能实现边走边问。但他也提醒，多模态不想清楚产品就别上，他见过别家产品问鲸鱼答圣何塞天气的翻车现场。 ## 真相、审查和那条红线 聊到审查，他举了个例子。Marc Andreessen测试过ChatGPT一个问题：AI能从医学影像判断人种吗？ChatGPT拒绝回答。同样的问题丢给Perplexity，它会给出正式发表的研究论文，告诉你深度神经网络确实能做到，同时补充相关性不等于因果。答案不替你下结论，把来源摆在你面前。 Perplexity的解法是把控制权交给用户：编辑引用源。你不信华盛顿邮报就删掉，觉得纽约时报偏左就换掉，生成你自己版本的答案再分享。他甚至说，真正该拿来对标他们的公司是马斯克刚宣布要做的那个可信AI，不是Bing也不是OpenAI。他把几家巨头的目标摆在一起：微软想干掉谷歌，谷歌想活下来，OpenAI想造AGI，Perplexity想做的，是汇总所有信息源、呈现所有视角的可信平台。 但红线是明确的。有人问怎么自杀，这类查询直接封禁，还要防着用户换种语言绕过。他承认存心搞破坏的人永远能找到漏洞，**产品要做的是堵住那些用最自然的方式把产品用坏的路径**。他们自建了一套安全过滤器，微软Azure OpenAI团队夸他们做得比微软自己还早还好。Nathan提到新Bing发布会上的名场面：有观众当场说新Bing可以被用来策划校园枪击。所有玩家都在同一片未知水域里摸索，他盼着行业早点出现一套共同的安全标准。 变现目前没有，也不着急。最顺手的赞助链接恰恰是他们最警惕的：**如果谁出钱多谁就能被引用，信任就没了，“世界上最可信的信息服务”就成了空话**。他有个很早期的想法：做一个让人们为真相和正确性付费的平台，为曝光付费那一套先放一边。他清楚这有多难，马斯克在Twitter上正在试，而Twitter的互动恰恰靠争议驱动。至于搜索的格局，他判断垄断会被打破，利润率会下降，因为LLM让“世界第一的索引”不再是入场券，谷歌的领先会第一次收窄。他补了一句很妙的观察：终结这个时代的Transformer，就是谷歌自己发明的。 ## AGI、贫富差距和“每天像周末” 对话后半段拔高到了AGI。斯里尼瓦的立场很鲜明： > 我们需要造AGI，这样人类就可以回去好好生活。不是每个人都需要拼命工作。 他的论证是技术平权：今天你买台iPhone 14，用的手机和全球首富马斯克是同一款；你现在的生活质量，超过了50年前的美国总统。**技术是把人类拉平的最大工具**。当智能不再稀缺，你不用再跟同学卷谁IQ最高，可以去做自己觉得有趣和有创造性的事，把AI当成随身的神谕和教练。 Nathan抛出了AI圈流行的预测题：Metaculus上“弱AGI何时公开亮相”有四条标准，图灵测试和Winograd基准基本过关，看图做SAT那条接近，最难的是让AI玩雅达利游戏《蒙提祖马的复仇》，探索完全部24个房间，折算游戏时长不超过100小时，社区预测的中位数是5年。斯里尼瓦押不到5年，可能2到3年，理由是真正的难点在稀疏奖励下的探索，而语言恰好可以充当探索的引导。他甚至说弱AGI某种意义上已经存在，把现有模型拼起来就能满足大半标准。真正该关心的是另一头：**LLM已经在替人类干有经济价值的活，营销、销售、编程、研究、数据清洗，这才是GDP层面的真变化**。他博士期间那篇决策Transformer也回到了牌桌上，Anthropic两周前的论文正尝试用类似思路，把人类反馈信号直接混进预训练。 问到OpenAI是否可信，他毫不掩饰：Sam Altman可能是当下世界上最适合干这件事的CEO，而且他本人在营利实体里没有股份，只在非营利部分有权益，激励是对齐的。想对AGI的未来有发言权？先去做事挣资格，马斯克光抱怨没用，所以他去建新实验室了。 Nathan提了一个更冷的问题：如果模型在人类反馈训练里学会给出“得分最高”而非“真实”的答案，欺骗就埋进了系统，而我们还没有可解释性工具去检测它。他还拿2008年金融危机类比，合成MBS和CDO当年也被认为风险分散得很好。斯里尼瓦引用Anthropic的宪法AI论文回应：让模型给模型的输出打分，人类只负责定原则，未来会有一套所有人遵守的协议，系统在原则之上自动运转，他不担心人类操纵系统导致失控的场景。 对未来的希望，他说得很朴素：繁琐的活都消失，人人不再焦虑，每天过起来像周末。担忧同样具体：短期内的收入不平等。Perplexity自己就是例子，七八个人干了过去几十人的活，没有市场专员，工程师靠Copilot和ChatGPT写代码，写iOS应用的人直接在SwiftUI文档页面上用Perplexity提问学习。**AI工具越好，公司越小，只需要最强的工程师，更多人的岗位会收缩，直到全民基本收入成为长期方案**。他认为短期阵痛已经发生，被裁的人短期内不会被立刻雇回去。 ## 明天就能用上的三件事 - 把Perplexity当学习工具用起来。遇到新框架、新文档，直接在文档页面上提问，让它带着引用给你讲清楚，这是Perplexity自家工程师写iOS应用的真实工作流。 - 做AI产品的人抄两条原则：先问用户在乎什么，用户不在乎你用什么模型；反馈别靠弹窗讨要，把它设计进使用动作里，学谷歌的点击和TikTok的停留。 - 评估任何AI产品时多问一句成本结构。靠烧API撑起来的体验，大概率会在某天悄悄降级模型。反过来，自己创业时记住那句话：永远别为了活得久一点，给用户端上一个更差的模型。 顺带一提，斯里尼瓦每天离不开的三样工具是ChatGPT、Perplexity和Grammarly，外加Gmail的智能撰写。他说Grammarly被严重低估，因为它看起来不够“AGI”，却实实在在帮他省下大量写邮件的时间。好用的AI工具，未必都长着一张未来主义的脸。