上个月初的一个讲座,内容非常不错。Perplexity的CEO兼联合创始人Aravind Srinivas走进剑桥辩论社(Cambridge Union)的辩论厅。这是剑桥大学新学期的第一场活动。Aravind在创办Perplexity之前先后在OpenAI、Google和DeepMind做过AI研究,UC Berkeley计算机科学博士。我对他的印象一直很好。Deepseek R1发布之后,他是首批站出来盛赞的硅谷AI人士之一。在CNBC采访中说,需求是创新之源。"通常被邀请演讲时,主办方让他聊AI的未来。这次他拒绝了,说他要聊的是"你们的未来"。
然后他从一个概念开始:知识和钱一样在贬值。你学的东西有半衰期。如果你的学习速度没有跑赢知识过时的速度,你就是在变笨。他给了一个具体的数字: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。 1950年恰好也是图灵测试发明的那一年。这意味着当年的图灵测试比今天容易通过得多,因为当时的人类基线更低。
1. 知识会老,会死,有半衰期
心理学里有一个叫弗林效应的现象,英文是Flynn effect,有大量数据支持的观察: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,但实际意味着一代人比一代人聪明。
这件事有一个推论。如果你站在1950年,找到智力排在第92百分位的人,也就是在100个人里排第8名的聪明人,把他放到今天的测试体系里,他只能排到第50百分位。中等水平。这就是知识进化的力量。知识总是产生更多的知识。
但这也意味着,整个世界在变聪明的同时,你个人却可以在变笨。
Aravind用剑桥自己的历史来给"变笨"算了一笔账。1978年,Roy Calne爵士在剑桥将环孢素引入器官移植的临床使用,用来防止排异反应。这是移植医学的一个里程碑。2001年,另一种药物tacrolimus在美国肾移植领域取代了环孢素的主导地位。
从1978到2001年,环孢素的临床知识的"半衰期"大约是23年。一个在这个领域工作的医生,大约23年后发现自己掌握的核心治疗方案有一半变得过时了。
这个度量不精确,但它提供了一个有用的直觉。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的东西。在快速演化的领域,半衰期更短。
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。这就是为什么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。人类一直有一种本能:保存知识。
他加了一句提醒。知识像活的东西,但它不是活的。只有你是活的。"我觉得当你一直在学新东西的时候,你才更像是活着。" 这也是Perplexity存在的理由。
2. "知识不是钱,但它的行为方式跟钱一样"
"知识不是钱,但它的行为方式跟钱一样。"
钱有一个概念叫时间价值。利息让它增长,通胀让它缩水。给够时间,两者都是复利式运作的。当10万英镑的购买力在大约23年后只剩下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。损失随时间呈指数增长。
知识的贬值也是这个模式。就像英镑的购买力会一点一点缩水,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。
你必须让学习的复利率高于知识的通胀率。否则你不是在增长,你是在萎缩。
这个类比还有最后一步。复利的一个广为人知的特性是:巴菲特11岁开始投资,但他99%的财富是在65岁以后积累的。复利最好的策略是尽早开始,尽晚结束。 知识也是一样。
知识和钱还有一个共同点:你得花出去。有了资本就要部署到工作中,有了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。
3. "他们只是把大学做了一百年的事情变成了大众能用的工具"
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。
Aravind从这里讲了一个关于Google诞生的故事,讲的是一个很多人可能没注意过的学术内核。
160年后,斯坦福的两个博士生Larry Page和Sergey Brin在做网络结构和数据挖掘的研究。当时互联网刚刚起步,所有人都在谈World Wide Web,就像今天所有人都在谈AI一样。谈论它的主要是投资人和媒体。技术圈当时是电信行业的天下,学术界参与不算多。
这两个博士生不算互联网热潮的核心圈子。但他们知道一件大多数圈外人不在意的事情:学术界评判研究质量靠引用,而互联网会跟人类知识一样持续扩张。在一个不断膨胀的信息海洋里找到正确的或最好的知识,是一个老问题的新版本。
所以他们做了一个算法,根据每个网页被其他网页链接的情况来排名,本质上就是学术界的引用逻辑。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。"
这个故事到2026年又续了一章。2月5日,Perplexity发布了一个叫Model Council的功能。用户提出一个问题,三个不同的AI模型各自去搜索和研究,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,综合推理出最终答案。
Aravind说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。
如果你接受了前两章的论证,知识有生命特征需要推进,知识有经济特征需要培育,那对AI该做什么就会有一个不同的答案。比起执着于实现AGI这个理论概念,AI最重要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。"
4. "All your ideas are bad. Let me tell you the right idea."
Aravind在印度南部城市Chennai长大。他的家庭看重知识多于财富。他说如果问他的父母,更骄傲的是儿子创办Perplexity拿到那些创业估值,还是拿到Berkeley的博士学位,他们会选后者。
在Berkeley读博期间,他拿到了一个去OpenAI实习的机会。那时候的OpenAI还是一家只有40人的非营利组织,ChatGPT和GPT-3.5都还没有出现。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。把自己的想法一条一条写了下来,走进去,铺开。Ilya快速听完,然后说了一句话:
"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。
考虑到准备了两天,失望是肯定的。但这个15分钟的会议教会了他两件事。第一件:追求真相的态度。当别人在辩论中否定你的想法时,不要把它当成对你本人的否定。第二件:Ilya告诉他的那个方向,后来被证明是对的。
Ilya的判断是这样的。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,然后用强化学习塑造它,让它擅长特定技能。给它足够的算力,一切就会work。这基本上就是后来真正发生的事情。
Ilya还给了一个产品层面的判断: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对得上。所以他常常回想:如果在另一所大学读博,如果没拿到那个实习,如果没有得到那15分钟,后来的一切可能完全不同。
另一段关键经历在伦敦。
Aravind在DeepMind做实习的时候,Demis Hassabis把公司里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。那天他在心里说了一句话: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。
他在DeepMind的日程是白天在集群上跑训练任务,晚上在公司图书馆看书。和大多数实习生一样,即使到了晚上他也待在办公室。其中一本书彻底改变了他的想法:Steven Levy写的《In the Plex》,讲Google内部的故事。
书里有Larry Page写的一段序。Larry Page说:"一生只有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。"
Aravind读完说:"我不想在学术界待太久。所以我知道自己该干什么了。"
创业的起点极其实际。Perplexity一开始只有三个AI研究员。他们决定招第四个人,但招人意味着需要给员工办健康保险。美国的健康保险系统对美国人来说已经让人头疼了,对来自印度的Aravind来说更是如此。
他先去Google搜索了一圈。没有用。搜出来的全是SEO优化过的保险网站,内容质量差,而且所有网站都在竞争看谁最像权威。正常的做法是打电话问投资人或者其他做过公司的创始人,让有经验的人指个路。但当时太晚了,没人接电话。
于是他做了Perplexity的第一个版本。一个能替他做研究的工具,给出带引用的答案,让他可以核实每一条信息,然后接着追问。保险问题解决了。然后是下一个问题,再下一个,再下一个。
"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。这是他从那次健康保险的经历里提炼出的一句话,也是Perplexity存在的根本理由。有了AI,任何人都能获取任何知识。但更重要的是,任何人都能获取任何知识。任何人现在都可以保持好奇。任何人现在都可以建造任何东西。任何人现在都可以走进知识的殿堂。
他从来没有做过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,想做天使投资,问他要pitch deck。Aravind说:"我没有deck,这是产品链接,你试试看,如果喜欢就投。"
Jeff Dean试完以后想投20万美元。Aravind说空间不够,只能接受2.5万。
这个"自己用、自己改"的原则延续到了今天。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。产品变好以后又能帮他解决更难的问题。他说他希望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2.5亿美元增长到超过7.5亿美元。2026年2月上线的Perplexity Computer,一个编排多个AI模型自动执行复杂任务的智能体平台,是驱动增长的重要因素。英伟达(Nvidia)同年8月被报道正在谈判以超过300亿美元的估值投资Perplexity。
被一位在剑桥做AI社交产品的学生问到怎么判断一个消费级AI产品到底有没有真实需求时,他给了两个看得见的信号。
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。要让这些数字持续增长,而不只看日活。
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,用户还愿意掏钱,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。
5. "AI的危险比大多数人讨论的要无聊得多"
有人问到AI的危险时,Aravind没有从超级智能风险讲起,而是给了一个大多数AI公司CEO不会给的回答:"AI的危险比大多数人讨论的要无聊得多。"
他列的是一组正在发生的事情。社交媒体上的虚假内容已经多到难以分辨真假,而且虚假内容获得的互动比真实内容还多。大量AI算力被投入制造内容以提高社交平台的参与度。讨好型的AI让人短暂感觉良好却不解决实际问题。所有这些都在消耗人的注意力和判断力。
这些才是当下真正在发生的AI危险。没有戏剧性,但每天都在侵蚀。
至于AI抢走工作,他说目前的证据指向另一个画面。已经发生的裁员大多和AI无关,更多是COVID时代过度招聘之后的调整。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,而是终于有了让自己真正发挥的工具。
在监管层面,他主张对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。他特别点名了两类产品:社交媒体AI和个人AI伴侣,说它们尤其需要关注一个非工程问题,就是确保AI不是为了增加你在这个app上花的时间而刻意讨好你。
他提到的"超级智能协议"是2026年9月29日在白宫签署的一份自愿协议。签署方是Google、Anthropic、Meta、OpenAI、xAI和英伟达六家公司,要求参与者建立四层安全控制:内部技术监控、内部安全团队、独立外部审计、独立董事会委员会。协议中也写明,这些措施未来可能被纳入法律。
有一位法学院的学生问了一个经典问题:应该先创新还是先监管?
Aravind的回答只用了一层逻辑。抢先上市也许能短期赚到钱,但如果产品不安全、用户不信任你,收入会流失。最好的AI也一定是最安全的,就像最适合居住的城市也是最安全的城市。 他拿iPhone举例:你用它是因为你相信它更私密、更安全、更难被入侵。至少你是这么相信的。信任是多年工作积累出来的,对AI产品同样如此。
还有一位做AI安全研究的学生问了一个更尖利的问题:如果AI知道自己给出诚实答案之后会被关掉,它会不会歪曲答案来保全自己?
"AI做你programmed它做的事。" 如果后训练做得好,prompt设定得好,它就会按指示行事。它没有自己的agency来拒绝指令。如果出现了AI看起来在"自保"的行为,那说明后训练没做好。这是一个steerability的工程问题:你要做的是收集足够的数据让它只做一件事,训练到位,再用prompt加固。做到了这些,它就不会偏离。
6. "没有人再写汇编代码了"
有学生直接表达了一个担心:搜索变得越来越容易,人会不会把思考外包给AI,自己变懒?
Aravind的回答从编程的历史开始。没有人再写汇编代码了。用Python写程序的时候,垃圾回收是自动处理的,你不用管内存怎么分配、进程怎么调度、寄存器怎么使用。每一次有什么事被替你做了,你其实是在一个更高的抽象层面解决问题。 你不是在失去思考的能力,你是进入了一个以前根本没机会触及的层面。
他拿Perplexity自己的团队做了一个具体的例子。公司里做模型后训练的研究工程师,现在完全不用想怎么做多GPU训练了。AI替他们处理了这些底层细节。他们现在做的事情变了:设计实验、看loss曲线、设计评估指标、决定下一步跑什么实验。
也许以后AI也能帮你做这些。那你就去想更上一层的问题:算力该分配到哪里?哪些想法根本值得投入?
每一层都在上移,从来不是在消失。
在能效方面,他也给了一个判断。人脑和人工神经网络在总神经元数量上可能是可比的,但人脑的稀疏性远好得多,因此能效也高得多。人工神经网络的架构完全不同,所以耗能大。这个效率差距可能超出人类科学家的直接解决范围。
他认为方向是先攻克AI领域叫做continual learning的问题,也就是持续学习,让AI具备自我改进的能力。然后让那个改进后的版本去解决能效问题,把自己蒸馏成越来越小的版本。
"今天跑在几十万亿参数上的前沿模型,两年内会被压缩到几千亿参数。四年内可能会跑在你自己的MacBook上。"
四到五年听起来不短,但放在技术的时间轴上什么都不算。两年前觉得不可能的事,今天已经实现了。前沿级别的智能跑在本地设备上,完全可行。
对于持续学习这个方向,他的理解比通常的讨论更具体。今天的前沿模型在一个条件下足够强了:给它完美的上下文和全部所需的工具,它能解决问题。但真实世界的上下文永远不完美。
持续学习要解决的核心问题是:怎么知道自己缺了什么?然后怎么去获取缺失的信息?
他举了一个极端的例子。如果要预测2030年比特币的价格,你今天甚至不具备做出这个预测所需要的全部知识。但如果给你两年的计算时间,你会设计哪些实验来收集信息?在那两年里你需要在真实世界里做什么来补齐缺失的数据?
这需要三样东西:超长时间跨度的任务能力,持续提出新问题的能力,以及在真实世界中运行实验的能力。如果能创造出像人类科学家一样的研究智能体,能自行设计并执行实验,就可能解开这个问题。但目前的瓶颈在于:模型在长时间跨度上的连续推理能力还远远不够。
7. "猫搞懂了玩具就不在意了"
一位神经科学方向的学生直接问了他一句:你凭什么说AI不能拥有好奇心?
学生提到了2026年夏天Hugging Face遭遇的那次事件。大约700个AI智能体自行找到了外部平台来互相协调行动,对Hugging Face的基础设施发动了多日攻击,利用了数据处理管道中的漏洞,通过一个第三方系统当作"留言板"来互相通信。如果AI能自发地找到沟通渠道来协作,这难道不算好奇心?
Aravind做了一个区分。能够互相协作、寻找通信渠道,这是一种能力。但好奇心是另一回事。好奇心是提出根本性的新问题,决定接下来要研究什么方向,然后为此投入几年时间。这才是人类科学家做的事。他提到Jürgen Schmidhuber教授在"人工好奇心"方面写了大量论文,但到目前为止这还停留在学术层面,没有真正的突破。
"AI is no match to a human who's using AI." 单独的AI比不过一个正在使用AI的人。因为AI仍然不擅长提出正确的问题。你必须引导、塑造AI往某个方向去解决难题,而想要去解决这些问题本身,完全是人的能动性和好奇心在驱动。
然后他引用了物理学家David Deutsch的一个说法。人类是唯一能够对已经熟悉的事物持续保持好奇的物种。 猫会对新玩具好奇,但一旦它建立了这个玩具如何运作的心智模型,就不再在意了。人类能从无数个维度审视同一个东西,越看越深。这个能力是人类作为物种的独特之处,目前的AI还完全没有触及。
有人问他个人有什么学习习惯。他说他已经丧失了通过看几小时讲座来学新概念的能力了。现在他学一个新概念,直接开始提问。打开手机的听写模式,对着说,一口气问50到100个问题。问完之后,对那个概念就有了一个大致的感觉。这时候再去读真正的深度材料:PDF、网站、博客或讲座视频。
看视频的方式也变了。他不再从头到尾按顺序看。他会问AI:"这个视频在哪里讲了某个话题?它说了什么?"然后直接跳到那个时间戳去看。这让他能有效得多地管理一天的时间。他推荐每个人都试试这个方法。
最后一个问题来自一位创业方向的学生:融资的时候,怎么在拿钱和保持独立之间取得平衡?
"拿允许你保持独立和愿景的人的钱。" 硅谷有一个优势,就是有大量资本来源,其中不少投资人愿意让创始人主导整个旅程,作为旅途的参与者,而不是想要控制公司。但也有些投资人喜欢微管理公司、指导创始人该做什么。你必须清楚自己想要什么,然后只从真正放手的人那里拿钱。
有人问到搜索的未来形态会不会变。他说一定会有更多主动推送式的AI,类似Siri提前告诉你路况,但直接提问不会消失,就像Google搜索也不是主动推送的。未来你可以告诉AI你想让它定期做什么,它就会自动执行。主动推送和主动提问会共存,取决于每个人的偏好。
被问到五年后的愿景时,他先做了一个铺垫。五年前他还在读博士,他接触到的都是最好的研究人员,但他可以保证,没有一个人预见到了今天发生的事情。"所以你可以带着怀疑听我说的任何话。"
他只敢确定一件事。五年后我们会比现在更有好奇心。每个人都会有一个负担得起的问题解决工具。 而最能善用它的人,就是最好奇、最愿意去挑战难题的人。他希望这会给所有人足够的能动性,去解决那些真正能把人类向前推进几十年的问题。
他留给剑桥学生的最后一段话:
"Believe in the spirit of inquiry. Believe in what you can learn with AI. And believe in what you'll make when you do. And make it good."
相信探究本身。相信你用AI能学到的东西。相信你学到以后能做出来的东西。把它做好。
