#模型时代# Perplexity创始人Aravind Srinivas:知识和钱一样在通胀,你的学习速度必须跑赢它
先歪个楼,Aravind Srinivas是一个靠谱的人。当年DeepSeek R1发布,他是第一个硅谷AI 公司站出来认可其价值的人之一。
歪楼完毕:Aravind Srinivas是Perplexity的CEO兼联合创始人。在创办Perplexity之前,他先后在OpenAI、Google和DeepMind做过研究,UC Berkeley计算机科学博士。
上个月初,他在剑桥辩论社(Cambridge Union)做了一场讲座,前半段是他专门为剑桥学生准备的演讲稿。“大学是少数几个我可以分享真正重要的想法、不用当推销员的地方,所以我把想法写下来了,专门给你们。”
通常被邀请演讲时,主办方让他聊AI的未来。他拒绝了。他说要聊的是“你们的未来”,然后从一个概念展开:知识和钱一样在贬值。10万英镑在大约23年后只能买到4万英镑的东西,而1978年剑桥首次将环孢素用于器官移植,同样在大约23年后就被另一种药物替代了。知识的“半衰期”就是一半变得过时所需的时间。你必须让学习的复利率高于知识的折旧率。
这套框架还推得出一个数字:1950年处于第92百分位智商的人,放到今天只排在第50百分位。人类整体在变聪明,个人却可以在变笨。
一、知识是一种会贬值的资产
1、知识有生命周期:诞生、衰变、死亡
心理学里有个叫弗林效应的现象,英文是Flynn effect:过去几十年里,人类的平均智商大约每十年上升三个点。IQ测试不断重新校准,让均值保持在100,但实际结果是每一代人都比上一代聪明了。
衡量智能的标准也在跟着移动。图灵测试在1950年发明的时候,人类智能的基线比今天低得多,所以当年的图灵测试比现在容易通过。
在罕见的情况下,知识也会死亡。有些语言没有了活着的使用者,有些智慧随着长者去世而消失。正因如此,人类在过去四千年里不断建造图书馆,互联网出来以后又把远远更多的知识放到了网上。
2、知识半衰期:你的所学还能管用多久
Aravind用剑桥自己的历史来做计算。1978年,Roy Calne爵士在剑桥将环孢素引入器官移植临床,用来防止排异反应。2001年,另一种药物tacrolimus在美国肾移植领域取而代之。从1978到2001年,环孢素的临床知识的“半衰期”大约是23年。
这个度量不精确,但它是一个有用的思维模型。对每个人来说,问题都一样:在你的职业生涯中,什么时候你知道的东西有一半已经过时了?答案取决于你花多少时间学新东西。
3、知识的复利和通胀
知识不是钱,但它的行为方式跟钱一样。钱有利息也有通胀,两者都是复利式增长。当10万英镑的购买力在大约23年后只剩4万英镑,你需要25万英镑才能打平。再过23年,你需要62.5万英镑。指数增长。
知识的贬值也是这样。就像英镑的购买力会一点一点地缩水,小到你几乎不会注意到,直到有一天你发现自己知道的东西已经没有市场价值了。毕达哥拉斯定理曾经是只有精英阶层才有资格知道的知识。现在每个七年级学生都会。也许在遥远的将来,你在剑桥学的东西会变成七年级的课程。如果真的发生了,那说明人类进步了。但也意味着你的经济目标要求你永远不能停止学习。
4、巴菲特法则:知识也要花出去
复利最好的策略是尽早开始,尽晚结束。巴菲特11岁开始投资,但他99%的财富是在65岁以后积累的。
知识和钱还有最后一个共同点:你得把它花出去。有了资本就要部署到工作中;有了知识,尤其是非凡的知识,就应该让它发挥作用。这是发明和创新的区别:发明问的是“你造出东西了吗”,创新问的是“它改变了什么”。只有行动才能触发新的问题、新的探索和新的知识。你必须一直在学,也一直在做。
二、从学术引用到Google到Model Council
知识需要被保存和传播,但传播的前提是能被找到。这一章的三段历史讲的就是“找到正确知识”这件事的演化。
1、一个学术原理如何催生了两万亿美元公司
1831年,一位剑桥教授在伦敦皇家学会提出了同行评审制度。今天,每年在这个制度下发表的科学论文超过350万篇。学术界评价研究是否有用或可信,看的是它被引用了多少次。
160年后,斯坦福的两个博士生Larry Page和Sergey Brin发现了一个别人忽视的事实:互联网会和人类知识一样持续扩张,而在互联网上找到正确或最好的知识是个老问题的新版本。他们做了一个算法,根据每个网页被其他网页链接的情况来评估它的重要性。这个算法叫PageRank,一是因为在给互联网上每个“页面”(page)排名,二是因为其中一个人姓Page。
他们只是把大学做了一百年的事情变成了大众可以使用的工具。这就是Google。
2、Model Council:把学术辩论的精神交给所有人
同行评审发明于1831年。2026年2月,Perplexity发布了Model Council功能:用户提出一个问题,三个不同的AI模型各自去搜索、研究、给出独立答案,然后一个“主席模型”评估它们在哪些地方一致、哪些地方有分歧,综合推理出一个最终答案。
Model Council不是要替代同行评审。它的目的是把学术探究的精神带给大学围墙之外的所有人。追求正确而不是追求听起来正确,用科学的方式寻找真相。
3、AI的最高使命
如果你相信知识有生命特征、应该被推进,也相信知识有经济特征、应该被培育,那你对AI的看法就会不一样。比起执着于实现AGI这个理论概念,AI最重要和最紧迫的使命是让人变得更聪明、更繁荣。
“如果这听起来很像大学的使命,那是好事。”
三、四个人、零收入和一份健康保险
Aravind讲完了知识的经济学,在问答环节被问到了自己的故事。从学术背景到创业的路径,每一步都和他演讲里讲的那个对知识的信仰有关。
1、Ilya Sutskever的15分钟
Aravind在印度南部城市Chennai长大,家庭看重知识多于财富。如果问他的父母,更骄傲的是儿子创办Perplexity还是拿到Berkeley的博士学位,他们会选后者。
在Berkeley读博期间,他拿到了一个OpenAI的实习机会。当时OpenAI还是一家只有40人的非营利组织。创始人兼首席科学家Ilya Sutskever给了他15分钟的时间。他为这个会议准备了两天,带着一堆想法过去。
Ilya很快听完,然后说:“All your ideas are bad。 Let me tell you the right idea。” 你的想法都不好,让我告诉你对的方向。
当时失望是肯定的,但这个15分钟的会议教会了他两件事:一是追求真相,不要在辩论中把别人的批评当成对自己的否定。二是Ilya告诉他的方向,后来被证明是对的。
具体来说,Ilya说只有两个想法重要:生成式学习和强化学习。在所有数据上训练,然后塑造它让它擅长特定技能。给它足够的算力,一切就会work。Ilya还说,能让你充分利用AI能力进步的产品只有两个:自动驾驶和搜索。
Aravind对搜索更有感觉,因为它和自己追求知识的价值观一致。所以这个15分钟的会议基本上决定了他后来创办Perplexity的方向。
2、DeepMind图书馆里的一本书
另一段关键经历是在伦敦DeepMind的实习。Demis Hassabis把每个会议室都用科学家的名字命名,法拉第、拉马努金、爱因斯坦。那天Aravind对自己说:如果将来我有一家公司,会议室也要用科学家的名字,作为对知识的致敬。后来他确实这么做了。
白天他在集群上跑训练任务,晚上在DeepMind的图书馆读书。其中一本是Steven Levy写的《In the Plex》,一本关于Google内部的书。书里Larry Page写的序给了他决定性的推动:“我一生只看到两条可能的职业道路,一条是做教授,另一条是做企业家。其他所有路径我都必须执行别人的愿景,只有这两条路我能执行自己对未来的想象。”
“我不想在学术界待太久。所以我知道自己该干什么了。”
3、一份健康保险催生了第一个产品
创业的起点是一个实际到不能再实际的问题。Perplexity一开始只有三个AI研究员,招第四个人的时候需要办健康保险。美国的健康保险对美国人来说本身就复杂,对来自印度的Aravind来说更是如此。Google搜索没用,给的全是SEO优化过的保险网站,内容差,还在互相竞争看谁最像权威。
正常的做法是打电话问投资人或其他创始人,但当时太晚了。于是他做了Perplexity的第一个版本:帮他做研究,给出带引用的答案,他可以核实信息然后继续追问。保险问题解决了。然后是下一个问题,再下一个。
这个故事的寓意,用他的原话说:“You don't need to know a guy anymore。 You can just learn stuff and do it。” 你不再需要“认识谁”了,你可以自己学、自己做。
他从来没做过pitch deck。Google最著名的工程师之一Jeff Dean通过一位教授被引荐过来,问他要pitch deck准备做天使投资。Aravind的回答是:“我没有deck,这是产品链接,你试用一下,如果喜欢就投。”Jeff Dean试完后想投20万美元。但Aravind说空间不够,只能接受2.5万。
4、自己用、自己改的增长飞轮
“自己用、自己改”的哲学一直延续到了今天。每当产品回答不了他自己在解决问题时遇到的疑问,他就推动团队去改进。产品变好了,又能帮他解决更难的问题。他说Perplexity要做的就是让问题的规模和产品的能力在同一条指数曲线上增长。
到2026年8月,Perplexity的年化收入已经从年初不到2.5亿美元增长到了超过7.5亿美元,投资者包括Jeff Bezos和英伟达(Nvidia)。2026年2月上线的Perplexity Computer,一个自动执行复杂任务的AI智能体平台,是驱动增长的重要产品。
5、判断product-market fit的两个信号
被一位在剑桥做AI社交产品的学生问到如何区分真实需求和新鲜感时,Aravind给了两个指标。
第一个是留存率。同一个用户7天后还来用,是重要信号;30天后还来,更强。Perplexity内部追踪的是7天里活跃2天、4天和7天的用户分别有多少。要增长的是这些数字,而不只是日活。
第二个是付费意愿。免费产品人人都会试。真正的信号是把功能放到付费墙后面,用户还愿意付钱,而且六个月后至少留住一半的付费用户。做到了,才算真正找到了product-market fit。
四、AI的真正危险和人类的持久优势
从产品和商业回到大问题。观众提问覆盖了AI安全、监管、人类的优势和劣势,以及技术本身的走向。Aravind的回应有一个一致的底色:人的能动性不会被AI替代,但会被无聊的坏AI消耗。
1、比你想的无聊得多的AI危险
AI的危险比大多数人讨论的要无聊。社交媒体上的虚假内容已经多到难以分辨真假,虚假内容获得更多互动,大量AI算力被投入制造内容以提高社交媒体参与度,进一步损害人们的注意力和判断力。讨好型的AI让人短暂感觉良好却不解决实际问题。这些才是当下真正在发生的危险。
至于AI抢工作,目前的证据显示另一个画面:已经发生的裁员大多和AI无关,更多是COVID时代过度招聘的调整。在Perplexity和他观察到的其他公司里,在职的人都在大量使用AI,每个人的产出提高了20%到30%,公司整体效率大幅提升。人们在更努力地工作,原因不是被强迫,而是终于有了发挥能动性的工具。
2、独立审计、超级智能协议和iPhone的逻辑
被问到AI应该怎么监管时,Aravind主张对AI模型做独立评估,定期审计产品的安全护栏是否到位。每家公司都应该有评估团队和红队测试。社交媒体AI和个人AI伴侣类产品尤其需要关注非工程层面的问题,确保AI不会为了增加用户使用时长而刻意讨好。