下一個Google不是搜索，是任務引擎
ChatGPT、Anthropic、Perplexity 形態各異，但都在爭奪同一件事：重新組織信息與任務。搜索和推薦融合成任務引擎，誰掌握 context 誰就贏。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
ChatGPT 增速超過 TikTok
ChatGPT 周活已過 3 億，對應 5-6 億月活，明年這時候可能 10 億多月活。這個增速是全球所有科技產品中歷史最快的，超過了 TikTok 之前用四五年做到 5 億多月活的記錄。廣密認為 hype 因素存在，但更本質的是 ChatGPT 奔著「下一個 Google」的方向去了，對手和目標不只是 ChatGPT，而是如何 beat Google。
— 廣密偉大公司都從邊緣市場起來
雅虎門戶模式只能 listing 頭部網頁，Google 用關鍵詞搜索 index 整個互聯網，重新組織了信息分發。紅杉美國最早投雅虎，投 Google 是希望幫雅虎覆蓋長尾網頁內容，因為長尾只能通過關鍵詞模式觸發。做門戶的人當時都覺得 Google 這種關鍵詞搜索做不大，但 Google 從雅虎的邊緣市場稱大做起來。廣密強調一定要重視邊緣市場起來的公司。
— 廣密Anthropic 走的是 AI 時代的 OS 路徑
OpenAI 正在把自己變成唯一的 K-Lab，在 C 端一騎絕塵；Anthropic 走向 AI 時代的 OS 操作系統路徑，佔據了 Coding 和協議，尤其是最近發布的 MCP。Perplexity 最大的創新是重新定義了 AI 搜索形態，是 AI 在幫你使用搜索引擎，也是一個 Agent，用戶可以圍繞一個主題一直追問和互動。產品最終都會變成任務引擎或任務容器。
— 廣密ChatGPT 的商業模式效率比傳統互聯網低 10-20 倍
ChatGPT 是典型工具類產品，付費率能做到 5% 已非常優秀，但廣密猜可能只有 2%-3%，對應每個 MAU 約 0.5-0.6 美金。對比抖音、淘寶、微信，接近大幾百億甚至千億美金營收，10 億月活，每個 MAU 每年 100 美金，每月 8-10 美金。傳統互聯網產品的變現效率比 ChatGPT 高出 10-20 倍。後端成本每年 5-10 倍猛增，前端榨不出營收，不可持續。
— 廣密context 是新時代的支付
廣密認為 99% 的從業者今天都盯著模型的生成能力或 coding 能力，但更核心的是 context 的採集能力。沒有 context 的同步，絕大多數任務成功率都非常低。他比喻 context 就是新時代的支付——電商的兩翼是物流和支付，沒有這兩個基礎設施網購體驗非常差；AI 模型幫你做任務，成功率不完全取決於生成或 coding 能力，更取決於 context 是否充分同步。context 獲取應該是自動化的，而不是人工 prompt。
— 廣密OpenAI 的組織問題不比 Google 小
OpenAI 今天的成功很大程度依賴早期 research 能力非常強、技術遙遙領先帶來的心智和品牌紅利，但過去一兩年並沒有很好接住這個技術紅利。最典型的兩個地方是搜索和 coding，今天都不是明顯第一名。搜索給 Perplexity 留了完整兩年的窗口，coding 被 Anthropic 的 Claude Sonnet 反超，大量開發者遷移到 Claude Sonnet 生態。廣密認為還是組織或哪裡出了問題，那麼多老人離開不是好事。
— 廣密Long Horizon Task 是下個重點
廣密認為 2025-2026 年最大的期待是 Agent 落地，尤其是長距離多步驟的任務 Long Horizon Task。硅谷核心圈子的幾個大佬級人物都在做，OpenAI 的 CTO Mira 出去也是做 Long Horizon 的 Agent。可以類比 Perplexity 的 Aravind 當年離開創業想做 RAG-based search。Long Horizon Task 落地可能是 Agent 創業最核心的方向，最領先的模型公司 OpenAI、Anthropic 都花了很大精力。
— 廣密預訓練數據牆是永久還是短期，有分歧
Ilya 提出的 Data Wall 是預訓練的數據平頂：互聯網數據線性增長，每月增加不到 1T 有效 token，但模型預訓練需要的數據是指數級增長。廣密認為今天預訓練百分百遇到困難了，瓶頸不是計算或架構，是數據問題。互聯網上能用來提升智商的大規模訓練數據可能就二三十個 T。有人悲觀有人樂觀，樂觀者認為數據挖掘空間還很大，關鍵是把 Data Efficiency 提上去——人類學一個知識五到十條樣本就夠，模型需要幾千條上萬條。
— 廣密原話 · 已逐字校驗
我是感覺一定要重視邊緣市場起來的 往往偉大公司 都還是從邊緣市場做大做起來的
我是感覺一定要重視邊緣市場起來的，往往偉大公司都還是從邊緣市場做大做起來的。
廣密5:02
我覺得99%的人從業者 今天都指定著模型的生成能力 或者coding能力 我覺得更加核心的一個 可能是context的採集能力 如果沒有context的同步 其實絕大多數的任務 成功率都非常低的
我覺得 99% 的從業者今天都盯著模型的生成能力或者 coding 能力，我覺得更加核心的一個可能是 context 的採集能力。如果沒有 context 的同步，其實絕大多數的任務成功率都非常低的。
廣密20:13
有一個簡單的比喻 就是context可能就是新時代的支付
有一個簡單的比喻，就是 context 可能就是新時代的支付。
廣密21:15
其實大家都說 Google的組織問題很大 其實這樣看 OpenA的組織問題 其實也不小
其實大家都說 Google 的組織問題很大，其實這樣看 OpenAI 的組織問題也不小。
廣密28:21
我覺得今天預訓練 我覺得今天看應該是百分百 遇到困難了
我覺得今天預訓練，今天看應該是百分百遇到困難了。
廣密1:11:49
數字與實體
| ChatGPT 周活 | 超過 3 億 | 3:02 |
| ChatGPT 付費率 | 2%-3% | 12:10 |
| ChatGPT 每個 MAU 月收入 | 0.5-0.6 美金 | 12:10 |
| 傳統互聯網產品每個 MAU 月收入 | 8-10 美金 | 13:10 |
| Cursor 新一輪估值 | 25 億美金 | 59:45 |
| 互聯網可訓練數據極限 | 二三十個 T | 1:11:49 |
| 全球第一梯隊公司 GPU 規模 | 10 萬張卡 | 14:10 |
術語
- Long Horizon Task長距離任務
- 需要多步驟、長時間規劃才能完成的複雜任務，是 Agent 落地的核心方向。
- MCP模型上下文協議
- Anthropic 開源的協議標準，讓模型與外部工具和數據源連接，長期影響大。
- Data Wall數據牆
- Ilya 提出的預訓練數據平頂：互聯網數據線性增長，但模型預訓練需要指數級數據。
- Reward Model獎勵模型
- 用於評估模型輸出質量的模型，O1 路線依賴它，但通用泛化仍是難題。
- K-Lab知識實驗室
- 廣密用來指代 OpenAI 這類面向消費者的 AI 實驗室，區別於 OS 路徑。
收聽指南
關注 AI 產品形態、投資判斷的創業者和投資人，尤其想理解 2025-2026 年 Agent 落地和 context 競爭的人。
1:22:19 之後的復盤和關鍵詞總結可快速跳過，前面已覆蓋。