撰文：Techub News 整理
导语
2025 年 5 月，估值超过10亿美元的AI搜索独角兽Perplexity AI创始人兼CEO Aravind Srinivas（阿拉温德·斯里尼瓦斯）重返母校加州大学伯克利分校，与他在伯克利攻读博士期间的导师、机器人学习领域著名教授Pieter Abbeel（彼得·阿比尔）进行了一场深度对话。这场对话不仅是师徒重逢，更是一次对AI行业前沿的深刻洞察。
Aravind Srinivas（阿拉温德·斯里尼瓦斯）在伯克利期间就以高产和高影响力的研究闻名，毕业后曾在DeepMind、OpenAI等顶尖机构实习。他于2022年联合创立Perplexity AI，旨在打造一个基于实时网络信源、带有引用的“答案引擎”，而非传统搜索引擎或聊天机器人。在ChatGPT掀起生成式AI浪潮的背景下，Perplexity以其独特的产品定位迅速崛起，成为AI赛道最受瞩目的新星之一。本次对话中，他不仅回顾了创业初心与成长路径，更分享了对AI价值流向、开源模型冲击（如DeepSeek）以及未来人机交互形态的前瞻判断。
摘要
- Perplexity的核心理念是“答案引擎”和“研究伙伴”，其产品设计深受学术研究需引用信源的原则影响，旨在提供带有实时信源和引用的高质量答案。
- AI的价值将主要积累在应用层（如Perplexity）和芯片层（如NVIDIA），而中间的基础模型层将因开源和竞争而利润摊薄。
- 中国团队推出的开源推理模型DeepSeek是一个重要的行业拐点，它证明了以较低成本训练高性能模型的可能性，并迫使闭源模型厂商加速创新和降价。
- Perplexity的未来战略是超越“又一个AI应用”，通过构建名为“Comet”的AI原生浏览器，以及深度操作系统/硬件集成，让AI助手无处不在。
- 在AI时代，清晰、精准的沟通能力（无论是与人还是与AI交互）将成为一项至关重要的核心技能。
从学术研究到答案引擎：Perplexity的诞生
Pieter Abbeel（彼得·阿比尔）在开场时幽默地提到，Aravind Srinivas（阿拉温德·斯里尼瓦斯）如今取得的成就已远超自己。当被问及Perplexity究竟是什么时，Srinivas给出了一个源自其学术背景的定义：一个答案引擎，一个研究助手，就像一个研究伙伴。
他解释道，Perplexity的核心设计原则直接源于他在伯克利攻读博士时的经历。“第一次写论文时，你会学到不能随便写任何东西。实际上，你必须在每句话后面都有一些信源，最好是经过同行评审的、可信的信源。”他们将这一原则引入了AI聊天机器人。与那些随意生成回复的聊天机器人不同，Perplexity会主动从网络上选取相关信源，进行总结，并提供脚注。用户可以与这样的“引擎”进行对话。
随着时间的推移，Perplexity演变为更具辅助性的体验。它不仅可以调用网络信息，还能编写代码、创建图表、从不同数据提供商（如体育、金融）提取数据，并将所有这些功能打包到一个辅助聊天体验中。如今，公司正准备迈出下一步：构建一个名为“Comet”的浏览器，预计在未来三到四周内发布。用户将能在日常工作中，直接在浏览器里让AI帮助完成任务，例如“去LinkedIn申请所有我符合条件的工作”。
关于产品的早期采用场景，Srinivas分享了一个意想不到的“杀手级应用”：健康和医疗咨询。在美国，医疗保健系统并非最优，人们常有关于自身状况的疑问。Perplexity能够查阅PubMed、NIH、WebMD等专业网站，过滤无关信息，甚至阅读bioRxiv等预印本，给出基于信源的答案。他自己也经常用它来查询关于补充剂或存在长期争议药物的最新研究。
在教育领域，Perplexity的“空间”（Spaces）功能也大受欢迎。学生可以为每门课程创建一个空间，上传所有学习材料，然后针对这些特定内容提问、创建学习指南，甚至与同学共享。这相当于为每个学生配备了一位随时可用的个人助教。Srinivas展望，未来的理想状态是一个“主动式AI”，它能了解你对某个主题的理解程度，并根据你已提出的问题，精确告诉你应该在哪里花时间学习。
伯克利岁月与创业基因的觉醒
对话自然转向了Srinivas的个人历程。当被问及如何从伯克利的学术环境走向创业时，他坦言，最初他对伯克利的印象是“非常学术化的学校”，而斯坦福才是创业的摇篮。“斯坦福是谷歌、思科、雅虎诞生的地方，伯克利的人则获得教职。”但看到Pieter Abbeel（彼得·阿比尔）等教授也在创业，以及Databricks等公司的成功，他逐渐感受到了伯克利的创业氛围。
他深入研究了谷歌的创立故事，创业的雄心一直存在，但总在等待合适的时机、想法和团队。“创立公司需要很多运气，”他说，“要让公司成功，需要巨大的运气；但即使在合适的时机、合适的地点，与合适的团队创立一家公司，也需要更多因素同时具备。”他谦虚地将Perplexity的成功部分归因于“运气好”，但同时也强调，伯克利在AI从研究快速转向实践的时代具有独特优势。他回忆道，他入学的那一年，伯克利AI项目从约2000名申请者中录取了40人，其中38人接受了offer，放弃了斯坦福、MIT、CMU等名校，只因当时伯克利是AI研究最前沿、最令人兴奋的地方。这种激烈的竞争环境促使每个人努力写出最好的论文，打下了坚实的基础。
Pieter Abbeel（彼得·阿比尔）好奇Srinivas如何从印度脱颖而出，获得与Yoshua Bengio（约书亚·本吉奥）合作的机会。Srinivas分享了一个体现其“资源fulness”的故事：他在印度理工学院（IIT）时，一位教授给了他DeepMind DQN（玩Atari游戏的AI）的论文，让他用Python复现并尝试做迁移学习。没有计算资源，他就“借用”了实验室里一些沉迷游戏的博士生的显卡。最终，他成功复现了论文，并做了一些基础研究，发表了论文。他将这些成果打包成简历，申请了蒙特利尔实验室（MILA）的实习，并凭借自学Theano框架获得了机会。
Abbeel笑着补充了一个轶事：他对Srinivas说过最多的建议是“你得睡觉”。Srinivas现在非常认同这一点，他自豪地说自己现在每晚睡7.5小时，并认为睡眠是应对压力的最佳方式，远胜于吃披萨、冰淇淋等短期解压法。
AI价值流向与开源模型的冲击
话题转向行业宏观趋势。Pieter Abbeel（彼得·阿比尔）提到，过去一年AI领域的大事件或许是中国团队DeepSeek的崛起。Srinivas完全同意，并称之为一个“巨大的拐点”。
他解释道，DeepSeek是第一个开源的“推理模型”。与GPT等即时完成输入-输出的典型模型不同，推理模型会进行“思维链”推理，经过一段“意识流”思考后再给出答案，因此在处理复杂查询或任务时更强大。此前，OpenAI的o3模型虽然具备推理能力，但是闭源的。而中国的DeepSeek实验室不仅开源了模型、免费发布了权重，其应用也免费，并且在多项基准测试中超越了OpenAI的成果。他们声称仅花费了600万美元训练这个模型（尽管可能有所夸张），但这与动辄百亿美元的投入形成鲜明对比。
这一事件引发了全球范围的震动：我们真的需要巨型超算和天量资金吗？为什么美国没有做到？加之当前中美关系的背景，使得这一事件的影响更加深远。Srinivas指出，这对Perplexity这样的应用层公司是有利的，因为每当有开源模型超越闭源模型，闭源模型实验室就会迅速做出反应：降价、发布更好的模型、加速推向市场，这对整个生态是好事。
那么，随着AI能力不断增强，价值将流向何处？Srinivas给出了清晰的判断：价值将积累在应用层和芯片层。
他解释说，应用层（如Perplexity）是用户直接体验AI的层面，包含了用户的个人上下文，因此可以构建独特的、差异化的体验。芯片层（如NVIDIA）则提供了智能的“基础基质”。而中间的基础模型层，由于核心的推理、总结、翻译、数学编码等能力正在变得商品化，加上开源模型的“逐底竞争”，其利润空间将被压缩。
在应用层之下，是数据中心和芯片等物理基础设施。只有超大规模云厂商才有资本和能力建设容纳成千上万GPU、具备高可靠性和高速互联的巨型服务器集群。这是一个需要大量资本支出的领域。
大胆的野心：从竞购 TikTok 到构建 AI 原生浏览器
Pieter Abbeel（彼得·阿比尔）提到了Srinivas和Perplexity一些令人惊讶的大胆举措，例如参与竞购TikTok。Srinivas证实这并非玩笑，他们确实提交了报价。他的考量是：TikTok目前拥有约三分之一的美国用户，且其搜索栏的日流量已达到谷歌搜索的三分之一。如果能拥有TikTok并重建其算法、接管搜索栏，将具有巨大战略价值。不过，他也承认此事高度政治化，随着关税等问题成为焦点，公众注意力已经转移。
另一个引发关注的举动是Perplexity在美国司法部对谷歌的反垄断诉讼中作证。Srinivas澄清，他们并未主动提议收购谷歌的Chrome浏览器。相反，他们在证词中反对强制谷歌出售Chrome，因为Chrome与谷歌主导的开源项目Chromium紧密相连，而Chromium是微软Edge（市场份额第二）等其他浏览器的基石。他们认为，Chromium由谷歌维护比由（他暗指）像OpenAI这样“名不副实”的公司掌控更好。当然，他们也表示，如果司法部坚持要求出售，Perplexity有兴趣接手。
这些事件表明，成立仅两年半的Perplexity已经参与到塑造全球科技巨头格局的顶级对话中。
在更实际的落地方面，Perplexity正通过深度集成扩大其覆盖范围。例如，与德国电信合作，在T-Phone的锁屏上内置Perplexity助手；与摩托罗拉达成预装合作，覆盖每年约4000万部手机。Srinivas强调，他们的战略是让AI变得无处不在、易于获取，而不是要求用户主动去学习使用某个APP。未来的方向是深度操作系统级或应用级的集成，让AI助手始终伴随用户。
研究、教学与产品思维：成功背后的方法论
Pieter Abbeel（彼得·阿比尔）回顾了Srinivas在伯克利期间惊人的研究产出，包括在无监督视觉学习、强化学习加速、流模型、Transformer与ConvNet融合、视频生成、强化学习Transformer等多个领域做出了开创性或显著改进的工作。他问及成功秘诀。
Srinivas将部分原因归于专注和勤奋，尤其是在COVID-19疫情期间，他几乎将所有时间都投入了工作。但他也分享了一个关键的方法论转变：早期他曾认为想法越复杂，在领域内获得的尊重越多，但这其实是误区。后来他意识到，不应该只迎合领域内少数“聪明人”，而应该做足够简单、基础性改变的工作，使其具有广泛的可及性，这样才能最大化研究的影响力。真正重要的想法往往是那些足够简单、每个人都能在此基础上继续构建的。
他还提到了与Pieter Abbeel（彼得·阿比尔）和Jonathan Ho等人共同在伯克利教授“深度无监督学习”课程的经历（这门课后来演变为生成式AI课程）。当时，他们意识到强化学习模型缺乏常识，而获取常识的唯一方法是吞噬海量数据，唯一能充当“海绵”的目标函数就是无监督学习。为了逼迫自己深入理解这个主题，他们决定开设课程。“学习某件事最好的方法就是去教它。”这门课最初有200名学生，第一次作业后就只剩50人，但教学过程极大地巩固了他们的知识，并为后续研究奠定了基础。
关于AI时代学生如何平衡利用AI与保持独立思考的问题，Srinivas坦言答案每六个月都在变化。但他认为，清晰、有条理的思维能力至关重要。即使是与AI协作，那些能够精准、清晰地表达需求，并与AI迭代直至完成任务的人，效率会高得多。这是一种普适的技能，无论是对人还是对AI，善于沟通和表达的人更容易成功。
在市场营销方面，Srinivas有着独特的见解。他认为，创始人或产品构建者往往是向用户传达产品价值的最佳人选，因为他们最理解产品为何存在、如何最好地使用它。他将这一理念追溯到博士期间：他可能是最早系统使用Twitter长线程（Thread）来详细解读论文核心价值的人之一，而不是简单地发布论文链接。这种方式极大地加速了思想的传播，让他意识到，掌握将复杂想法浓缩并有效传达给广大受众的技能，可以应用于生活的各个方面。当然，他也调侃道，现在AI已经能自动将论文总结成Twitter线程了。
问答环节：竞争、隐私与未来
在随后的观众问答环节，Srinivas回答了多个尖锐问题。
关于Perplexity的核心竞争优势，他指出在于其对每一次查询都能可靠地从网络获取实时结果并提供信源的能力，以及回答的速度和广度。但他认为，更进一步的竞争是构建AI原生浏览器，让用户不再需要思考使用哪个AI工具，而是让AI助手天然存在于每一个网页和输入框中。
关于数据隐私，Perplexity提供了“无痕模式”，类似浏览器功能，查询不会被永久存储。企业版则完全不存储任何日志。用户也可以选择删除自己的AI使用记录，避免被用于训练。
关于如何应对资源远胜于自己的竞争对手，Srinivas的回答是：更快地行动，发布更多功能，并敢于进行更艰难、更大的赌注，例如开发浏览器或操作系统级集成。当竞争对手也必须从头构建一个全新的产品（如浏览器）时，竞争就不再仅仅是核心产品上添加功能的比拼。
关于从技术背景转型为CEO所需的学习，Srinivas的回答颇具时代特色：他并没有特意去学习商业或领导力，Perplexity产品本身就是他学习和决策的工具。从理解医疗保险到准备招聘面试问题，再到基于仪表盘数据让AI生成财务预测和融资演讲稿，他都依赖Perplexity。在他看来，在AI时代，构建一个好产品、获得用户、将部分用户转化为付费用户，并基于执行记录融资，这条路径比传统意义上的“学习商业”更直接有效。
最后，Pieter Abbeel（彼得·阿比尔）被问及下一个令人兴奋的研究方向。他指出了两点：一是AI在物理世界（机器人）中的应用正变得可能，因为这需要极高的可靠性和纠错能力，而更强大的模型使之成为现实；二是持续学习（Continual Learning），即模型能够像人类一样持续吸收新知识并改进，而不是依赖隔半年一次的“大型训练跑”，这将是改变游戏规则的研究突破。
