Aravind 最锋利的一个判断是：用社交产品的网络效应逻辑判断 AI 产品是根本性错误。AI 是递归产品——用户的深度和质量比数量重要。核心量度不再是 DAU 或 MAU，而是「每用户收入增长」这个二阶导数：客户用你的产品赚的越多，他们就越离不开你。这听起来像支付公司的逻辑，但有一个关键差异：支付抽取的是交易流水的固定比例，而 Perplexity 的递归收入依赖于客户能否持续高额盈利。那位年付 100 万美元的一人公司案例证明了递归的可行性，但也暴露了风险——客户的生意垮掉，Perplexity 也会被拖下去。递归是双向的。

Perplexity 押注的 AI Native 小公司，不只是「用了 AI」的公司。其核心边界从哈佛商学院的严格定义——以 AI 为底层基石重构产品、商业模式和核心竞争力，到 Anthropic 提出的组织形态——人管理 AI、AI 管理流程，再到实操层的 AI 作为主要执行者、人负责验收。三层定义共同指向一个事实：AI Native 公司拿掉模型能力，产品、流程和组织都会塌掉。麦肯锡 2025 年调研显示，全球真正达到 AI 原生成熟度的企业仅约 12%，这意味着 Perplexity 服务的这批「小而强」的公司，实际上是一个稀缺且高速增长的市场赛道。

Perplexity 和微软都在讲模型中立编排，但各自的激励结构让它俩的可信度截然不同。微软 CEO 纳德拉在达沃斯明确表示，未来每一家企业都会使用多个模型，并推出了医疗领域的「决策编排」实践，多角色模型协作的效果优于单一前沿模型。尽管微软自己也在做模型（Decision-1），但它通过开源模型生态、Copilot 矩阵和企业知识嵌入建立壁垒。而 Perplexity 的结构性优势在于没有模型业务要保护——但劣势是依赖供给方的开放，且前沿模型公司自己也在做 Agent 产品，随时可能竞争。同一笔账两种叙事：微软的中立有条件但根基厚，Perplexity 的中立更纯粹但更脆弱。

Perplexity 本地算力的论证建立在一组关键假设上：当上下文长到 10 万 token，云端成本优势只剩约 3 倍，接近 1:1。这个门槛取决于两个变量：一是端侧芯片的推理效率进步速度（Apple 芯片每瓦能效），二是云端批量推理的规模优势是否会被个性化 agent 侵蚀。微软纳德拉已经确认拥有可在桌面本地运行的模型，并认为高性能工作站正在回归。当下能观察到的信号是：主流模型厂商都在推出更轻量的端侧部署版本（如 Haiku 5.5），苹果和微软在 NPU 上的投入加速——真正的拐点不是技术突破，而是「个性化 agent 普及到每用户私有上下文不能被批处理分摊」的那一刻。

Perplexity 提出的「递归效应」——你的收入长在客户收入上——看起来优雅，但有两个真实的不确定点。第一，供应链的单点风险：一人公司把全年营收的三分之一付给工具，意味着工具出问题这家公司就停摆——Perplexity 自身就是递归链上的「上游依赖」。第二，案例粒度不足：2300 万美元一人公司是个案，行业尚未见到大规模可复现的递归增长数据。这也引导出一个更根本的追问：当 agent 替代的不仅是岗位，更是「招人」这个决策本身，资本配置结构会如何改变？Paul Graham 关于「AI 账单」的早期论断——越来越多小公司会把过半收入花在 AI 工具上——可能是递归效应能否成立的关键验证信号。