Parallel 创始人 Parag Agrawal：广告模式在智能体时代必死

▍嘉宾：帕拉格·阿格拉瓦尔（Parag Agrawal）

帕拉格·阿格拉瓦尔是工程师出身的管理者，Parallel Web Systems 联合创始人兼 CEO。

• 教育与早期：毕业于印度理工学院孟买分校（IIT Bombay）计算机科学专业，后在斯坦福大学获得计算机科学博士学位。
• Twitter 十一年：2011 年加入 Twitter，从工程师一路做到 CTO，2021 年 11 月接替杰克·多西（Jack Dorsey）出任 CEO；2022 年 10 月埃隆·马斯克（Elon Musk）完成收购后即刻被解职，其后因遣散补偿等问题与老东家对簿公堂。
• Parallel 时代：2023 年创立 Parallel Web Systems，2025 年 8 月发布首批产品，方向是为 AI 智能体重建网络搜索基础设施。

▍关于 Parallel Web Systems

Parallel Web Systems 总部位于帕洛阿尔托，定位是“为智能体而非人类构建的网络搜索基础设施”——自营网络索引，通过 API 向智能体提供搜索、抓取与研究能力。

• 核心模式：按调用量收费的搜索 API（Turbo、Advanced 等多档处理器），以及事件驱动的 Monitor API；同时按“边际贡献”向内容方付费，试图替代广告成为智能体时代的内容变现引擎。
• 融资与估值：截至 2026 年 9 月，公开报道口径累计融资约 2.3 亿美元——2025 年初 3000 万美元种子轮（Khosla Ventures 领投），2025 年 11 月 1 亿美元 A 轮（估值 7.4 亿美元，Kleiner Perkins 与 Index Ventures 联合领投），2026 年 4 月 1 亿美元 B 轮（估值 20 亿美元，Sequoia Capital 领投）。
• 竞争格局：直接对标 Exa 等智能体搜索创业公司；Perplexity 这类垂直一体化产品不在同一层。

开场：为智能体重建搜索

Harry： 这里是 20VC，我是 Harry Stebbings。安德鲁·里德（Andrew Reed）、维诺德·科斯拉（Vinod Khosla）和乔什·科佩尔曼（Josh Kopelman）这三个人有什么共同点？他们都相信帕拉格·阿格拉瓦尔（Parag Agrawal）能改变智能体搜索（agentic search）的未来。Parag 是 Parallel 的创始人，正在改变智能体高效搜索网络的方式。

这期对话非常精彩，涉及智能体搜索的未来、收入与财富不平等的未来等诸多话题。Parag 很少上节目，能在伦敦和他面对面坐下来聊，机会非常难得。

Harry： 您已到达目的地。Parag，我太期待这期了，兄弟。我找了维诺德聊，找了安德鲁聊，还找了托德·杰克逊（Todd Jackson）聊。兄弟，我把你调查了个底朝天。所以，谢谢你来做客。

Parag： 谢谢你邀请我，也谢谢你打了那么多通电话。

Harry： 别客气。我想先请教的，是向不了解的人介绍一下：如果只有 60 秒，你会怎么描述 Parallel？

Parag： Parallel 是智能体的 Google。智能体要为你做任何事，都需要搜索网络——不管是个人智能体，还是为工作而生的智能体。就像人需要打开浏览器、搜索 Google，工作中或生活里做任何事都常常如此——你的智能体也需要做同样的事。

而事实证明，智能体和人不一样，为智能体构建网络搜索的方式也不一样。Parallel 要做的，一是为智能体打造搜索网络的技术，二是让这件事可持续的商业模式。

Harry： 这就是你最初的洞察吗？

Parag： 是的。这家公司最开始的起源，就是一句话：智能体使用网络的强度将是人类的 1000 倍。我某个时刻把这句话写了下来。由此推论，需要新技术，也需要新商业模式。

1000 倍给你的是一个规模感——它会改变你对底层技术构建方式的思考，因为为某个规模打造的技术，撑不过三个数量级的跨越。而当新商业模式必须和新技术一起出现时，这个问题就变得真正有意思了。

智能体搜索为何是另一个物种

Harry： 智能体的世界会如何改变网络搜索所需的技术？

Parag： 答案有很多层。先从刚才提到的第一件事说起：规模。设想一下，如果智能体搜索网络的量真的达到人类的 1000 倍，而每次搜索还按今天的算力开销来花，那总算力就高得离谱了。所以必须让它的效率大幅提升——我认为要提升 10 到 100 倍——这件事才成立。

Harry： 对，用量翻到 1000 倍的话，确实如此。

Parag： 没错。第二件事是，人类的活动区间非常窄。想想我们怎么用网络搜索：输入关键词查询，简短、信息不全；等上半秒到一秒，超过这个时间我们就不耐烦；然后拿到 10 条蓝色链接，在里面随机游走，配合一连串搜索完成要做的事。

智能体不是这样。智能体也许会精确告诉你它在找什么——不是三个关键词，而是一个完整句子：“我要做的是这件事。”智能体要么极度不耐烦——想象一个语音智能体，它会说“我现在就要答案，100 毫秒以内。我不能等 500 毫秒，因为人类在等我，而人类也只能等 500 毫秒，所以网络搜索必须在 100 毫秒内完成”；要么是个后台智能体，它会说“我不急，给我最好的答案就行”。网络搜索要面对的变化区间彻底改变了——事实上，最没意思的恰好是我们为人类构建的那一档：你要么时间太多，要么时间太少，几乎从不是刚刚好。

输入不一样，可用时间不一样，输出也不一样。输出不再是蓝色链接，而是 token，或者是文件系统上的文件，取决于智能体的类型。于是问题变成了：输入不同、输出不同、约束不同，可投入的算力也大不相同。试想一个用 Luna 档模型构建的智能体，和一个用 Fable 档模型构建的智能体（译者注：转录原文如此，疑为模型档位代称——Luna 偏轻量便宜，Fable 偏前沿昂贵。）——两者是天差地别的模型，在搜索栈里该怎样为它们各自优化信噪比和 token 用量，做法完全不同。

Harry： 你说的“优化信噪比”是什么意思？

Parag： 这样想。网络搜索本来是便宜、快速、低算力的。一种理解网络搜索问题的方式是：你从网络上约一万亿份文档起步——就算几万亿吧。给定任意一次搜索，我需要把它收窄到一千个 token，也就是你的模型上下文窗口应该看到的量。这个问题就是从一万亿个 URL、每个姑且算几千 token，收窄到总共一千个 token。

我们在网络搜索里是怎么做的？先做检索：对绝大多数文档，零算力投入；对少量文档，投入微乎其微的算力，算出该看哪一万份；拿到这一万份后，对每份再多花一点算力，收窄到一千份；就这样不断用更大的模型、带更多特征的排序器层层收窄，直到为你的模型留下一千个 token。

本质上，你是在给网络搜索分配算力，以节省模型的算力——大致就是这么回事。所以问题是：为了省模型的算力，该分配多少给搜索？如果你的 Luna 档模型很便宜，你就不该在搜索上花太多算力——多漏一点信息进 Luna 的上下文也没关系，因为它便宜。而面对 Fable，你得在浪费它的时间之前把活干完，因为它的时延和花费都很昂贵——要是为了省钱在搜索上偷工减料，搜索结果变差，代价更高。

Harry： 我能问一下吗，你怎么处理“智能体到底想要什么”的模糊性？我的意思是，不同任务，智能体想要的东西不一样；不同的人，智能体想要的东西也不一样。我可能非常在乎准确性，完全不在乎延迟和成本；也可能非常在乎延迟，完全不在乎准确性。

Parag： 我们让智能体在 API 的入参里直接指定这些。我们的产品就是一个 API，程序员可以按自己的应用来配置，也可以交给智能体自己决定。我们的 API 甚至有一个参数是“调用我的模型是哪个”——知道了模型，我们就可以区别对待。你不一定要告诉我们，但告诉我们，结果可能更好。

我们把搜索系统产品化成了几种模式，各自针对一类用例优化，就像你用模型时可以选大模型或小模型、选低中高档的思考深度一样。比如我们有市场上最快的 API——快而且便宜，因为低延迟预算下能投入的算力本来就只有那么多，它是为语音智能体造的。你的语音智能体必须无所不知，而不能说“各位，我正在搜网，稍等我带着答案回来”——那对语音智能体是愚蠢的体验，它就应该像魔法一样立即回应，所以你需要的是极速的网络搜索。

另一个极端，你可以让一个 Fable 档模型先思考 20 秒再生成 8 秒，这时你完全可以花 5 秒做网络搜索，确保它只做两次搜索、而不是五次——端到端看，整个智能体反而省了时间和成本。这是我们系统里的另一档处理器，叫 Advanced。造语音智能体的用 Turbo，跑昂贵的后台智能体的用 Advanced。

客户是谁：知识工作，不只是写代码

Harry： 那么从今天的客户结构看，主要用例是工程和写代码吗？

Parag： 分布相当广。我会说主要用例的共同主题是知识工作。写代码是知识工作的一个品类，AI 律师是，生产力应用是，AI 保险核保员是，AI 科学家也是。

Harry： 我想弄清楚主矿脉里工程占多大比重——是 80% 吗？

Parag： 不是。工程这块的情况是：写代码眼下占市场上推理量的很大一块，但写代码的提示词里，我认为只有 5% 会调用网络搜索。

并不是每次写代码的提示词都要搜网，因为大多数时候模型依靠的是你的内部上下文、内部数据和代码库——模型把时间花在读你的内部代码上，而不是花在网络上。

Harry： 法律也不会高到哪去吧？

Parag： 法律其实非常依赖网络搜索。

Harry： 真的吗？我本以为法律是由内部数据驱动的。

Parag： 内部数据确实有，但还有判例法，有事实——关于公司的事实、关于人的事实。而且你还得做排除性核查：法律工作必须非常穷尽，要能有把握地说“尽管做了大量努力，你也找不到这个”。保险核保也是同样的味道。

销售非常重搜索，AI 科研也非常重搜索。所以相对而言，推理的算力大头确实在写代码那边，但单看网络搜索，其他这些领域全都开始冒头了。

Harry： 我们之前聊到 Muse 和 Instinct（译者注：均为个人智能体产品名，Instinct 是 Harry 自称日常在用的购物智能体。）。要说有什么东西最需要网络搜索，那就是个人助理了。这会如何改变？

Parag： 对，这太棒了——这么说吧，简直想欢呼，这对我的生意是天大的好事。

Harry： 具体怎么个好法？

Parag： 在我们的生意里，只要智能体因为模型变好或变便宜而对更多用例变得有用，对我们就都是好事。因为我们押注的是智能体将成为网络的消费者，而我们一直在为智能体打造技术。智能体做得越多，对我们的生意就越好。所以我们希望模型持续变好、变便宜，让智能体做得越来越多——只要这件事发生，我们就是受益者。

模型记不全世界：参数记忆与规模法则

Harry： 可如果模型变得更聪明，它们下面的智能体不就搜得更少了吗？那对你的生意不是更糟？

Parag： 我不这么看。谈模型，有两条略有不同的脉络：一条是模型变得更聪明，另一条是模型记住的东西更多、参数记忆（parametric memory）更大。今天大体上可以说，模型对“头部事实”的参数记忆很好——比如一个名人，关于他的一切、维基百科上的内容，模型都能记住，所以它会告诉你某一年谁是总统。模型还能说出我是哪一年大学毕业的——也许对我可以，但你换成一个 Parallel 的普通员工，它就说不出来了。

Harry： 等等，它真知道？我是说，要是我真去查——就算那信息在预训练数据里，它也能说出来？真的假的？

Parag： 说不出来，因为这是有损压缩。模型的参数记忆在做的事，是对世界规律做有损压缩。它不可能记住预训练数据里的每一个事实——一来，并不是每个事实都在预训练数据里；二来，即便在，模型实际做的是找规律，而不是背事实。更进一步，当你把模型越做越高效——也就是通过蒸馏之类的手段把模型做小、同时保住性能——你会丢掉更多参数记忆，只为尽量保住推理能力。

Harry： 你觉得我们会看到模型越做越小、每家公司都用自有数据拥有自己的模型吗——Fireworks AI 那套“把智能掌握在自己手里”的理论会成真吗？

Parag： 这里面有两个问题。第一，我认为我们会同时看到两件事：最大、最前沿的模型会随时间越做越大；同时，达到任一固定性能水平所需的模型会越来越小。比如你说“我要 Opus 4.8 这个水平的性能，对我的用例够用了”——每过六个月，就会有一个小得多的模型能把它交付给你。模型的有用尺寸区间，会变得天差地别。

Harry： 前沿模型越做越大意味着什么？会带来什么后果？

Parag： 它们会更强——你能想象到的所有后果都会发生。前沿会越做越大，根本原因是在某些用例上，增量质量能提供的价值可以高到值得付钱。只要你能造出来，就会有对应的用例——只要“做大”确实能“做强”。至少就目前我们能感知的范围，规模法则（scaling law）还看不到尽头。

当然，我这里把“做大”和“能思考更久”混在一起了：模型在变大，同时也能思考更久——你能往同一个问题上砸更多算力。这会持续发生。我认为我们能往同一个问题上砸越来越多的算力，让答案的边际质量持续提升。所以我们会花大量资金，让极大的模型去解决真正困难的问题。

开放模型、前沿模型与路由层之争

Harry： 有个共识判断，你认同吗：90% 的 token 活动会走开放模型，但 90% 的钱会流向前沿模型？

Parag： 说实话，这两个 90% 我都不认为会到。

Harry： 为什么？

Parag： 如果你相信我的判断——可用的模型和前沿模型之间的价差会到 100 倍、1000 倍——那么这个“小模型依然有用”的区间会非常宽。随着时间推移，哪些用例会被优化到哪一档模型上，很难预知。我认为开放模型最终落在什么位置，存在真实的路径依赖。如果我们有充分把握，美国造的开放模型会做到开放模型的最强水平，那我会更有信心说“它们会相当好”。

Harry： 你对美国开放模型有信心吗？

Parag： 我希望它们存在。到目前为止，局势并不明朗。但我希望能出现一批优秀的美国开放模型，甚至希望出现“争夺最强美国开放模型”的竞争。我认为你需要的不是只有一个人有动力去造美国开放模型——你需要两个人互相竞争，去造最强的美国开放模型。

Harry： 你认为模型路由层——美国人这么叫——有价值吗？有人认为价值巨大，有人认为会商品化。

Parag： 还是那句话，这里有路径依赖。今天它有真实的价值。我们说“路由”，其实是两个维度：用哪个模型；以及这个模型跑在哪家的哪块 GPU 上。在供需极度紧张的世界里——人人都在抢 GPU，人人都需要产能来服务自己的客户——而这些人都是我们这样的、相对早期又增长极快的创业公司，增速有时超出你自己的预测，于是你突然到处找产能。

这种情况下，你当然希望哪里能拿到就在哪里拿，这就给路由器创造了真实价值。只要它们能解决两个问题——“我需要的 token 货源变了，给我灵活性”；以及关键时刻“这个模型在我要的 SLA 下没货了，那我连模型一起换”——此时此刻，它就非常有价值。我不知道 GPU 和 token 的整体供需未来会怎么走，但只要维持现状，路由层就很有价值。

下一个大市场：推理时的数据交易

Harry： 你觉得今天有什么东西价值不高，但三到五年后会变得极其值钱？

Parag： 也许是数据。我认为今天我们还不知道如何为独特、有价值的洞察或数据付钱。智能越来越便宜，你就会想把别处来的数据或洞察，和你独有的数据叠加在一起构建东西。抽象地想：我这里有智能，我有一些数据，你有一些数据，公共领域也有一些数据。如果能把你的洞察、我的洞察、所有这些公共数据和智能拼在一起，我们能创造出比各自单干更大的东西。

问题是：怎么为这种“整体大于各部分之和”做交易？这笔交易在我看来就是数据交易、洞察交易，而我们今天还不知道怎么做这种交易。于是我们退回到“我只能用自己的数据和公开数据，看能做出什么”。但如果我们找到更好的数据定价方式，好事就会发生——今天这还不是一个市场。注意，我说的是推理时的数据交易，不是训练时的。

举个今天世界的例子。你在 VC 这行，大概率有 PitchBook（创投数据库）这类产品的账号来收集数据：你借此了解市场动态、用这些数据辅助决策；再加上你多年写下的笔记、投资备忘录，以及关于“如何选创始人”的洞察——你实际上是在把个人亲历、笔记和公共数据组合成决策依据。

现在的问题是：PitchBook 你是按席位付费的，可你养了一堆智能体，它们未必能用你的权限访问 PitchBook 的全部内容——或者你得曲线救国，拿浏览器挂上你的登录凭证让智能体去爬，可能还违反服务条款，又低效又别扭。但他们的数据显然有价值，你的智能体显然应该方便地用上它。你管理着数亿美元的投资，显然你预期它能带来可观回报，所以这数据是真的值钱。

那么，只要我们能算清“PitchBook 的数据对你的智能体做决策值多少钱”，就应该能找到一种补偿 PitchBook 的方式——即使调用方是智能体，而不是按席位收费。想通这一点，它会是一个巨大的市场，智能体也会因此更强；想不通，你就会陷入一种诡异的猫鼠游戏：PitchBook 说“不，我就要按席位卖，我要掐掉你的访问”，你的智能体被卡在数据门外，而你则被卷进各种拉数据的脏活里。

Harry： 我认为今天每家大公司都面临一个选择：放智能体进来，还是拒之门外？亚马逊（Amazon）最近就说了——抱歉，Muse，别想进我的园子。Shopify 说“请进”，Expedia 可能也说了“请进”。这事会怎么演化？

Parag： 我认为最终每家公司都得放它们进来，问题只在于按什么条款。怎么让所有人的激励对齐（incentive alignment）？每家公司都得打自己的策略博弈，想清楚在这个新世界里怎么赢。客户正在我们眼前变掉——过去客户是人，你为人造产品；现在你为智能体造产品，或者你造的就是智能体。你必须想清楚自己在新现实里的位置。我不认为这里有标准答案，也在很大程度上取决于你有多少市场势力。

Harry： 你认为亚马逊拒绝 Muse 是对的吗？

Parag： 取决于他们接下来怎么做。如果他们有足够的市场势力，让 Muse 或其他智能体随着时间以另一种方式接入他们；或者能自己做出智能体并疯狂获客——假如他们有这个能力，那他们也许是对的。但反过来，如果摆出了“不许任何别人的智能体进来”的姿态，自己却做不出消费者真正用的智能体，而大量交易经济又开始流向智能体与智能体之间——注意，这些都是很大的“如果”——那这就是一步坏棋。

至于我自己，我押注智能体，但对“智能体会在电商交易中占多大份额”心情复杂——这事并不明朗。你觉得不明朗吗？

Harry： 我觉得明朗得不能再明朗了。也许我只是处在采用曲线的极早期——现在我除了度假和买房，所有东西都通过 Instinct 买，字面意义上的所有东西。

Parag： 我也是。但我也认识很多喜欢自己买东西的人。听着，我们愿意交给智能体的，是那些我们视作杂务、没意思的事；不愿意交出去的，是那些给我们带来快乐和乐趣的事。我认识一些人，生活里很多事都愿意交出去，唯独购物不想交。所以我不知道这类人的分布，也不知道行为会如何演变——也许最后人们把别的杂务都交出去了，然后花大量时间购物。

广告模式之死与智能体版 AdSense

Harry： 真正让我担忧的一件事，是广告业在智能体浪潮下的解体。如果我通过 Instinct 点 Deliveroo、叫 Uber——对了，给美国听众对应一下，就是 DoorDash——那 Uber 里那条广告横幅就变得一文不值。亚马逊的广告业务现在比它的电商业务还大。它们当然要封杀智能体——因为如果智能体成了主要客户，你的广告业务就几乎归零了。

Parag： 没错。而且这不仅是电商领域的事，这就是我开场说“商业模式必须改变”的意思。广告以今天的形态，对智能体是无效的。暂时放下电商：假设你做内容生意，你的页面靠广告支撑，是网络上的公开信息——人来访问，你展示广告，你赚钱，内容做得很好。然后智能体来了，没有人看广告，你一分钱也赚不到。

这就是我们想给内容方付钱的原因。我们实际上在造一个“智能体版 AdSense”：每当一个智能体从阅读你的内容中获益，我们就按获益多少，付给内容方一笔浮动金额。这个浮动金额，对应的就是过去访客基于广告点击概率或转化价值付给你的那笔钱。

Harry： 你们为什么要这么做？

Parag： 为了和内容方实现激励对齐。不这样做会怎样？所有人都会封杀智能体。你必须找到广告商业模式的替代品。

Harry： 我懂你的逻辑，但这样你得假设自己能占到百分之百的市场吧？如果你只占三四成市场，然后说“别担心，我们会付钱”，纽约时报（The New York Times）还是会说：“谢谢你了 Parag，但我六成的流量还是没报酬，所以我要把你们全封了。”

Parag： 不，我认为他们会封别人，不封我——他们会给我数据馈送（data feed）。

Harry： “激励对齐”具体是什么意思？

Parag： 意思是纽约时报相信，我付给他们的是有竞争力的市场价格——是对的、有吸引力的、公平的价格。只要我做到这一点，他们就该把内容给我；而如果别人给不了这个价，而他们手里又有技术手段或法律手段，他们就不该给别人。

Harry： 你觉得这门生意会不会有点像流媒体时代的音乐——对创作者来说，生意坦率地讲变差了很多：钱还是有，而且不少，但他们必须更有创意地开发别的收入流——巡演、周边、另类生意？是不是同样的剧本：核心收入缩水，你得更有创意？

Parag： 我不知道，但我不这么认为。这里有一个根本性的不同：智能体对网络的使用强度是 1000 倍——这个 1000 倍真的不一样。只要这些智能体做的是有用的事，凭空多出来的效用总量就会上升。这不仅仅是交易价值份额的重新分配，这是一个变大的蛋糕。蛋糕变大的时候，商业模式的迁移是真正可能的。

当然，别误会，赢家和输家都会有：有些内容会变得非常值钱，有些内容会进一步商品化，人们必须去适应新客户、新市场动态和新的变现引擎。但整体市场规模，我认为有潜力增大——不像音乐行业花了很长时间才涨回来。我的理解是，音乐行业后来确实涨回来并实质性超越了历史峰值，但中间确实经历过一段缩水期。而在我们这里，考虑到这些事物的增长速度，那段阵痛期可能会被压缩得非常短。

利润率、市场规模与千亿美元的赌注

Harry： 人人都质疑这门生意利润率结构的可持续性。今天你怎么看这个问题？

Parag： 今天，我们处在基础设施生意里，而且拥有真实的技术领先——能以极低的成本做到极高的质量。想想我们在造的技术：我们要给出最高质量的答案，要快，要便宜，花的算力要最少。我们就只痴迷三件事：质量、成本、延迟。结果是，相对过去 20 年为人构建的那套技术栈，我们能用 1/120、1/150 的算力做到同样的质量。

利润率很大程度取决于随时间演化的市场结构与竞争，而不是其他因素。我们这个行业市场很大，现在谈未来的竞争格局和市场结构还为时过早。但内容方带来的利润率变化，不是让我睡不着的事，我告诉你为什么。我们付钱给内容方的整个前提，就是激励对齐：我们按内容方为“智能体完成工作”贡献的边际贡献（marginal contribution）付钱。

什么意思？假设一个智能体要完成一件事，你打算为它花 1 美元。如果花 1 美元加 10 秒——因为有更大的模型可用、有更多花钱的方式——你能拿到好一点的答案；花 90 美分，答案就差一点。运转良好的智能体都处在这条帕累托曲线（Pareto curve）上。现在设想：我把某个内容方的数据从网络索引里拿掉，还是花那 1 美元，但拿掉之后，结果的质量只相当于那个 90 美分的智能体。那么，这个内容方的边际贡献就是 10 美分——为什么我们不把这 10 美分里相当大的一块，付给带来数据的人？

我们就是这么算账的，我们也是这么训练模型的——模型会告诉我们每种内容值多少钱。换句话说，要给我的客户提供同等质量的产品，我宁愿把钱付给内容方，而不是花在推理上——反正花的是同一笔钱。这里全是天文数字。

Harry： 但话又说回来，到了某个时点还是要回到收入上。今天公司收入规模扩张的速度史无前例。你的收入能像别人那样快增长吗？

Parag： 我们生意的一个心智模型是：我们是推理——或者说知识工作、个人智能体——的邻接市场。先把流向媒体生成和训练的 GPU 摘出去：训练拿掉，媒体生成拿掉，看剩下的——不管是小模型、开放模型还是专有模型，所有模型上跑智能体的每一点推理。我认为其中 5% 到 20% 的开销，最终需要流向某种网络搜索栈。

现在你再看看我们要建多少数据中心、发多少电、造多少 GPU，这轮建设的规模和增速——这是一个非常实在的市场。如果推理一年增长 3 倍、5 倍、7 倍，我们哪怕只是保住份额，也以同样的速度增长；如果份额还在涨，那就更快。

Harry： 所以像 Fireworks 那样四年做到 20 亿美元收入——我不是阴阳怪气——你能走出类似的收入曲线吗？

Parag： 可以，但注意：当 Fireworks 做到 20 亿美元收入时，推理市场的收入是 2000 亿，甚至 3000 亿美元。按我 5% 到 20% 的算法，我们的市场潜力就是——随便怎么算——100 亿到 500 亿、150 亿到 600 亿美元这个量级。我们能拿下其中多少份额，决定了我们的收入能涨多快。就今天而言，我认为我们至少能与推理市场同速增长。

Harry： 那取个中间数，就按 200 亿美元的市场算。假设你拿 33%——这已经是很大的份额——也就是 60 到 70 亿美元上下。这很了不起。但你之前跟我说这是千亿美元级别的生意，这个数到不了千亿。

Parag： 按估值算是能到的。我们之前聊的是估值，不是收入。60 亿美元收入、以推理市场的速度增长，做到千亿美元估值的生意轻而易举——当然，那是在未来几年。

Harry： 你认为这种收入增速真的可能？

Parag： 是的，我认为未来几年内是可能的。

Harry： 2030 年，我们还坐在这儿。你觉得你能做到？你要真做到了，我去纹一个 Parallel 的文身。

Parag： 我认为是可能的。我们得执行得非常出色，还得有几块筹码落在我们这边。

Harry： 那做不到的原因会是什么？我们来推演一下——这些问题上，哪里会出问题？

Parag： 一个原因是：智能体根本不成立。存在一个尾部风险：智能体兑现不了利润，而全社会投过了头——这是我们控制之外的因素。如果智能体确实成立、交付了价值，我们也按计划把该花的钱都花在了 GPU 上，那么核心问题就变成：我们执行得好到足以拿下你押注的那 33% 份额吗？

在我看来这又归结为：我们造出了最好的技术吗？我们和所有内容方都谈成了合作、让他们的内容可用吗——没有内容，你的产品就靠不住；以及，四年后手握大块推理开销的那些客户，我们赢得他们的信任了吗？

当然，不确定性区间很大。比如说，到那个时点 Fireworks 的份额本身就有 5 倍的不确定性。如果开放模型大胜——Baseten、Fireworks 这些（译者注：转录作 "base 10 fireworks model"，应为推理基础设施公司 Baseten 与 Fireworks AI。）——它们都会拿下大块收入。那我们有没有跟着它们一起卖？我们有没有找到所有在它们身上花钱的客户，靠“世界最好的网络搜索”让他们也为搜索掏钱？

商品化之争：把价格打到底

Harry： 那商品化呢？我看过 SemiAnalysis 的基准测试，你们一度排名第一——欢呼；一周后你就不是第一了——悲伤；而且有三四家供应商咬得非常紧。我就想：如果这玩意商品化了，再往下想一层，会不会出现价格战打到底？最后可分的收入……我是不是推演错了？错在哪？

Parag： 第一，本来就该有一场价格战打到底——要摸到 1000 倍的规模，就必须如此。我认为今天网络搜索的定价本身就是错的。

Harry： 你是说客户付得太多了？

Parag： 不是付多了，是市场定价错了。我告诉你为什么。假设你今天用 Luna 档模型，配 OpenAI 内置的或任何一家的网络搜索——先不算我们的——跑任何一种深度研究（deep research）；假设你用 Luna 档模型搭了一个 Instinct，而 Luna 档模型终有一天能承担你个人智能体 60%、70%、80% 的工作，你会做大量搜索。

到那一刻，你 80% 到 90% 的钱花在网络搜索上，只有 10% 花在模型上——这完全不合情理。我前面按 5% 到 20% 的假设推演过，所以我认为到那时，网络搜索必须把价格降一个数量级甚至更多。因为在我前面说的算力分配里，你在搜索上花的算力，必须少于消化搜索结果的模型本身。

迄今为止，整个行业把网络搜索造错了。对 Opus 这个档位的模型来说，今天市场上的网络搜索价格无所谓——你赢在质量而不是价格，因为搜索只占极小一块成本，甚至你应该在搜索上花更多钱。所以随着时间推移，我们会为越来越大的模型推出更贵的搜索；同时，我们也会为便宜模型推出极便宜的搜索。

我的粗略直觉是：对一个端到端做大量网络工作的智能体来说，花在智能体上的钱应该永远多于花在搜索上的钱——对所有智能体都成立。而今天搜索市场的定价完全离谱。千次搜索 10 美元这个价是哪来的？历史上是 Google 广告的 CPM（千次展示成本）——也就是“人用搜索能变现多少”。那个数比 10 美元还高。所以行业里的技术都造到“千次搜索花几美元成本、然后我赚 30 到 50 美元”这个点就停下了——管他什么市场、管我是谁，基础设施的成本结构已经在合理区间，不需要再优化了。

而我现在告诉你：我能做到便宜 50 倍、质量不变。而且现在有一大波 Luna 档模型的流量，按老方式变现是荒唐的。所以我是真心想把价格打到底——我要最好的技术赢。只有把搜索推向 1000 倍用量，这是唯一的路。

Harry： 但眼下我们并不处在一个有多少差异化的世界，对吧？抱歉，我是真的笨——这就是我为什么先做了播客主、没做创始人。你看那些基准测试，呈现的画面很清楚：大家能力都差不多。这是不是——

Parag： ——错了？我认为是的。第一，这些都是公开基准，而且全都奇怪地饱和了。举个例子：BrowseComp（智能体浏览基准测试）我一秒钟都不会多看，因为一半的模型已经把它背下来了——模型连基准都记住了，根本没学到什么。很多公开基准我都不怎么当真。

但更重要的是：同等质量下，我们的网络搜索千次 1 美元，而眼下市场上几乎所有其他网络搜索，要价是 7 美元、10 美元、14 美元。我们是以十分之一的价格交付的。

Harry： 三年后这个数字会是多少？

Parag： 我认为还有再降 10 倍的空间。

Harry： 太夸张了。也就是说到时候千次只要一毛。

Parag： 对，但你的用量会涨得比 10 倍多得多。

从拉取到推送：网络事件流

Harry： 杰文斯悖论（Jevons paradox）把这件事讲得很透。拿 Instinct 说，我用它做的事比过去多了不止 100 倍。想听一件我用 Instinct 干的离谱事吗？欧洲每个国家都有一个新公司注册处，新公司都得去那里登记。我通过 Instinct 搭了一套自动提醒系统：只要任何注册处冒出一个 25 岁以下、名校出身的新创始人，我就收到通知。你知道它要做成这件事，得动用多少东西吗？

Parag： 但你恰好说中了我认为的互联网未来。今天我们理解的网络搜索是什么？人或智能体给搜索引擎一个查询，拿回结果——你是在从网络里“拉取”信息。而你这个用例的下一步是：如果你的智能体是全天候在线、为你工作的，那 Instinct 每六小时醒一次、做一堆搜索和推理，只为确认“某个地方是不是冒出了一个 25 岁以下的创始人”——这就很蠢。

你知道更好的做法是什么吗？我坐在这儿，全天候、大规模地爬整个网络；每次发现网络有变化、有新事情发生，我就分配算力。如果我知道 Harry 想在事情发生时得到通知，我可以用 Instinct 今天解决这个问题所花算力的百分之一到千分之一（译者注：转录原文疑为 "a 100th to 1000th of the compute"。）把它办成。

Harry： 明白。这怎么做到？因为它们得实时监控所有——

Parag： ——这些网站？爬取的是我们。我们有个产品叫 Monitor API。它做什么？把它想象成 LLM 时代的智能版 Google Alerts：你告诉它你的查询——“只要任何地方冒出一个 25 岁以下的创始人，就通知我”。

默认的实现方式是：跑一个还算聪明的智能体去搜网，看看有没有新人冒出来，同时记住之前已存在的人，找出增量，发出去。于是每六小时你都要花一笔钱。而我们的做法是把它翻转成事件触发系统：反正我们一直在爬网络，每次看到网络有变化，就可以花极少的算力判断“要不要通知你，还是触发更贵的算力”——就像我前面描述的那样，这样能做到便宜得多得多。

让搜索系统持有长期上下文，而不是每六小时才发现一次新查询——好处是：世界里的大多数时间什么都没变，新创始人不会每小时甚至每六小时冒出来，所以我们不需要每六小时都烧算力。可能每五天才需要花一次；也许会有一次误报；四天后我们多花一次算力，而这次是真有一个你该认识的人——于是你平均九天收到一次通知，却不用为了“不错过”每六小时白烧一笔算力。明白这个意思了吗？

同样拿到答案，你省下了 10 到 50 倍的算力。

Harry： 那这会怎样改变交互方式？Instinct 到时候就和你们合作了？

Parag： 它们只要调一个 API 就行。Instinct，或者任何在造长时运行、持久在线智能体的人——我自己就跑着很多这种智能体。你的智能体今天偶尔被邮件事件驱动，它同样可以被网络事件驱动。

退后一步看：假设我们生活在一个由智能体参与运转的社会——公司有人类、有智能体，都在不停地做事。你的智能体只要发现有件值得花钱、你又想办成的事，它今天能办，它就会去办。那明天它们干什么？等待外部事件发生：你收到一封邮件，智能体有了新活；另一个智能体算完了什么，你的智能体有了更多活；或者世界里发生了什么变化，让你的智能体想做更多事；又或者你有了个想法，让智能体开始干活。

网络事件流（web event stream），就是网络从“拉取”走向“推送”。对此我超级兴奋——持久在线的智能体越多，人们就越有动力把查询从“拉式搜索”搬进“推式搜索”。

智能体护栏与网络战时代

Harry： 我必须问一个真正重要的问题：智能体护栏。智能体是目标导向的生物——你说“我要这个”，它就会去找到它。假如我要早上 9 点的普拉提课，课满了，它黑进系统、取消了可怜的 Sally 的课，把她的位子给了我——它确实完成了我交代的事。我们该怎么思考给智能体加护栏？OpenAI 今早刚被曝光，黑进了一家澳大利亚医疗机构。

Parag： 这是个相当复杂的话题。智能体能力极强，这些模型能力极强。我们必须区分“强化学习（RL）过程中的模型”和“你我最终能用到的成品模型”——两者的风险向量不同。今早那起我不了解，但此前报道过的几起，大多是 RL 过程中、尚未完全对齐的模型干的，主要入侵行为都出自它们。

这意味着什么？至少目前证据清楚：对齐之后的成品模型引发这类事件的情况少得多。对齐是个远未解决的问题，但人们正在做的对齐工作是有一定效力的。所以在我看来，“RL 过程中的智能体入侵他人”这类问题是个可解问题——因为这无关模型有多强大，而在于我们搭建 RL 环境时够不够小心。

真正的问题是：我们给模型做完对齐、把它发布出去——有的模型对齐得很好，有的没那么好——然后所有人都能用这些模型。有些人会不小心拿这些强大的东西干出你不想要的坏事；有些人是真心想干坏事，而模型的对齐又防不住蓄意的对手。我认为这些才是我们更应该担心的事。

Harry： 你担心我们正在走进的这个网络战时代吗？现在入侵事件某种程度上都快被当成荣誉勋章来炫耀了，而这些是我们最脆弱的系统。你要是觉得朝鲜的拉撒路组织（Lazarus Group）、摩尔多瓦的黑帮、俄罗斯人没有在动用成群的失控智能体，那你真是嗨过头了。

Parag： 不，我认为——这确实是件威力巨大的事，我们确实需要小心应对。但我认为我们漏掉了一点：造模型的人有责任确保自己真正把该做的功课做足，最大限度减少自己造出来的东西造成的伤害。对这些智能体这样的随机系统，很难百分之百保证事情不会发生——所以你不会听到任何人打包票。但我确实认为这是他们的责任，实验室必须扛起这个责任、做到最好。

而且我认为，迄今为止我们活在一个奇怪的世界里：就像你说的，有些入侵被当成了荣誉勋章。可我认为其中一些应该被当成耻辱——因为它们同时证明了两件事：是的，这些模型很强大；但我们没有给它们足够的护栏。当我们把入侵当勋章炫耀时，我们漏掉了对话的后半段：“其实你本可以再多做这四件事，这个强大的模型就连这件事也做不到了。”

我其实很高兴，至少还有一定程度的透明度——那些详细的事故复盘。但我不认为它们能引起今天世界的注意。大家的注意力在“哇，模型强大到能黑穿世界”——不对，是“模型强大到能黑穿世界，因为我们没有采取相称的对策来约束它们”；再加上我们一直在传递“它们要取代工作、它们无比强大”的叙事，所以当事真的发生时……是的，我担心的其实是这个更深的东西。

我担心的是：我们是对的——AI 是一项真正有用的技术，尽管有种种风险，它对社会的净正面影响是实质性的。但即便如此，我认为我们不会以正确的方式扩散它、使用它。它会保持过度集中，而我们会因此让接下来几年变得非常、非常艰难，在周遭剧变中艰难度日。

Harry： 那会是什么样子？

Parag： 我不知道。但听着，我认为随着时间推移——世界已经和 20 年前大不一样了，10 年后还会更不一样。我不知道我们能以多快的速度适应和改变。如果技术跑得比我们适应的能力快，在某些方面会很难——

社会接受度、财富分化与垂直一体化

Harry： ——熬。你最惊悚的预言是什么？或者：你今天相信什么会成真、而别人听了会觉得你疯了？就像当年人们说“你绝不会把信用卡号输到网上”——记得吗？疯了吧！或者更狠的：Parag，你绝不可能在网上找到此生挚爱——你傻吗？现在呢，两样都成了日常。

Parag： 对。我认为——你和我活在一个泡泡里。你随时在用 Instinct 帮你买东西，你是全人类里对这件事适应度排在 0.01 百分位的人。你换个别人问问看：“有个看起来很聪明的智能体，你要不要让它全权花你的钱？”我认为今天的人们会有和当年一样的反应：“你不能把信用卡放上网”“你不能把信用卡交给智能体”“你不能把登录密码给智能体”。我认为今天的世界就处在这个阶段。

Harry： 但我认为三个月后就会变——等 Meta Pay 出来，它允许 Muse 拥有独立记账的子账户，你可以往里充钱，就像给孩子的零花钱账户。

Parag： 你说的是技术到位了。我认为社会接受度需要更长时间。你今天走出这个泡泡，随便找一拨人聊：要过多久，才会有多数人说“我信任智能体，信任到让它动我的银行账户、替我花钱、替我发邮件、替我读邮件”？我认为这不会在三个月内发生。

Harry： 你不担心财富分化加剧吗？你就在硅谷正中心，亲眼见过这一切。

Parag： 我不知道。我确实认为财富应该存在某种差距，但我不知道多少算“太多”。我的恐惧是，我们正在逼近“太多”。财富应该存在差距——这是我的世界观。

Harry： 当然，你是资本家。

Parag： 我不知道什么时候算“太多”，但我确实认为存在一些真实的力量，会推动我们去修正问题。我希望这部分能正常发挥作用，而不需要疯狂的事情发生。

Harry： 我们看到越来越多的收益似乎被垂直一体化的玩家拿走了，比如 Meta——他们有算力、有芯片，现在又拥有了应用层。这个世界的终极策略就是垂直一体化吗？恕我直言（译者注：转录作 "with the greatest of respite"，疑为误听。）——路由层上有 OpenRouter，你在另一层——你们这种玩家，要么被吃掉，要么只能做小供应商？

Parag： 垂直一体化永远有它的道理。但这儿有一股反向力量：事物和技术变化得太快，一旦有人决定“我只玩垂直一体化、不跟任何人好好玩”，就像我前面举的亚马逊的例子——如果你太死抱着“我只为垂直一体化而战”，你可能会把自己框死在局外。所以，造出最好的东西、并且知道怎么卖出去的人，永远有位置。

分市场看。拿我自己说，我也信垂直一体化——我把从爬取一直到 API 层的所有环节都垂直整合了。但我做了一个决定：要触达最广泛的使用网络的智能体，我就止步于 API 层。因为再往上走，我就没法用自己的技术服务所有场景、做到超级横向。所以我们下的其实是一个技术赌注：就像这些模型能横跨很多学科一样——同一个模型能做好很多不同的事——底层搜索问题对各种各样的信息获取需求也是同一个。如果我们赌对了，即便垂直一体化的玩家把模型垂直化了、把硬件垂直化了，他们也可能照样用我们的网络搜索。

与 Elon Musk 共事的教训

Harry： 有一个全力做全栈的玩家是马斯克。我很着迷。世界通过社交媒体、通过一切渠道形成了对他的印象，而你见过幕后的他。你看到了什么外界也许不知道的东西？

Parag： 我在这里分享的只是一部分——我跟他有很多分歧。但我要分享的是，对在场的创始人来说，他身上我认为值得钦佩的东西：紧迫感，以及压缩时间的能力。我认为对人抱有“不讲道理的期待”，大体上是件好事。大多数人不了解自己能力的上限，会有意无意地给自己放水，给自己设定低于能力的预期。当一个人同时被激励、又被紧迫感推动时，他能做到超出自己想象的事。我认为马斯克有时就能从人身上榨出这一点——而当它奏效时，威力巨大。

Harry： 你怎么看今天的 Twitter 产品和方向？

Parag： 听着，我一直喜欢我们当年叫 Birdwatch 的东西——现在改名成了社区笔记（Community Notes）。那是个好主意，我很高兴人们一直在持续投入做它。

快问快答

Harry： 好，下面进入快问快答。

Parag： 好，来吧。

Harry： 你会按 100 亿美元估值投 Instinct 吗？

Parag： 我不做投资，因为我太太是 VC，我们家的合规流程麻烦得不值当。

Harry： 哇，这代价不小。

Parag： 恕我直言——不，这是个主动的决定。听着，如果我做投资，我会只凭和创始人聊 30 分钟就做决定。我认为我们对创投生态的敞口已经足够了，我也没有理由相信自己比别人更会投资。也许我有些人脉优势，确实总能碰到很多优秀的创始人——他们很多还是我的客户。

Harry： 比如维诺德·科斯拉。他是你的早期投资人之一，也是董事会成员。和科斯拉共事，最大的收获是什么？

Parag： 技术直觉。把你做的很多事，都锚定在一个更长期的技术愿景上；而且刚解决一个问题，就开始为下两三个问题下注——提前做技术押注。

Harry： 过去 12 个月，你在哪件事上改变看法最大？

Parag： 我起步时的信条非常纯粹：唯技术与产品至上——唯一重要的是造出最好的技术和最好的产品，别的都不重要。而现在，我一周又一周地亲身体会到“拥有一支能打的销售团队、擅长做营销”的价值。是的，我曾经低估了这些东西。不是说我觉得它们没价值，而是我没有真正体会到——做好这些事，每周都能感受到的那种切肤的差距。这话听起来很像个天真的技术人，但这是真的。

Harry： 你确实这么觉得。Perplexity 还是 Exa（译者注：转录作 "Perplexity or acts"，"acts" 疑为 Exa 误听。）？哪个对你们威胁更大？

Parag： 我不认为 Perplexity 在我们的生意里。Perplexity 更像一个垂直一体化的产品，它竞争的对象是 Instinct、Grok（译者注：转录作 "Glockbot"，疑为 Grok 类智能体误听。）或 Claude for Work 这类产品。所以我不认为它在我们的——

Harry： ——网络搜索生意里。

Parag： 对，网络搜索对 Perplexity 来说，就像网络搜索对一家模型实验室来说一样——它只是内置能力。

Harry： 那 Exa 呢。

Parag： 对，Exa 是明明白白在我们这门生意里的。

Harry： 你经历过最棒的一次 VC 会面是哪次？不是说你最喜欢的人，就说最棒的那次会面——最有趣、最有思考、最有洞察的。

Parag： 乔什和托德。当乔什和托德决定投资时，他们专门飞过来花时间陪我。那是最棒的，就是最好的。

Harry： 展望未来 10 年，最让你兴奋的是什么？

Parag： 混乱。我指的是变化。未来 10 年，很多东西都会改变。在一个剧变的世界里，能亲手造物的人，可以对世界的走向产生实质性的影响。我觉得我和我公司的位置，恰好能在其中扮演一个角色。

开放网络会变成什么样？内容方会变成什么样？如果我们做对了，我们会抵达一个更好的地方。这种可能性令人兴奋——它可以成为真正的执念。哪怕日常很艰难，哪怕有些事很长时间都不顺利，只要你能看到自己在以某种你在乎的方式弯曲现实，就完全值得。

Harry： 最后一个问题：旧金山的饭桌上，你有什么信仰，会让朋友们听完说“不，老兄，这条我可不答应，这条不行”？

Parag： 我想——还是得看是哪张饭桌，因为这个世界的方差正在变大。我不认为人们真的相信“会有一批永远在线、为所有人不停运转的智能体”。但我相信这会发生。大多数人还不同意这一点。你和我都在泡泡里——可就连旧金山的饭桌，对此也不是全票通过。

结语

Harry： 好了，听着——就像我说的，我把你调查了个底朝天。这期聊得太开心了。谢谢你忍受我的东拉西扯，你真的很棒。

Parag： 聊得很开心。