英伟达押注 Perplexity：AI算力竞争开始争夺搜索与执行入口

英伟达盯上搜索入口

英伟达正在洽谈参与 Perplexity 新一轮融资，潜在估值超过 300 亿美元。这个数字本身足够吸引眼球，但更值得注意的是融资背后的关系变化：Perplexity 已经不只是一个回答问题的搜索产品，它的 Computer 智能体正在成为用户调用模型、访问网页、处理任务的入口。报道显示，随着智能体业务推进，Perplexity 年化营收从不足 2.5 亿美元增长到超过 7.5 亿美元，也逐渐变成算力消耗大户。

英伟达此前已经向 Perplexity 投资超过 17 亿美元，如今继续押注，逻辑并不止于财务回报。芯片厂商需要找到能够持续产生推理需求的应用出口，而搜索、浏览和任务执行恰好是高频入口。模型越能替用户完成连续操作，调用量就越不再由一次问答决定，而是由检索、判断、执行、复核组成一条更长的链路。对英伟达来说，投资一个能把算力变成日常工作流的产品，等于提前锁定应用侧的增长。

搜索产品变成执行层

过去的搜索产品主要解决“在哪里找到信息”，智能体产品开始解决“找到之后怎么办”。当 Perplexity 的 Computer 能够代表用户完成多个步骤，搜索结果就不再是终点，而会成为后续决策和动作的材料。用户可能只提出一个目标，系统再自行拆分网页访问、信息整理、工具调用和结果交付，这种工作方式对模型推理次数和上下文长度的要求都会明显提高。

这也解释了为什么 AI 应用竞争正在从模型榜单转向任务完成。8 月 25 日的新闻中，Anthropic 精选的 Claude Code 用户项目包括医学影像查看器、代码可视化、街道生成和中文书法工具，说明自然语言编程已经从演示走向具体产品。用户在意的不是模型参数有多大，而是它能不能把一个模糊想法推进到可运行、可修改、可验收的结果。谁掌握了这段执行链，谁就更有机会获得稳定的推理消费。

设计 Agent 补上审美环节

同一天，前剪映中国负责人创办的 AI 设计工作台 OJO 完成近亿元首轮融资。OJO 试图替代部分 Figma 工作，把 Agent Team、Agent 和 Skill 组织起来，让用户用自然语言描述需求后，系统完成需求澄清、交互原型和设计推进。它瞄准的是 AI Coding 普及后暴露出的另一块短板：代码可以快速生成，但产品结构、交互细节和视觉判断仍然需要经验。

这类产品的价值在于把专业判断封装成可以复用的流程。一个设计智能体如果只能生成几张漂亮图片，仍然停留在灵感工具阶段；只有当它能理解页面目标、补齐信息、提出取舍，并在反馈后稳定修改，才会真正进入团队协作。搜索智能体争夺的是信息和行动入口，设计 Agent 争夺的是产品形成入口，两者共同说明应用层的护城河正在从单点能力转向完整交付。

多人协作走向实时房间

Tutti·VM 发布的多人多 Agent 实时协作空间，则把竞争推进到另一层。它允许两个人和三个 Agent 在同一个 Room 中协作，Agent 保持本地运行，云端负责实时共享，沙箱成本约为普通云端方案的百分之二十到二十五，并支持 Claude Code、Codex 等主流 Agent。这样的设计没有把所有任务都交给一个云端模型，而是把执行环境、协作状态和模型能力拆开处理。

拆分之后，团队可以把敏感文件和关键执行留在本地，把需要共同查看的进展同步到房间里。它解决的不只是成本问题，也解决了多 Agent 之间互相覆盖、重复劳动和无法追踪的问题。当 Agent 数量增加，协作协议、权限边界、记忆共享和结果验收都会变成基础设施。未来企业购买的可能不再是一个聊天窗口，而是一组可以被人类调度的数字工作成员。

语音交互争夺下一入口

前 MiniMax 技术合伙人杨斌创立的 BreezeBlue 也在押注交互入口。公司推出 Breeze TTS 2，主打让用户自由设计声音角色并指导 AI 表演，支持约 40 毫秒的低延迟实时生成，已获得 600 万美元种子轮融资。它的重点不是把文字机械地读出来，而是让声音拥有可控制的角色、情绪和表演方式。

低延迟语音会改变智能体的使用场景。用户在移动端、车载设备或工作现场不一定愿意输入长指令，但可以通过连续对话快速下达目标，再由 Agent 在后台完成检索和执行。声音模型、搜索智能体与本地设备结合后，AI 的入口会从屏幕上的应用图标扩展到耳机、电脑和各种工作终端。入口越自然，任务发生的频率就越高，算力需求也越容易形成规模。

算力投资最终要回到用户

英伟达押注 Perplexity 的信号，可以和另一条基础设施新闻放在一起看：英伟达公布 Vera Rubin NVL72 的测试结果，使用 DeepSeek-V4-Pro 时，每兆瓦吞吐量比 GB300 提升 30 倍，Token 成本下降 35 倍，Vera CPU 也被设计为面向 Agent 的处理器。硬件正在围绕智能体重新组织，但硬件效率只有进入真实产品，才会转化成持续收入。

因此，接下来更值得观察的不是哪家公司又发布了一个更大的模型，而是谁能把模型、工具、记忆、权限和交付结果连成闭环。Perplexity 的搜索与 Computer、OJO 的设计流程、Tutti·VM 的协作房间、BreezeBlue 的实时声音，分别代表信息、产品、团队和交互四个入口。它们共同争夺的，是用户把一个目标交给 AI 之后，能否少操心几步、少切换几个软件，并在最后拿到可用结果。

企业选型要看执行成本

对企业用户而言，判断 AI 产品不能只看模型是否在榜单上领先。更实际的指标包括：一次任务需要多少次调用，失败后能否自动恢复，数据是否可以留在指定环境，多个 Agent 是否能够共享必要记忆，最终输出有没有可追溯的过程。搜索、设计、办公和研发看起来是不同应用，真正决定采购价值的却是这些执行层指标。

这也给云服务器和算力使用提出了更具体的要求。高频检索任务需要稳定的网络和弹性推理资源，代码与设计任务需要可靠的文件环境，团队协作需要权限隔离和日志留存。本地设备适合处理隐私数据和低延迟交互，云端适合承载弹性计算与多人共享，混合部署会比单纯追求“全部上云”更容易控制成本。AI 应用的下一阶段，拼的将是把算力花在有效动作上的能力。